【技術實現步驟摘要】
本專利技術涉及高光譜遙感圖像處理，特別涉及一種高光譜圖像噪聲標簽檢測方法、系統和介質。
技術介紹
1、隨著遙感成像技術的高速發展，高光譜圖像已經實現了對地物的光譜反射和空間信息的同時獲取，從而顯著提高了對地觀測的質量。因此，在諸如農業、環境監測和城市規劃等許多領域，高光譜圖像發揮著至關重要的作用。而高光譜圖像分類技術旨在為圖像中的每個像素分配一個獨特的標簽，這一技術近幾十年來一直受到廣泛關注，進一步加強了對各領域的應用與研究。
2、盡管許多最先進的高光譜圖像分類算法取得了令人滿意的結果，但它們的成功很大程度上歸因于由大量標簽提供的監督信息。這些標簽通常被認為是完全準確的，從而為算法提供了可靠的訓練數據。然而，在各種實際應用中獲取圖像時往往受到大氣干擾、人工標記誤差等因素的影響，不可避免地會存在一些錯誤標記的樣本。這意味著在訓練階段使用的一些標簽并不是正確標記的，這些錯誤標記的樣本被稱為噪聲標簽。近年來，研究者們提出了一系列解決和優化傳統自然圖像領域中噪聲標簽的方案。然而，由于高光譜圖像數據的高維度和光譜混淆問題，上述方法很難直接移植至高光譜圖像噪聲標簽檢測領域。
技術實現思路
1、本專利技術提供了一種高光譜圖像噪聲標簽檢測方法、系統和介質，以解決
技術介紹
所提到的技術問題。
2、為達到上述目的，本專利技術的技術方案是這樣實現的：
3、本專利技術提供了一種高光譜圖像噪聲標簽檢測方法，包括如下步驟：
4、s1、針對源高光譜圖像進行預處理，得
5、s2、對預處理后的高光譜圖像，利用雙通道孤立森林算法構建孤立森林，得到各像素的像素異常概率；
6、s3、對各像素的像素異常概率進行優化得到優化后的噪聲標簽訓練樣本集；
7、s4、從訓練樣本集中將優化后的噪聲標簽訓練樣本集移除，并輸入到訓練好的分類器中，得到最終的識別結果。
8、進一步地，所述s1具體包括如下步驟：
9、s11、針對輸入的源高光譜圖像利用平均分割和譜段融合的方法進行降維，得到降維后的高光譜圖像其中表示三維實數空間，h×w為圖像的空間分辨率，b為源高光譜圖像的波段數，o為降維后的波段數；
10、s12、對降維后的高光譜圖像利用相對全變分算法進行去模糊處理，得到預處理后的高光譜圖像r。
11、進一步地，所述s12中的相對全變分算法通過擴大降維后的高光譜圖像結構和紋理細節的差異，實現圖像去噪、去紋理操作，可表示為：
12、r＝rtv(i，λ，σ)
13、其中，rtv表示對降維后的高光譜圖像利用相對全變分算法進行去模糊操作，λ為正則項的權重參數，σ為尺度參數。
14、進一步地，所述s2具體包括如下步驟：
15、s21、針對預處理后的高光譜圖像r，隨機選取總像素數量的3％作為采樣子集；
16、s22、對采樣子集進行閾值切割，將采樣子集中的像素劃分為兩個第一子節點；
17、s23、重復s22中的劃分子節點操作，直至樹高達到高度限制或者每個第一子節點中像素個數都只有1，完成一顆第一孤立樹的構建；
18、s24、循環s22至s23，不斷重復第一孤立樹的構建過程t次，完成第一全局孤立森林模型的構建，通過第一全局孤立森林模型測試得到基于全局的像素異常概率pg；
19、s25、針對預處理后的高光譜圖像r，提取基于局部的像素異常概率p1；
20、s26、基于全局的像素異常概率pg和基于局部的像素異常概率p1進行像素級融合，得到最終的像素異常概率pf；像素異常概率pf采用公式表示，具體如下：
21、pf＝pg·p1
22、其中，·為點乘符號。
23、進一步地，所述s25具體包括如下步驟：
24、s251、對預處理后的高光譜圖像r進行主成分分析，提取第一主成分圖，并將第一主成分圖輸入至熵率超像素分割算法中，得到n個超像素塊，并以此為索引，將預處理后的高光譜圖像r分割為n個局部同質區域；
25、s252、在第m個同質區域隨機選取像素，并通過第一設定閾值不斷將其劃分為多個第二子節點，直至樹高達到高度限制或者每個第二子節點中像素個數都只有1，從而完成一顆第二孤立樹的構建；
26、s253、重復樹的構建過程t次，完成第m個局部同質區域的第二孤立森林模型的構建，取m＝1，2，...，n，完成所有同質區域的第二孤立森林模型的構建；
27、s254、通過對所有同質區域的第二孤立森林模型進行測試得到基于局部的像素異常概率pl。
28、進一步地，所述s3具體包括如下步驟：
29、s31、對像素異常概率pf利用k均值聚類算法進行聚類，通過k均值聚類算法將訓練樣本集分為兩類，即真實標簽訓練樣本集sc和噪聲標簽訓練樣本集sn；
30、s32、對噪聲標簽訓練樣本集sn的像素計算圖像塊距離以完成對其優化，得到優化后的噪聲標簽訓練樣本集
31、進一步地，所述s32具體包括如下步驟：
32、s321、首先計算表征像素a和b的無向相似性度量du(al，bl)：
33、s322、計算觀測像素xij和xst的圖像塊距離dipd(xij，xst)；
34、s323、計算像素xp對于訓練樣本集的圖像塊距離，也即像素xp和訓練樣本集中所有像素的圖像塊距離的平均值
35、s324、對噪聲標簽訓練樣本集sn中所有像素計算與訓練樣本集的圖像塊距離，并以如下準則判斷其是否為噪聲標簽樣本：
36、
37、其中，β為第二設定閾值；
38、s325、將s324中所有噪聲標簽樣本進行整合，得到優化后的噪聲標簽訓練樣本集
39、進一步地，所述s321中的像素a和b的無向相似性度量du(al，bl)，采用公式表示具體如下：
40、
41、其中，ω表示空間鄰域集；al和bl分別表示空間鄰域集ω(xij)和ω(xst)的第l個像素，即w為正奇數；d(al，b)表示像素al和像素b光譜相似性函數；d(bl，a)表示像素bl和像素a的光譜相似性函數。
42、進一步地，所述s322中的觀測像素xij和xst的圖像塊距離dipd(xij，xst)，采用公式表示具體如下：
43、
44、進一步地，所述s323中的像素xa和訓練樣本集中所有像素的圖像塊距離的平均值采用公式表示具體如下：
45、
46、其中，n表示訓練樣本集中像素的總數量，xq表示訓練樣本集中除像素xp之外的其他像素，q表示訓練樣本集中第幾個像素。
47、進一步地，所述s4具體包括如下步驟：
48、s41、將優化后的噪聲標簽訓練樣本集從訓練樣本集中移除，得到優化后的真實標簽訓練樣本集；
49、s42、以優化后的真實標本文檔來自技高網...
【技術保護點】
1.一種高光譜圖像噪聲標簽檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述S1具體包括如下步驟：
3.根據權利要求1所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述S2具體包括如下步驟：
4.根據權利要求3所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述S25具體包括如下步驟：
5.根據權利要求3所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述S3具體包括如下步驟：
6.根據權利要求5所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述S32具體包括如下步驟：
7.根據權利要求6所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述S322中的觀測像素xij和xst的圖像塊距離dIPD(Xij，Xst)，采用公式表示具體如下：
8.根據權利要求7所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述S323中的像素Xp和訓練樣本集中所有像素的圖像塊距離的平均值采用公式表示具體如下：
9.一種高光譜圖像噪聲標簽檢測系統，其特征在于，包
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機程序，所述計算機程序用于被微處理器編程或配置以執行權利要求1至8任一項所述的高光譜圖像噪聲標簽檢測方法。
...【技術特征摘要】
1.一種高光譜圖像噪聲標簽檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述s1具體包括如下步驟：
3.根據權利要求1所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述s2具體包括如下步驟：
4.根據權利要求3所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述s25具體包括如下步驟：
5.根據權利要求3所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述s3具體包括如下步驟：
6.根據權利要求5所述的高光譜圖像噪聲標簽檢測方法，其特征在于，所述s32具體包括如下步驟：
7.根據權利要求6所述的高光譜圖像噪聲標簽檢測方法，...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。