本發(fā)明屬于目標(biāo)識(shí)別領(lǐng)域，具體涉及一種基于高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法。

背景技術(shù)：

1、高光譜分辨率的成像光譜儀為每一個(gè)成像象元提供很窄的成像波段，并且在某個(gè)光譜區(qū)間是連續(xù)分布的，通過(guò)高分辨率傳感器所獲得的地物的光譜曲線是連續(xù)的光譜信號(hào)。因此地物的分辨識(shí)別能力大大提高，并且可以區(qū)別屬于同一種地物的不同類別。使得“同物異譜”與“同譜異物”的現(xiàn)象減少，而成像通道大大增加。在處理不同應(yīng)用的分析中，光譜的可選擇性變得靈活和多樣化，這極大的增加了通過(guò)遙感手段進(jìn)行分析的目標(biāo)物的數(shù)量，實(shí)現(xiàn)不同目標(biāo)的識(shí)別。

2、而現(xiàn)有技術(shù)中，中國(guó)發(fā)明專利cn117671469a公開了一種基于高光譜圖像與機(jī)器學(xué)習(xí)的海底特小目標(biāo)自動(dòng)識(shí)別方法，涉及特定領(lǐng)域，應(yīng)用范圍過(guò)于狹小，在應(yīng)用于其他目標(biāo)的識(shí)別中識(shí)別精度不高。

3、中國(guó)發(fā)明專利cn115760814a公開了一種基于雙耦合深度神經(jīng)網(wǎng)絡(luò)的遙感圖像融合方法及系統(tǒng)，需要將高光譜遙感圖像和多光譜遙感圖像輸入至雙耦合深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行圖像融合，以實(shí)現(xiàn)目標(biāo)識(shí)別。這樣所要進(jìn)行的計(jì)算量將大大增加，導(dǎo)致識(shí)別效率低，識(shí)別速度下降。

4、有鑒于此，特提出本申請(qǐng)。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中存在的上述問(wèn)題，本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

2、在本發(fā)明的第一方面提供了一種基于高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法，包括以下步驟：

3、s00、建立標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)；所述標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)中包含多個(gè)參考目標(biāo)的多張?zhí)卣鲌D像；每一張?zhí)卣鲌D像中包含參考目標(biāo)的形狀特征、輪廓特征；

4、s10、獲得多張目標(biāo)區(qū)域的高光譜遙感圖像；

5、s20、對(duì)每一張高光譜遙感圖像進(jìn)行降噪處理，對(duì)降噪處理后的每一張高光譜遙感圖像進(jìn)行降維處理；對(duì)降維處理后的多張高光譜遙感圖像進(jìn)行圖像分類；

6、s30、對(duì)每一類高光譜遙感圖像進(jìn)行特征提取，得到每一類高光譜遙感圖像對(duì)應(yīng)的多張目標(biāo)特征圖像；每一張目標(biāo)特征圖像中包含待識(shí)別目標(biāo)的形狀特征、待識(shí)別目標(biāo)的輪廓特征；

7、s40、基于phash算法對(duì)上一步生成的特征圖像與預(yù)設(shè)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中的圖像進(jìn)行對(duì)比分析，劃分為已知目標(biāo)和未知目標(biāo)；

8、s50、通過(guò)層次聚類分析算法對(duì)上述未知目標(biāo)特征進(jìn)行分析，錄入數(shù)據(jù)庫(kù)完成學(xué)習(xí)。

9、在本發(fā)明的一個(gè)實(shí)施例中，s20包括：

10、s201、將圖像通過(guò)全局稀疏正則項(xiàng)分解為高頻分量和低頻分量；

11、s202、從高頻分量通過(guò)分塊選取平滑參數(shù)的樣本值，然后采用貝塞爾方法擬合處平滑參數(shù)曲面，再根據(jù)像素點(diǎn)的坐標(biāo)進(jìn)行對(duì)應(yīng)平滑參數(shù)值的計(jì)算；

12、s203、基于高頻分量和低頻分量自身具有高度相關(guān)性的理論，采用從高頻分量得到的平滑參數(shù)對(duì)低頻圖像進(jìn)行平滑處理，迭代優(yōu)化得到待分類圖像；

13、s204、通過(guò)對(duì)上述待分類圖像中的不同目標(biāo)，按照預(yù)設(shè)的標(biāo)準(zhǔn)值，對(duì)不同目標(biāo)進(jìn)行分類。

14、在本發(fā)明的一個(gè)實(shí)施例中，s30包括：

15、s301、構(gòu)建特征描述子；

16、s302、以特征點(diǎn)為圓心，構(gòu)建多個(gè)不同半徑的離散化bresenham同心圓，然后再每一個(gè)同心圓上獲得具有相同間距的n個(gè)采樣點(diǎn)，由于這種鄰域采樣模式在采樣時(shí)會(huì)產(chǎn)生圖像灰度混疊的影響，所以使用的高斯函數(shù)標(biāo)準(zhǔn)差與各自同心圓上點(diǎn)間距成正比。

17、s303、然后將采樣模式圍繞特征點(diǎn)旋轉(zhuǎn)，進(jìn)而特征描述子具有了旋轉(zhuǎn)不變性。

18、s304、形成特征點(diǎn)的二進(jìn)制字符串描述子。

19、s305、根據(jù)上述方式得到描述子選取具有較大的rgb值差、亮度以及對(duì)比度的特征點(diǎn)，引入特征點(diǎn)方向梯度特征和局部結(jié)構(gòu)特征，生成二進(jìn)制比較模板，計(jì)算特征點(diǎn)周圍區(qū)域的特征，其中，該具有較大的rgb值差、亮度以及對(duì)比度的特征點(diǎn)為rgb值差高于rgb值差的預(yù)設(shè)閾值、亮度高于亮度的預(yù)設(shè)閾值并且對(duì)比度高于對(duì)比度預(yù)設(shè)閾值的特征點(diǎn)。

20、在本發(fā)明的一個(gè)實(shí)施例中，s40包括：

21、s401、將圖片轉(zhuǎn)化成灰度圖像；

22、s402、計(jì)算圖片的dct變換，得到32x32的dct系數(shù)矩陣；

23、s403、保留左上角的8x8的矩陣，計(jì)算dct的均值；

24、s404、根據(jù)8x8的dct矩陣，設(shè)置0到64位的hash值，將大于等于dct均值的hash值設(shè)為1，將小于dct均值的hash值設(shè)為0；

25、s405、利用漢明距離計(jì)算兩張圖片的差異哈希相似度，判斷目標(biāo)是否為已知目標(biāo)。

26、在本發(fā)明的一個(gè)實(shí)施例中，s50包括：

27、s501、將未知目標(biāo)圖像的像素點(diǎn)分成不同的區(qū)域，所有區(qū)域數(shù)據(jù)視為一個(gè)單一的聚類。

28、s502、選擇一個(gè)分裂數(shù)據(jù)，通常是聚類內(nèi)部方差最大的點(diǎn)。

29、s503、將當(dāng)前聚類分裂成多個(gè)子聚類。

30、s504、將分裂得到的子聚類加入到聚類集合中。

31、s505、重復(fù)步驟s502-s504：直到每個(gè)數(shù)據(jù)都是一個(gè)單獨(dú)的聚類或者達(dá)到預(yù)設(shè)條件。

32、在本發(fā)明的第二方面，提供了一種電子設(shè)備包括高光譜圖像采集器、圖像處理器、計(jì)算處理器和存儲(chǔ)器，高光譜圖像采集器用于獲取目標(biāo)區(qū)域圖像，圖像處理模塊用于圖像處理、分類，計(jì)算處理器用于讀取所述計(jì)算程序，存儲(chǔ)器用于存儲(chǔ)標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)以及上述程序，執(zhí)行第一方面所述的高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法。

33、在本發(fā)明的第三方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有指令，當(dāng)所述指令在計(jì)算機(jī)上運(yùn)行時(shí)，執(zhí)行如第一方面所述的高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法。

34、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點(diǎn)和有益效果：

35、1、本發(fā)明實(shí)現(xiàn)了各種不同目標(biāo)的識(shí)別，在標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)中添加各種不同已知目標(biāo)的標(biāo)準(zhǔn)圖像后，通過(guò)對(duì)標(biāo)準(zhǔn)圖像中形狀特征、輪廓特征的提取，實(shí)現(xiàn)對(duì)各種目標(biāo)的識(shí)別。

36、2、通過(guò)對(duì)高光譜遙感圖像的預(yù)處理、分類，特征提取，特征對(duì)比等步驟實(shí)現(xiàn)了對(duì)目標(biāo)的快速識(shí)別。

技術(shù)特征：

1.一種基于高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述一種基于高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法，其特征在于，對(duì)每一張高光譜遙感圖像進(jìn)行降噪處理的方法為：基于系數(shù)平滑處理算法對(duì)每一張高光譜遙感圖像進(jìn)行處理；具體包括以下步驟：

3.根據(jù)權(quán)利要求2所述一種基于高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法，其特征在于，基于phhash算法將每一張目標(biāo)特征圖像的形狀特征與每一張?zhí)卣鲌D像的形狀特征進(jìn)行對(duì)比分析，包括以下步驟：

4.根據(jù)權(quán)利要求3所述一種基于高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法，其特征在于，采用層次聚類分析算法對(duì)所述分析結(jié)果進(jìn)行處理，包括：

技術(shù)總結(jié)
本發(fā)明屬于目標(biāo)識(shí)別領(lǐng)域，提供了一種基于高光譜遙感與機(jī)器學(xué)習(xí)融合的目標(biāo)識(shí)別方法，包括以下步驟：建立標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)；獲得多張目標(biāo)區(qū)域的高光譜遙感圖像；對(duì)每一張高光譜遙感圖像進(jìn)行預(yù)處理和分類；對(duì)每一類高光譜遙感圖像進(jìn)行特征提取，得到每一類高光譜遙感圖像對(duì)應(yīng)的多張目標(biāo)特征圖像；基于PHhash算法將每一張目標(biāo)特征圖像的形狀特征與每一張?zhí)卣鲌D像的形狀特征進(jìn)行對(duì)比分析，得到分析結(jié)果；采用層次聚類分析算法對(duì)所述分析結(jié)果進(jìn)行處理，輸出目標(biāo)識(shí)別結(jié)果；所述目標(biāo)識(shí)別結(jié)果包括已知目標(biāo)和未知目標(biāo)。本發(fā)明具有應(yīng)用范圍廣，識(shí)別目標(biāo)種類多，識(shí)別準(zhǔn)確，快速的優(yōu)點(diǎn)。

技術(shù)研發(fā)人員：劉婷
受保護(hù)的技術(shù)使用者：天澤智慧科技（成都）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/14