(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210295840.X (22)申请日 2022.03.24 (65)同一申请的已公布的文献号 申请公布号 CN 114399684 A (43)申请公布日 2022.04.26 (73)专利权人 中国科学院西安 光学精密机 械研 究所 地址 710119 陕西省西安市高新区新型工 业园信息大道17号 (72)发明人 张耿　刘松　胡炳樑　傅頔　 李海巍　陈军宇　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 专利代理师 赵逸宸 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01N 21/25(2006.01) (56)对比文件 CN 112149758 A,2020.12.2 9 CN 113392931 A,2021.09.14 CN 109993220 A,2019.07.09 CN 109978041 A,2019.07.0 5 WO 202012742 2 A1,2020.0 6.25 黄婷婷.“基于卷积神经网络的高光谱影 像 开集分类技 术研究”. 《中国优秀博硕士学位 论文 全文数据库(硕士) 工程科技 Ⅱ辑》 .2021,第 C028-85页. TingTing Huang et al. .“Open-Category Classificati on of Hyperspectral Ima ges based on Convolutional Neural Netw orks”. 《ACM》 .2019,第1- 5页. 审查员 丁园园 (54)发明名称 一种基于双损失函数的高光谱图像开放性 分类方法 (57)摘要 本发明为解决现有图像处理中高光谱图像 开放性分类方法中大多采用的为针对图像级进 行分类， 不适用像素级的图像分类； 或在分类处 理过程中易受噪声和混合像元影 响的技术问题， 而提供了一种基于双损失函数的高光谱图像开 放性分类方法。 包括以下步骤： 步骤1、 对已知三 维高光谱图像 X和待测试三维高光谱图像 S的每 个像素分别取邻域块； 步骤2、 构造特征提取网 络， 利用高光谱图像 X的邻域块数据及其相应的 类别标签对特征提取网络进行训练； 步骤3、 获取 相应类别数据的特征向量； 步骤4、 构造双损失函 数分类网络， 利用特征向量训练双损失函数分类 网络； 步骤5、 利用双损失函数分类网络及预设的阈值对三维高光谱图像 S的邻域块数据进行开放 性分类。 权利要求书2页 说明书6页 附图1页 CN 114399684 B 2022.08.05 CN 114399684 B 1.一种基于双损失函数的高光谱图像开 放性分类方法， 其特 征在于， 包括以下步骤： 步骤1、 对已知三维高光谱图像X和待测试三维高光谱图像S的每 个像素分别取邻域 块； 步骤2、 构造特征提取网络， 利用三维高光谱图像X的邻域块数据及其相应的类别标签 对特征提取网络进行训练； 步骤3、 获取相应 类别数据的特 征向量； 步骤4、 构造双损失函数分类网络， 并利用步骤3获取的特征向量训练双损失函数分类 网络； 4.1、 构造双损失函数分类网络 所述双损失函数分类网络包括依次设置的至少1个卷积层、 全连接层输出层和softmax 输出层； 所述卷积层包括依次设置的二维卷积层、 归一 化层和relu激活层； 4.2、 训练双损失函数分类网络 利用训练集对双损失函数分类网络进行训练， 损失函数L由特征损失L1和交叉熵损失L2 加权得到； 定义三维高光谱图像X的数据类别数为C， 每个输入的训练数据x∈Tr， 其有对应的特征 向量fi和类别标签yi， 其中1≤i≤ C， 特征损失L1为： L1＝(f‑fi)2 其中， f为全连接层输出层输出的特 征向量； 交叉熵损失L2为： L2＝ylog(yi) 其中， y为softmax输出层对应 类别标签yi的输出概 率； 总的损失函数L 为： L＝L1+bL2 其中， b为双损失系数， b＞0； 步骤5、 利用已训练好的双损失函数分类网络及预设的阈值Q对待测试三维高光谱图像 S的邻域块数据进行开 放性分类。 2.根据权利要求1所述的基于双损失函数的高光谱图像开放性分类方法， 其特征在于： 步骤1具体为： 将三维高光谱图像X和待测试三维高光谱图像S分别向四周扩展a个像素， 并对扩展处 进行复制填充， 再以原始三 维高光谱图像X和待测试三 维高光谱图像S中的每个像素点为中 心， 选取空间大小为A ×A的邻域块， 邻域块的类别与中心像素点的类别相对应； 其中， a≥1， 且为整数； A＝2a+1。 3.根据权利要求2所述的基于双损失函数的高光谱图像开放性分类方法， 其特征在于， 步骤2具体为： 2.1、 构建特 征提取网络 所述特征提取网络包括依次设置的至少1个卷积层、 全连接层和softmax输出层； 所述卷积层包括依次设置的二维卷积层、 归一 化层和relu激活层； 2.2、 训练特 征提取网络 将已知三维高光谱图像X的邻域块数据进行随机划分， 分为训练集Tr和验证集Te， 利用权　利　要　求　书 1/2 页 2 CN 114399684 B 2训练集数据和其对应的类别标签对特 征提取网络进行训练。 4.根据权利要求3所述的基于双损失函数的高光谱图像开放性分类方法， 其特征在于， 步骤3具体为： 3.1、 将训练好的特征提取网络中的softmax输出层移除， 以全连接层作为输出层， 把训 练集Tr中的每 个数据输入到特 征提取网络中， 通过全连接层输出一个特 征向量； 3.2、 把所有特 征向量根据类别进行平均， 得到每 个类别对应的特 征向量。 5.根据权利要求1 ‑4任一所述的基于双损 失函数的高光谱图像开放性分类方法， 其特 征在于， 步骤5具体为： 将待测试三维高光谱图像S的邻域块数据输入到双损失函数分类网络中， 通过softmax 输出层得到C个输出{y1,…yi,…yc}， 令i＝argmax(y1,…yi,…,yc)， 再根据 下式进行判断， 得到类别i： 其中， Q为预设的阈值； 以此得到待测试三维高光谱图像S的分类结果。 6.根据权利要求5所述的基于双损失函数的高光谱图像开 放性分类方法， 其特 征在于： 步骤2.1中， 所述特征提取网络结构包括依次设置的5个卷积层， 5个卷积核的大小分别 为1×1， 1×1， 1×1， 3×3， 3×3； 卷积核的个数分别为128、 64、 32、 16、 16； 步骤4.1中， 所述双损失函数分类网络依次设置的5个卷积层， 5个卷积核的大小分别为 1×1， 1×1， 1×1， 3×3， 3×3； 卷积核的个数分别为128、 64、 32、 16、 16 。 7.根据权利要求6所述的基于双损失函数的高光谱图像开放性分类方法， 其特征在于， 步骤2.2中： 所述训练集和验证集的划分比例为2:1。 8.根据权利要求7所述的基于双损失函数的高光谱图像开放性分类方法， 其特征在于， 步骤4.2中： b＝4。 9.根据权利要求8所述的基于双损失函数的高光谱图像开放性分类方法， 其特征在于， 步骤5中： Q＝0.9。权　利　要　求　书 2/2 页 3 CN 114399684 B 3