本发明涉及高光谱影像，特别涉及一种农作物高光谱影像分类方法、装置、设备和介质。
背景技术：
1、农作物高光谱影像是一种利用高光谱遥感技术获取的影像数据，它记录了农作物在可见光、近红外到短波红外等多个光谱波段的信息。与传统的多光谱影像相比，高光谱影像具有更高的光谱分辨率，可以提供连续的光谱信息，有助于识别农作物类别。基于高光谱影像对农作物进行分类可以进行品种鉴别等操作，有助于实现农业资源的优化配置和可持续发展。
2、现有技术中，cn117456274a公开了一种高光谱影像分类方法。该方法首先基于深度密集残差网络分别提取影像的深度光谱特征、空间特征和空谱特征，然后采用多核学习方法将三个深层特征映射到高维空间实现特征间的自适应融合，最后在多核融合特征的基础上，利用多核支持向量机对高光谱影像进行分类。
3、但是，实际中不同的农作物可能采用不同的种植模式，如行栽、点播、条播等，不同农作物的种植方式可能导致它们的冠层(即农作物的地上部分)在生长过程中相互交织或混合，从而在高光谱影像图像上产生不清晰的边界。而上述方法仅关注于高光谱影像的深层特征，可能会导致由于提取的农作物特征过于深层或抽象而对边界处的农作物分类不准确。
技术实现思路
1、基于此，本说明书提供一种农作物高光谱影像分类方法、装置、设备和介质，可以解决现有技术中对边界处的农作物分类不准确的技术问题。
2、本说明书采用下述技术方案：
3、本说明书提供一种农作物高光谱影像分类方法，包括：
4、获取待分类农作物的高光谱影像；
5、通过调整gabor滤波器的角度和中心频率，提取待分类农作物高光谱影像中不同方向和不同尺度的农作物边界纹理特征以表达位于农作物边界处的混合冠层的特性；
6、使用2d卷积神经网络提取待分类农作物的深层空间特征；
7、将农作物边界纹理特征和深层次空间特征进行融合，将融合结果输入到多核支持向量机中进行农作物分类。
8、进一步地，在提取农作物边界纹理特征和所述深层空间特征之前，使用主成分分析pca对农作物高光谱影像hsi进行降维，具体包括以下步骤：
9、将待分类农作物高光谱影像转换为数据矩阵，其中每个像素是一个行向量，每个波段是一个列向量；
10、通过对数据矩阵进行标准化处理以将每个波段的均值为0、标准差为1，计算标准化后数据矩阵的协方差矩阵，对协方差矩阵进行特征分解，得到特征值和与特征值对应的特征向量；
11、选择排序为前3的特征值所对应的特征向量构建投影矩阵；
12、使用投影矩阵对待分类农作物高光谱影像进行投影，得到降维后的主成分影像ιpca(x,y)。
13、进一步地，在进行特征融合之前，使用简单线性迭代聚类方法将待分类农作物高光谱影像中的像素聚合成具有相似特征的区域影像，具体包括以下步骤：
14、s1.按照设定的超像素个数，在主成分影像ιpca(x,y)内均匀分配聚类中心；
15、s2.计算各聚类中心邻域内所有像素点的梯度值，将邻域内梯度值最小的像素点作为新的聚类中心；
16、s3.计算像素点与其周围聚类中心的距离d：
17、
18、其中，li、ai、bi分别为像素点i在lab颜色空间的三个值，lj、aj、bj分别为像素点j在lab颜色空间的三个值；ds为空间距离；xi、yi分别是像素点i的位置坐标，xj、yj分别是像素点j的位置坐标；e是自然常数；q表示空间邻近性和颜色的相对重要性，q越大，空间邻近性越重要，获取的分类区域越紧凑，反之，颜色距离更重要；
19、s4.先将像素点标记为与其距离最小的聚类中心所属的类，其次重新计算聚类中心；计算属于同一聚类中心所有像素点的平均值，将平均值作为新的聚类中心，直到新旧聚类中心误差小于一定阈值或达到一定迭代次数结束聚类；
20、s5.重复步骤s2～s4，直至达到预设条件时停止重复，获得若干个超像素子域；
21、将超像素子域的灰度共生矩阵特征作为超像素特征。
22、进一步地，所述农作物边界纹理特征的获取，具体包括：
23、构造gabor滤波函数：
24、
25、其中，θ表示高斯函数长轴与平面波的旋转角度；x、y表示原始时域中的坐标；f表示滤波器中心频率，γ和η分别表示滤波器在长轴和短轴方向的尖锐程度；π表示圆周率；
26、对gabor滤波进行归一化，使用归一化的gabor滤波对主成分影像ιpca(x,y)进行卷积运算：
27、gu,v(x,y)＝|ιpca(x,y)*ψu,v(x,y)|
28、其中，ψu,v(x,y)为gabor滤波函数，u和v表示由原始时域坐标x,y经过傅里叶变换后在频域中的坐标；gu,v(x,y)表示农作物边界纹理特征。
29、进一步地，所述深层空间特征的提取，包括：
30、获取主成分影像ιpca(x,y)每个像素点空间邻域大小为m×m×3的图像块；
31、使用由64个大小为3×3卷积核构成的二维卷积层对图像块进行卷积操作，以提取浅层特征；
32、使用4个依次连接的残差单元对二维卷积层的输出进行卷积操作，以提取深层特征；所述空间残差单元包含两个卷积层，每个卷积层使用relu作为激活函数，其中每个卷积核大小均为3×3，4个空间残差单元采用密集连接的方式；
33、采用密集连接将浅层特征和深层特征进行合并，获得深层空间特征。
34、进一步地，还包括使用多核学习将所述超像素特征与农作物边界纹理特征、深层次空间特征进行融合；具体包括：
35、选择采用高斯核函数、线性核函数、多项式核函数和sigmoid核函数作为基核，并为每个基核函数初始化权重d＝[d1,d2,...,dp]t；
36、设定目标函数：
37、
38、其中，dm为第m个基核函数对应的权值，p是基核函数的数量；fm为对应的基核km所在再生核的希尔伯特空间hm内的判别函数，b是偏置参数，c是正则化参数，zi是类别目标值，si是所提取的第i个样本的特征，ξ是松弛因子，l是样本数量；
39、通过最小化目标函数得到最优权重d*；
40、根据最优权重d*计算合成核矩阵k：
41、
42、其中，s表示要分类的数据；
43、根据合成核矩阵k构造分类判决函数：
44、
45、其中，m为基核的数目，n表示样本的数量，表示拉格朗日对偶参数，b*表示偏置参数，k(si,s)为给定的正定核函数。
46、本说明书提供一种农作物高光谱影像分类装置，包括：
47、数据获取模块，用于获取待分类农作物的高光谱影像；
48、特征提取模块，用于通过调整gabor滤波器的角度和中心频率，提取待分类农作物高光谱影像中不同方向和不同尺度的农作物边界纹理特征以表达位于农作物边界处的混合冠层的特性；使用2d卷积神经网络提取待分类农作物的深层空间特征；
49、分类模块，用于将农作物边界纹理特征和深层次空间特征进行融合，将融合结果输入到多核支持向量机中进行农作物分类。
50、本说明书提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述农作物高光谱影像分类方法。
51、本说明书提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述农作物高光谱影像分类方法。
52、本发明提供一种农作物高光谱影像分类方法、装置、设备和介质，与现有技术相比，其有益效果如下：
53、在本说明书提供的一种农作物高光谱影像分类方法中，使用gabor滤波、2d cnn提取分别农作物高光谱影像的农作物边界纹理特征、深层次空间特征；然后将上述两个特征进行融合；最后通过多核学习支持向量机实现对高光谱影像中农作物的分类。
54、本发明通过gabor滤波获得了不同方向和不同尺度的农作物边界纹理特征，该农作物边界纹理特征通过从不同方向和不同尺度可以清晰具体地表达位于农作物边界处的混合冠层的特性；通过将农作物边界纹理特征与深层空间特征进行融合，综合利用了深层空间特征的泛化表征优势和边界农作物边界纹理特征的清晰具体表征优势，从而对边界处的农作物分类更加准确。
1.一种农作物高光谱影像分类方法，其特征在于，包括:
2.根据权利要求1所述的农作物高光谱影像分类方法，其特征在于，在提取农作物边界纹理特征和所述深层空间特征之前，使用主成分分析pca对农作物高光谱影像hsi进行降维，具体包括以下步骤：
3.根据权利要求2所述的农作物高光谱影像分类方法，其特征在于，在进行特征融合之前，使用简单线性迭代聚类方法将待分类农作物高光谱影像中的像素聚合成具有相似特征的区域影像，具体包括以下步骤：
4.根据权利要求2所述的农作物高光谱影像分类方法，其特征在于，所述农作物边界纹理特征的获取，具体包括：
5.根据权利要求2所述的农作物高光谱影像分类方法，其特征在于，所述深层空间特征的提取，包括：
6.根据权利要求3所述的农作物高光谱影像分类方法，其特征在于，还包括使用多核学习将所述超像素特征与农作物边界纹理特征、深层次空间特征进行融合；具体包括：
7.一种农作物高光谱影像分类装置，其特征在于，包括：
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～6任一项所述的方法。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～6任一所述的方法。
