用于抗紫边识别的高光谱深度学习识别方法
1.技术邻域
2.本发明属于高光谱成像与深度学习技术邻域，具体涉及一种用于抗紫边识别的高光谱深度学习识别方法。
背景技术：3.在高光谱识别的过程中，往往由于拍摄不清晰出现紫边等信息模糊的区域，提高这部分信息模糊区域的识别精度，可以结合信息模糊区域周围的像素点进行补全。传统的深度学习方法当中，往往不对这部分信息模糊的区域进行标注，这固然能够提高模型在训练集当中的预测精度，但是在实际的生产预测过程中，这部分信息模糊的区域会造成极其严重的后果，包括使得机器出现分选带出率过高的问题。目前，深度学习所构建的光谱识别算法，往往基于人工标注的类别数据。但是，人工标注的过程往往不会对物体类别信息不明确的光谱信息进行标注，这导致深度学习模型在训练集中的预测精度较高但是在实际生产的预测中精度较差。实现对紫边区域的准确识别，在当前的识别技术下难以实现。
4.然而这部分区域的类型是可以根据邻域点的类别特征进行预测的，因此，构建一个基于类别分布先验知识的先验判别网络，对于提高深度学习算法的识别率具有十分重要的意义。
技术实现要素：5.本发明解决的技术问题：提供一种先利用贝叶斯公式分析周围区域获得先验分类结果；再使用神经网络对待识别区域进行识别，提高识别精度的用于抗紫边识别的高光谱深度学习识别方法。
6.技术方案：为了解决上述问题，本发明所采用的技术方案如下：
7.一种用于抗紫边识别的高光谱深度学习识别方法，其特征在于：根据高光谱图像中待识别点的邻域点的光谱特征，先对邻域的识别结果进行检测，利用贝叶斯公式分析周围区域获得先验分类结果；再使用神经网络对待识别区域进行识别，实现提高网络对于信息缺乏区域的识别精度。
8.进一步地，具体包括以下步骤：
9.s1：采集不同物质混杂的高光谱图像，并数据进行校正与降噪；
10.s2：对采集到的高光谱图像进行光谱数据的标注，使信息模糊的区域被分为同一类别；
11.s3：对模型进行训练时，先得到邻域特征变量统计表，然后构建贝叶斯先验判别网络，利用贝叶斯公式分析周围区域获得先验分类结果；
12.s4：使用神经网络对待识别区域进行识别，如果输出类别为信息模糊的区域，则提取该区域的邻域图像，使用贝叶斯先验判别网络进行判别。
13.进一步地，步骤s2中，标注的类别包括待识别的类别、信息模糊的区域类别，信息模糊的区域类别包括紫边区域。
14.进一步地，所述步骤s3的具体实现方法如下：
15.s31：首先构建一个n
×
n的滑动窗口，n为大于1的奇数；
16.s32：使用滑动窗口在图像上滑动收集邻域特征，构建邻域特征变量统计表，以及与之对应的中央的像素类型；
17.s33：将图像划分为4个邻域区块，对这些区块内的元素进行合并，块内元素合并为c类；
18.s34：对邻域特征变量统计表进行位置交叉，交叉后的结果存入邻域特征变量的统计表，不断扩充邻域特征变量统计表。
19.s35：基于各个不同的区块邻域特征，构建贝叶斯分类器。
20.进一步地，步骤s33中，像素区块合并时，使用以下方法实现：
21.s331：初始化二维的类别列表，并将第一个像素区块加入到类别列表中；
22.s332：从收集的像素区块中，取出下一个像素区块，并将其与类别列表中的所有元素块相比较，满足一下比较条件的像素块加入到相同的一维类别列表中，否则创建新的一维类别列表，并包含到已创建的二维类别列表中，比较条件如下：
[0023][0024]
式中，b1和b2表示两个待比较的像素区块，n表示滑动窗口的大小；
[0025]
s333：重复s332中的步骤，直至所有的像素块都与二维类别列表中的元素完成比较，完成后，二维类别列表中的一维类别列表个数即为像素区块的类型数量c。
[0026]
进一步地，构建的贝叶斯分类器的函数如下：
[0027][0028]
式中，p表示相应的条件概率，y表示中央的像素类型，x表示4个区块类型，c表示像素区块的类型数量。
[0029]
有益效果：与现有技术对比，本发明的优点包括：
[0030]
(1)本发明将区域空间交叉技术应用于高光谱图像识别邻域，对于原本信息模糊区域，利用区域空间交叉技术将邻域点的空间像素信息进行紫边等信息模糊区域的预测，进而为基于深度学习的光谱图像识别提高了识别精度。
[0031]
(2)本发明在构建先验判别网络的过程当中，对像素的不同区块进行了区块级的像素融合，使得邻域特征得到了扩充，提高了预测时的空间鲁棒性。
[0032]
(3)本发明利用紫边等信息模糊区域的邻域信息构建先验判别网络，并为神经网络构建了模糊信息类别，在预测出模糊信息类别后，结合紫边等信息模糊区域的邻域特征信息，精准预测模糊信息区域的类别，进而提高基于深度学习的光谱图像的识别精度。
附图说明
[0033]
图1是紫边区域的所造成的的影响；
[0034]
图2是额外增加标注类别的光谱图示例；
[0035]
图3是预测过程图。
具体实施方式
[0036]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合具体实施例对本发明的具体实施方式做详细的说明。
[0037]
本发明的用于抗紫边识别的高光谱深度学习识别方法，主要包括以下步骤：
[0038]
步骤1：采集一些不同物质混杂的高光谱图像，并数据进行校正与降噪，采集到的图像如图1所示，可以看到物体中心区域和边缘信息模糊区域的光谱特征差异较大，影响到模糊信息区域的预测；
[0039]
利用芬兰specim公司的fx10e系列高光谱成像仪获取植物在400到1000nm的反射光谱图像；
[0040]
步骤2：首先，对采集到的高光谱图像进行光谱数据的标注，确保紫边等信息模糊的区域被分为同一类别。
[0041]
标注的类别包括待识别的类别与紫边等信息模糊的区域类别，额外增加标注类别的光谱图如图2所示。另外还有包含额外标签的数据，可用来训练深度神经网络。
[0042]
步骤3：在模型的训练过程中，首先构建贝叶斯先验判别网络，统计各个点与邻域点的类别关系，依据高光谱图像中待识别点的邻域点的光谱特征，得出邻域特征变量统计表。具体实现步骤如下：
[0043]
步骤31：首先构建一个n
×
n的滑动窗口，n为大于1的奇数；
[0044]
步骤32：使用滑动窗口在图像上滑动收集邻域特征，构建个邻域特征变量的统计表，以及与之对应的中央的像素类型y；
[0045]
步骤33：将图像划分为4个邻域区块，对这些区块内的元素进行合并，块内元素合并为c类；将像素区块合并的具体方法如下：
[0046]
步骤331：初始化二维的类别列表，并将第一个像素区块加入到类别列表中；
[0047]
步骤332：从收集的像素区块中，取出下一个像素区块，并将其与类别列表中的所有元素块相比较，满足一下比较条件的像素块加入到相同的一维类别列表中，否则创建新的一维类别列表，并包含到已创建的二维类别列表中，比较条件如下：
[0048][0049]
式中，b1和b2表示两个待比较的像素区块，n表示滑动窗口的大小；
[0050]
步骤333：重复步骤332，直至所有的像素块都与二维类别列表中的元素完成比较，完成后，二维类别列表中的一维类别列表个数即为像素区块的类型数量c。
[0051]
步骤34：对邻域特征变量统计表进行位置交叉，将滑窗看作一个矩阵w，对邻域特征变量统计表进行位置交叉的具体方式如下：
[0052]
a.与交换并将交换后的结果存入邻域特征变量统计表中；
[0053]
b.与交换并将交换后的结果存入邻域特征变量统计表中；
[0054]
经过上述步骤后，使得邻域特征变量统计表得到了扩充，提高了预测时的空间鲁棒性。
[0055]
步骤3.5：基于各个不同的区块邻域特征，构建贝叶斯分类器，构建的函数如下：
[0056][0057]
式中，p表示相应的条件概率，y表示中央的像素类型，x表示4个区块类型，c表示像素区块的类型数量。
[0058]
s4：使用神经网络对待识别区域进行识别，如果输出类别为信息模糊的区域，则提取该区域的邻域图像，使用贝叶斯先验判别网络进行判别。
[0059]
如图3所示，图中由左到右分别为：光谱图的原图、深度学习模型的预测结果(图中被白色点状线包围区域为未知类，其余灰色区域为异物类，可以看到植物茎秆的四周由于紫边效应出现了大量的模糊区域)和贝叶斯先验判别网络识别后识别到的异物区域(可以看到误识别的紫边区域已经被正确识别，并被归类到了非异物类别)。
技术特征：1.一种用于抗紫边识别的高光谱深度学习识别方法，其特征在于：根据高光谱图像中待识别点的邻域点的光谱特征，先对邻域的识别结果进行检测，利用贝叶斯公式分析周围区域获得先验分类结果；再使用神经网络对待识别区域进行识别，实现提高网络对于信息缺乏区域的识别精度。2.根据权利要求1所述的用于抗紫边识别的高光谱深度学习识别方法，其特征在于，包括以下步骤：s1：采集不同物质混杂的高光谱图像，并数据进行校正与降噪；s2：对采集到的高光谱图像进行光谱数据的标注，使信息模糊的区域被分为同一类别；s3：对模型进行训练时，先得到邻域特征变量统计表，然后构建贝叶斯先验判别网络，利用贝叶斯公式分析周围区域获得先验分类结果；s4：使用神经网络对待识别区域进行识别，如果输出类别为信息模糊的区域，则提取该区域的邻域图像，使用贝叶斯先验判别网络进行判别。3.根据权利要求2所述的用于抗紫边识别的高光谱深度学习识别方法，其特征在于，步骤s2中，标注的类别包括待识别的类别、信息模糊的区域类别，信息模糊的区域类别包括紫边区域。4.根据权利要求2所述的用于抗紫边识别的高光谱深度学习识别方法，其特征在于，所述步骤s3的具体实现方法如下：s31：首先构建一个n
×
n的滑动窗口，n为大于1的奇数；s32：使用滑动窗口在图像上滑动收集邻域特征，构建邻域特征变量统计表，以及与之对应的中央的像素类型；s33：将图像划分为4个邻域区块，对这些区块内的元素进行合并，块内元素合并为c类；s34：对邻域特征变量统计表进行位置交叉，交叉后的结果存入邻域特征变量的统计表，不断扩充邻域特征变量统计表。s35：基于各个不同的区块邻域特征，构建贝叶斯分类器。5.根据权利要求4所述的用于抗紫边识别的高光谱深度学习识别方法，其特征在于，步骤s33中，像素区块合并时，使用以下方法实现：s331：初始化二维的类别列表，并将第一个像素区块加入到类别列表中；s332：从收集的像素区块中，取出下一个像素区块，并将其与类别列表中的所有元素块相比较，满足一下比较条件的像素块加入到相同的一维类别列表中，否则创建新的一维类别列表，并包含到已创建的二维类别列表中，比较条件如下：式中，b1和b2表示两个待比较的像素区块，n表示滑动窗口的大小；s333：重复s332中的步骤，直至所有的像素块都与二维类别列表中的元素完成比较，完成后，二维类别列表中的一维类别列表个数即为像素区块的类型数量c。6.根据权利要求4所述的用于抗紫边识别的高光谱深度学习识别方法，其特征在于，构建的贝叶斯分类器的函数如下：
式中，p表示相应的条件概率，y表示中央的像素类型，x表示4个区块类型，c表示像素区块的类型数量。
技术总结本发明公开了一种用于抗紫边识别的高光谱深度学习识别方法，属于高光谱成像与深度学习技术邻域。根据高光谱图像中待识别点的邻域点的光谱特征，先对邻域的识别结果进行检测，利用贝叶斯公式分析周围区域获得先验分类结果；再使用神经网络对待识别区域进行识别，提高网络对于信息缺乏区域的识别精度。本发明在图像识别的过程中，利用像素周围区域的光谱信息为紫边区域提供识别的数据支持，进而使得紫边区域能在光谱信息缺少的情况下，能够利用邻域信息提高识别精度。将高光谱技术和图像先验知识结合，利用待识别点与周围点的空间关系，进而提高紫边区域的识别精度，对于提高深度学习算法的识别率具有十分重要的意义。习算法的识别率具有十分重要的意义。习算法的识别率具有十分重要的意义。
技术研发人员：倪超 周超 李振业 程磊 过奕任
受保护的技术使用者：南京林业大学
技术研发日：2022.03.31
技术公布日：2022/7/5
