基于猫鼠蜜马算法波段选择的高光谱图像分类方法及系统技术方案

本申请公开了基于猫鼠蜜马算法波段选择的高光谱图像分类方法及系统，方法包括以下步骤：S1.生成波段数据集，并提取所述波段数据集中的每个波段对应的地物标注，得到地物种类标签集；S2.基于波段数据集设计猫鼠蜜马算法，并对猫鼠蜜马个体进行适应度排序，提取波段数据集中的代表性波段组合；S3.基于代表性波段组合，训练3DCNN

【技术实现步骤摘要】
基于猫鼠蜜马算法波段选择的高光谱图像分类方法及系统


[0001]本申请属于遥感图像处理
，具体涉及基于猫鼠蜜马算法波段选择的高光谱图像分类方法及系统。

技术介绍

[0002]随着遥感技术的不断飞跃，高光谱遥感技术作为遥感技术的重要组成部分，对遥感技术发展起到了重要作用。高光谱遥感图像因具有分辨率高和光谱信息丰富的特点，使高光谱图像分类具有更加广泛的应用性。同时高光谱图像分类也面临一些问题，由于高光谱图像会产生一些信息量少，相关性强的冗余波段，导致图像处理困难和分类精度不高。因此，在保证图像分类精度高的情况下选择出更具代表性的波段成为高光谱的重要研究内容。
[0003]近年来，基于特征选择的高光谱图像波段选择方法飞速发展，实现了波段组合的有效选择。其中，基于聚类的波段选择方法，速度快，计算简便，但很依赖随机种子初始化，鲁棒性很差。基于排序的波段选择方法虽然具有效率高和数据处理简单的特点，但该方法只考虑某个波段的情况，没有进行整个波段组合的优化。而群智能算法鲁棒性很好，考虑到整个波段组合的更新，同时具有处理高维度复杂工程优化问题的能力，但存在搜索能力低，收敛速度慢且容易陷入局部最优的问题。解决以上问题可以通过基于群智能和排序的波段选择方法相结合，同时改进群智能算法，使选择出的波段组合的更具有代表性。
[0004]通过对现有基于群智能算法的高光谱图像波段选择方法技术文献的检索发现，王啟军等在专利技术(专利号：CN202210118319.9)中专利技术的“一种基于进化计算的高光谱图像波段选择方法”，宋广钦等人在测绘通报(2019(04)：43
‑
48)上发表的“高光谱图像波段选择的改进二进制布谷鸟算法”等技术文献虽改进了群智能算法进行波段选择，但未考虑到波段本身的性质选择出最具代表性的波段组合。若在设计猫鼠蜜马算法时考虑到多方面因素，将其设定在适应度函数中，通过引入参数改进算法更新公式，同时通过排序方法优化个体交互机制，筛选出最具代表性的波段组合。进一步将波段组合用来训练神经网络模型，将其应用在实际高光谱数据集场景里，提高了该方法的普适性。

技术实现思路

[0005]本申请旨在解决针对高光谱图像波段选择时，现有群智能算法技术搜索能力低，收敛速度慢和局部性差导致波段组合不具有代表性的问题，提出了基于猫鼠蜜马算法波段选择的高光谱图像分类方法及系统，提供了如下方案：
[0006]基于猫鼠蜜马算法波段选择的高光谱图像分类方法，包括以下步骤：
[0007]S1.生成波段数据集，并提取所述波段数据集中的每个波段对应的地物标注，得到地物种类标签集；
[0008]S2.基于所述波段数据集设计猫鼠蜜马算法，并对猫鼠蜜马个体进行适应度排序，提取所述波段数据集中的代表性波段组合；
[0009]S3.基于所述代表性波段组合，训练3DCNN
‑
ViT神经网络模型；
[0010]S4.采集待处理高光谱图像数据集，并将所述待处理高光谱图像数据集输入至所述3DCNN
‑
ViT神经网络模型中进行分类。
[0011]优选的，所述S1包括：
[0012]所述波段数据集X为：
[0013]X＝{X1，X2，
…
，X
i
，
…
，X
I
}
[0014]其中，X
i
为X中第i个波段，i＝1，2，...，I，I为波段个数；
[0015]对所述波段数据集中的每个波段对应的地物进行标注，得到所述地物种类标签集Y：
[0016]Y＝{Y1，Y2，
…
，Y
i
，
…
，Y
I
}
[0017]Y
i
＝{y1，y2，
…
，y
a
，y
b，
…
，y
k
}
[0018]其中，Y
i
为Y中第i个波段对应的地物种类标签集，y
a
和y
b
分别为Y
i
中第a和b个地物种类，a，b＝1，2，
…
，k，k为Y
i
中地物种类的个数。
[0019]优选的，所述S2包括：
[0020]将所述波段数据集作为所述猫鼠蜜马算法的初始化种群，并计算初始化种群位置信息；
[0021]基于所述初始化种群位置信息，利用巴氏距离计算所述猫鼠蜜马算法的适应度函数；
[0022]基于所述适应度函数将所述初始化种群位置信息进行分类，得到阿尔法组和候选组；
[0023]引入气体吸引因子和开发参数对所述阿尔法组和所述候选组分别进行位置更新和混合排序，得到新阿尔法组和新候选组；
[0024]对所述新阿尔法组和所述新候选组进行排序，并基于排序结果提取所述代表性波段组合。
[0025]优选的，所述S3包括：
[0026]基于所述代表性波段组合构建训练样本集；
[0027]构建初始网络模型，并利用所述训练样本集对所述初始网络模型进行训练，得到所述3DCNN
‑
ViT神经网络模型。
[0028]本申请还提供了基于猫鼠蜜马算法波段选择的高光谱图像分类系统，包括：标签提取模块、计算模块、训练模块和分类模块；
[0029]所述标签提取模块用于生成波段数据集，并提取所述波段数据集中的每个波段对应的地物标注，得到地物种类标签集；
[0030]所述计算模块用于基于所述波段数据集设计猫鼠蜜马算法，并对猫鼠蜜马个体进行适应度排序，提取所述波段数据集中的代表性波段组合；
[0031]所述训练模块用于基于所述代表性波段组合，训练3DCNN
‑
ViT神经网络模型；
[0032]所述分类模块用于采集待处理高光谱图像数据集，并将所述待处理高光谱图像数据集输入至所述3DCNN
‑
ViT神经网络模型中进行分类。
[0033]优选的，所述标签提取模块包括：数据集生成单元和第一提取单元；
[0034]所述数据集生成单元用于生成波段数据集X：
[0035]X＝{X1，X2，
…
，X
i
，
…
，X
I
}
[0036]其中，X
i
为X中第i个波段，i＝1，2，...，I，I为波段个数；
[0037]所述第一提取单元用于提取所述波段数据集中的每个波段对应的地物标注，得到所述地物种类标签集Y：
[0038]Y＝{Y1，Y2，
…
，Y
i
，
…
，Y
I
}
[0039]Y
i
＝{y1，2，
…
，y
a
，y
b
，
…...

【技术保护点】

【技术特征摘要】
1.基于猫鼠蜜马算法波段选择的高光谱图像分类方法，其特征在于，包括以下步骤：S1.生成波段数据集，并提取所述波段数据集中的每个波段对应的地物标注，得到地物种类标签集；S2.基于所述波段数据集设计猫鼠蜜马算法，并对猫鼠蜜马个体进行适应度排序，提取所述波段数据集中的代表性波段组合；S3.基于所述代表性波段组合，训练3DCNN
‑
ViT神经网络模型；S4.采集待处理高光谱图像数据集，并将所述待处理高光谱图像数据集输入至所述3DCNN
‑
ViT神经网络模型中进行分类。2.根据权利要求1所述基于猫鼠蜜马算法波段选择的高光谱图像分类方法，其特征在于，所述S1包括：所述波段数据集X为：X＝{X1，X2，
…
，X
i
，
…
，X
I
}其中，X
i
为X中第i个波段，i＝1，2，...，I，I为波段个数；提取所述波段数据集中的每个波段对应的地物标注，得到所述地物种类标签集Y：Y＝{Y1，Y2，
…
，Y
i
，
…
，Y
I
}Y
i
＝{y1，y2，
…
，y
a
，y
b
，
…
，y
k
}其中，Y
i
为Y中第i个波段对应的地物种类标签集，y
a
和y
b
分别为Y
i
中第a和b个地物种类，a，b＝1，2，
…
，k，k为Y
i
中地物种类的个数。3.根据权利要求1所述基于猫鼠蜜马算法波段选择的高光谱图像分类方法，其特征在于，所述S2包括：将所述波段数据集作为所述猫鼠蜜马算法的初始化种群，并计算初始化种群位置信息；基于所述初始化种群位置信息，利用巴氏距离计算所述猫鼠蜜马算法的适应度函数；基于所述适应度函数将所述初始化种群位置信息进行分类，得到阿尔法组和候选组；引入气体吸引因子和开发参数对所述阿尔法组和所述候选组分别进行位置更新和混合排序，得到新阿尔法组和新候选组；对所述新阿尔法组和所述新候选组进行排序，并基于排序结果提取所述代表性波段组合。4.根据权利要求1所述基于猫鼠蜜马算法波段选择的高光谱图像分类方法，其特征在于，所述S3包括：基于所述代表性波段组合构建训练样本集；构建初始网络模型，并利用所述训练样本集对所述初始网络模型进行训练，得到所述3DCNN
‑
ViT神经网络模型。5.基于猫鼠蜜马算法波段选择的高光谱图像分类系统，其特征在于，包括：标签提取模块、计算模块、训练模块和分类模块；所述标签提取模块用于生成波段数据集，并提取所述波段数据集中的每个波段对应的地物标注，得到地物种类标...

【专利技术属性】
技术研发人员：高敬鹏，郭睿彤，叶方，陈庚，田园，孙骞，江志烨，方艺忠，高路，蒋思思，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：