System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于高光谱图像处理,特别涉及一种高光谱图像分类方法、装置、计算机设备以及存储介质。
技术介绍
1、高光谱图像分类是指对一景高光谱图像实现像素级别的分类,每一个像素的光谱信息是分类的重要依据。高光谱图像的数据处理可以简单分为光谱提取与空谱特征提取处理问题。目前,图像的光谱特征提取因其更强、更清晰的电磁波长作用,更快的获取速度和信噪比等优越条件被社会广泛应用与扩展,而空间信息特征作为重要的研究技术成分,随着机器学习领域的成熟也逐渐备受关注与重视。
2、近年来,随着深度学习领域的繁荣发展,深度学习算法被应用到基于有监督学习的高光谱图像分类中。例如,在提取光谱特征方面,利用一维卷积神经网络(one-dimensional convolutional neural net-work,1d cnn)进行高光谱图像分类,以及利用基于二维卷积神经网络(two-dimensional convolutional neural network,2d cnn)和三维卷积网络(three-dimensional convolutional neural network,3d cnn)的空谱融合方式进行高光谱图像分类。由于半监督学习和无监督学习不完全依赖标签信息实现特征学习,它们会利用大量的无标签数据中的信息指导模型的建立。wu等人[wu h,prasads.semi-supervised deep learning using pseudo labels for hyperspectral imageclassification[j]
3、然而,现有的高光谱图像分类方法仍然存在以下不足:
4、1、传统的空-谱特征融合算法需要使用较大的空间邻域窗口,可能存在训练样本与测试样本出现重叠而导致不独立的情况。
5、2、传统高光谱图像分类都是基于单个模型进行分类,导致分类效果不够稳定。
技术实现思路
1、本申请提供了一种高光谱图像分类方法、装置、计算机设备以及存储介质,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
2、为了解决上述问题,本申请提供了如下技术方案:
3、一种高光谱图像分类方法,包括:
4、获取高光谱图像的训练集、验证集和测试集;
5、利用空间打散算法将所述训练集中的训练样本由三维图像转换为二维图像,生成新的训练集;
6、基于所述新的训练集对多vit变体模型进行训练,并在每个epoch结束后,将所述测试集输入多vit变体模型进行测试,得到所述测试集中每个测试样本在各个vit变体模型下的分类结果;其中,所述多vit变体模型包括至少两个vit变体模型;
7、针对每个vit变体模型,对所述测试集中各个测试样本的所有分类结果进行最多数投票,并将投票数量最多的分类结果作为测试集中对应测试样本的候选分类结果;
8、通过遗传算法优化每个vit变体模型的候选分类结果的最优权重,并重新对所述测试样本的候选分类结果进行最多数投票,将投票数量最多的分类结果作为所述测试样本的最终分类结果。
9、本申请实施例采取的技术方案还包括:所述获取高光谱图像的训练集、验证集和测试集,具体为:
10、获取高光谱图像,基于所述高光谱图像的地面真值图,按照第一设定比例从每个类别中分别选择训练样本的像素,剩余像素作为测试样本;
11、按照第二设定比例从所述训练样本中选择设定数量的像素作为验证样本,其余像素作为训练样本,由此得到训练集、验证集和测试集。
12、本申请实施例采取的技术方案还包括:所述利用空间打散算法将所述训练集中的训练样本由三维图像转换为二维图像,具体为:
13、获取所述训练集中每个训练样本的n*n邻域,得到n*n*b的三维数据立方体,其中b为波段数;
14、固定中心像素的位置不变,随机对邻域内的其它训练样本进行随机打散,每随机打散一次,将所述n*n*b的三维数据立方体转换成高为n*n、宽为b的二维图像;
15、对各个类别下的每个训练样本分别执行随机打散操作k/m次,其中k表示最终希望得到的每个类别的样本总数,m为各个类别下的训练样本数量,最终分别得到每个类别下的k个二维图像;
16、对所有类别执行完随机打散操作后,得到由c*k个二维图像构成的新的训练集,其中c为所述新的训练集中的训练样本类别总数。
17、本申请实施例采取的技术方案还包括:所述针对每个vit变体模型,对所述测试集中各个测试样本的所有分类结果进行最多数投票,并将投票数量最多的分类结果作为测试集中对应测试样本的候选分类结果,具体为:
18、对于所述测试集中的每一个测试样本,每个vit变体模型在每个epoch本文档来自技高网...
【技术保护点】
1.一种高光谱图像分类方法,其特征在于,包括:
2.根据权利要求1所述的高光谱图像分类方法,其特征在于,所述获取高光谱图像的训练集、验证集和测试集,具体为:
3.根据权利要求2所述的高光谱图像分类方法,其特征在于,所述利用空间打散算法将所述训练集中的训练样本由三维图像转换为二维图像,具体为:
4.根据权利要求1至3任一项所述的高光谱图像分类方法,其特征在于,所述针对每个ViT变体模型,对所述测试集中各个测试样本的所有分类结果进行最多数投票,并将投票数量最多的分类结果作为测试集中对应测试样本的候选分类结果,具体为:
5.根据权利要求4所述的高光谱图像分类方法,其特征在于,所述通过遗传算法优化每个ViT变体模型的候选分类结果的最优权重,并重新对所述测试样本的候选分类结果进行最多数投票,将投票数量最多的分类结果作为所述测试样本的最终分类结果,具体为:
6.一种高光谱图像分类装置,其特征在于,包括:
7.根据权利要求6所述的高光谱图像分类装置,其特征在于,所述数据转换模块利用空间打散算法将所述训练集中的训练样本由三维
8.根据权利要求6或7所述的高光谱图像分类装置,其特征在于,所述分类投票模块针对每个ViT变体模型,对所述测试集中各个测试样本的所有分类结果进行最多数投票,并将投票数量最多的分类结果作为测试集中对应测试样本的候选分类结果,具体为:
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、与所述处理器耦接的存储器,其中,
10.一种存储介质,其特征在于,存储有处理器可运行的程序指令,所述程序指令用于执行权利要求1至5任一项所述高光谱图像分类方法。
...【技术特征摘要】
1.一种高光谱图像分类方法,其特征在于,包括:
2.根据权利要求1所述的高光谱图像分类方法,其特征在于,所述获取高光谱图像的训练集、验证集和测试集,具体为:
3.根据权利要求2所述的高光谱图像分类方法,其特征在于,所述利用空间打散算法将所述训练集中的训练样本由三维图像转换为二维图像,具体为:
4.根据权利要求1至3任一项所述的高光谱图像分类方法,其特征在于,所述针对每个vit变体模型,对所述测试集中各个测试样本的所有分类结果进行最多数投票,并将投票数量最多的分类结果作为测试集中对应测试样本的候选分类结果,具体为:
5.根据权利要求4所述的高光谱图像分类方法,其特征在于,所述通过遗传算法优化每个vit变体模型的候选分类结果的最优权重,并重新对所述测试样本的候选分类结果进行最多数投票,将投票数量最多的分...
【专利技术属性】
技术研发人员:刘军,郭浩然,贺怡乐,王志辉,彭荧荧,李曼,
申请(专利权)人:湖南中医药大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。