一种多光谱全要素特征的范式图嵌入方法技术

本发明专利技术属于一种图像处理领域，公开了一种多光谱全要素特征的范式图嵌入方法，用来获取多光谱数据三个方面的特征图，具体步骤如下：首先将多光谱图像中的空间信息与光谱信息特征进行融合，然后将融合后的特征信息通过基于流形学习与空谱嵌入的方法进行数据特征的提取与降维。将降维后的多光谱数据中的红外波段光谱数据、空间像素、光谱维度像素信息，分别利用红外光谱波段特征提取、空间超像素分割技术、光谱特征图邻接矩阵的构建等方法，得到光谱数据的物理特征图、空间特征图、光谱特征图，最终实现对于多光谱数据的全要素特征的范式图嵌入方法。该方法能够获取更多维度的特征信息，提升处理多光谱图像的模型能力。提升处理多光谱图像的模型能力。提升处理多光谱图像的模型能力。

【技术实现步骤摘要】
一种多光谱全要素特征的范式图嵌入方法


[0001]本专利技术涉及一种图像处理领域，具体涉及一种多光谱全要素特征的范式图嵌入方法。

技术介绍

[0002]多光谱图像是一种包含多个波段信息的图像，与单波段图像不同，多光谱图像可以提供更为全面、准确的信息，包括反射率、发射率、吸收率等，能够获取包含丰富空间信息和光谱信息。多光谱图像包含目标的空间信息和光谱信息，可克服单一模态图像信息受限的问题。
[0003]图嵌入技术是指将图嵌入到向量空间，表示为低维向量，同时保留图的结构信息，利用图神经网络可以对于建立的图结构进行特征处理，目前已经广泛用于下游各种任务例如图像分类，目标检测等。
[0004]多光谱图像传统的特征提取方法，提取的特征通常是比较简单和粗糙的，不能很好地表达图像的复杂信息，对于非线性相关的特征效果不佳，对于多尺度特征的表达存在一定的局限性，模型泛化能力较差，同时提取特征的维度有限，对此提出一种用来提取多光谱丰富特征的方法是有必要的。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种多光谱全要素特征的范式图嵌入方法，所述方法能够提取多光谱图像的物理特征，空间特征，光谱特征这三个维度信息，构建特征图，对于以往多光谱信息维度利用不足，提供了一个新的方法。
[0006]本专利技术解决上述技术问题的技术方案是：
[0007]一种基于多光谱的全要素特征的范式图嵌入方法，其特征在于，包括以下步骤：
[0008](S1)、利用多光谱相机获得N个波段的多光谱图像；
[0009](S2)、通过增广向量表示多光谱图像的波段阵列编码和多光谱图像的空间像素邻域编码的融合形式；
[0010](S3)、将融合后的数据信息利用空谱嵌入完成不同像素光谱特征相似性的权重分配，通过流形学习对局部邻域空间和光谱信息进行相似性分类与特征降维；
[0011](S4)、利用降维后的光谱数据，结合红外光谱特征提取光谱数据的物理特征图；
[0012](S5)、利用降维后的光谱数据，将多光谱数据的空间像素信息进行特征转换，可以利用线性迭代聚类的方法确定超像素邻居节点信息，依据超像素的空间连通性关系构建节点之间的边连接关系，提取空间特征图；
[0013](S6)、利用降维后的光谱数据，结合目标的光谱特征相似性，设计邻接矩阵，从不同的光谱波段维度抽样重组得到目标光谱特征分布，利用图神经网络有效表示驻留在平滑流形上的光谱数据。
[0014]优选的，在(S1)步骤中，所述的多光谱相机为可以同时采集3个及以上光谱带的成
像相机。
[0015]优先的，在(S1)步骤中，所述的N为大于等于3的整数。
[0016]优选的，在(S3)步骤中，将L个标记后的融合光谱和空间信息的增广向量作为训练数据(其中3<L<10)；经过归一化后，增广向量中的元素在监督模式下进行同类别分类，通过k最近邻算法构建像素局部邻域，进一步结合流形学习框架，编码邻域数据的流形局部拓扑。
[0017]优选的，在(S4)步骤中，物理特征可以是等效温度、等效面积，物理特征可以通过随机游走等图嵌入方法表示为图。
[0018]优选的，在(S5)步骤中，所述的空间特征图是：先对多光谱图像进行超像素分割，计算像素之间的空间距离和光谱距离，对所述空间距离及所述光谱距离平衡权重更新聚类中心位置和范围后进行迭代，获得超像素构成的多光谱图像，将相邻的所述超像素点组成边，由所述边构建空间图。
[0019]优选的，在(S6)步骤中，所述的光谱特征图可以通过构建无监督、有监督以及半监督邻接矩阵构造。
[0020]本专利技术与现有技术相比,提供一种多光谱全要素特征的范式图嵌入方法，有益效果在于：
[0021]所述方法能够提取多光谱图像的物理特征，空间特征，光谱特征这三个维度信息，构建特征图。传统的特多光谱图像征提取方法，提取的特征通常是比较简单，不能很好地表达图像的复杂信息，对于多尺度特征的表达存在一定的局限性，模型泛化能力较差，同时提取特征的维度有限。针对于此，该方法能够充分利用多光谱图像提取对应的物理特征、空间特征、光谱特征，使得可以获取图像的深层信息，提取出多维的多光谱信息，使得提升后续模型处理的泛化能力。
附图说明
[0022]图1为本专利技术的一种多光谱全要素特征的范式图嵌入的流程框图。
具体实施方式
[0023]下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。
[0024]参见图1，本专利技术的一种基于多光谱的全要素特征的范式图嵌入方法包括以下步骤：
[0025](S1)、利用多光谱相机获得N个波段的多光谱图像；
[0026](S2)、通过增广向量表示多光谱图像的波段阵列编码和多光谱图像的空间像素邻域编码的融合形式；
[0027](S3)、将融合后的数据信息利用空谱嵌入完成不同像素光谱特征相似性的权重分配，通过流形学习对局部邻域空间和光谱信息进行相似性分类与特征降维；
[0028](S4)、利用降维后的光谱数据，结合红外光谱特征提取光谱数据的物理特征图；
[0029](S5)、利用降维后的光谱数据，将多光谱数据的空间像素信息进行特征转换，可以利用线性迭代聚类的方法确定超像素邻居节点信息，依据超像素的空间连通性关系构建节
点之间的边连接关系，提取空间特征图；
[0030](S6)、利用降维后的光谱数据，结合目标的光谱特征相似性，设计邻接矩阵，从不同的光谱波段维度抽样重组得到目标光谱特征分布，利用图神经网络有效表示驻留在平滑流形上的光谱数据。
[0031]参见图1，在步骤(S1)中，所述的获取的多光谱数据是由四个波段的多光谱图像组成。
[0032]参见图1，在步骤(S2)中，所述的融合光谱和空间信息的增广向量可由下式表示：
[0033]x＝(u,v,b1,b2,...,b
B
)＝(x1,x2,...,x
B+2
)
T (1)
[0034]其中h(u,v)为图像网格平面上的某一像素，(b1,b2,b3,b
B
)为波段阵列。
[0035]另外，本实施例我们获取了4个波段的图像，故B＝4。
[0036]参见图1，在步骤(S3)中，所述的空谱信息嵌入和流形学习的特征提取与降维，是以L个标记像素的增广向量作为训练数据，归一化后对任一x
i
在监督模式下进行同类别分类，并通过k最近邻算法构建像素局部邻域，进一步结合流形学习框架编码邻域数据的流形局部拓扑进行特征降维。
[0037][0038]其中，y
i
为x
i
学习到的m维特征，{W
ij
}为输入数据和Di＝∑
j
W
ij
之间相似性的正权重，原始x
i
和x
j...

【技术保护点】

【技术特征摘要】
1.一种基于多光谱的全要素特征的范式图嵌入方法，其特征在于，包括以下步骤：(S1)、利用多光谱相机获得N个波段的多光谱图像；(S2)、通过增广向量表示多光谱图像的波段阵列编码和多光谱图像的空间像素邻域编码的融合形式；(S3)、将融合后的数据信息利用空谱嵌入完成不同像素光谱特征相似性的权重分配，通过流形学习对局部邻域空间和光谱信息进行相似性分类与特征降维；(S4)、利用降维后的光谱数据，结合红外光谱特征提取光谱数据的物理特征图；(S5)、利用降维后的光谱数据，将多光谱数据的空间像素信息进行特征转换，可以利用线性迭代聚类的方法确定超像素邻居节点信息，依据超像素的空间连通性关系构建节点之间的边连接关系，提取空间特征图；(S6)、利用降维后的光谱数据，结合目标的光谱特征相似性，设计邻接矩阵，从不同的光谱波段维度抽样重组得到目标光谱特征分布，利用图神经网络有效表示驻留在平滑流形上的光谱数据。2.根据权利要求1所述的一种多光谱全要素特征的范式图嵌入方法，其特征在于，在步骤(S1)中，所述的多光谱相机为可以同时采集3个及以上光谱带的成像相机。3.根据权利要求1所述的一种多光谱全要素特征的范式图嵌入方法，其特征在于，在步骤(S1)中，所...

【专利技术属性】
技术研发人员：邸江磊，江文隽，秦智坚，吴计，王萍，任振波，秦玉文，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：