WiMi Hologram Cloud Inc. a annoncé avoir mis au point la technologie RandomPatchSpatialSpectrumClassifier (RPSSC) pour exploiter pleinement la complémentarité entre les informations spatiales et spectrales. La R&D du RPSSC de WiMi combine un filtre de Gabor 2D et une méthode d'extraction de caractéristiques par convolution de patchs aléatoires (GRPC). Tout d'abord, le RPSSC utilise les algorithmes d'analyse en composantes principales (ACP) et de LDA pour réduire l'échelle de l'image hyperspectrale d'origine.

L'objectif de cette étape est d'éliminer les informations spectrales redondantes tout en conservant les informations principales, d'augmenter les rapports de distance inter- et intra-classe et de préparer les données pour l'extraction et la classification ultérieures des caractéristiques. Sur l'image dimensionnée, RPSSC introduit un filtre de Gabor bidimensionnel. Les filtres de Gabor sont largement utilisés dans le domaine de la vision par ordinateur pour extraire des caractéristiques structurelles spatiales telles que les bords et les textures des images.

Grâce au filtre de Gabor, la technologie RPSSC peut capturer la texture locale et les informations spatiales de l'image, ce qui jette les bases de l'extraction ultérieure des caractéristiques. Ensuite, nous avons utilisé la méthode GRPC pour le RPSSC, qui prend les caractéristiques de Gabor en entrée. La convolution de patchs aléatoires réalise l'extraction de caractéristiques spectrales à plusieurs niveaux à partir d'une image en sélectionnant aléatoirement des patchs dans l'image et en effectuant des opérations de convolution sur ces patchs.

Cette étape vise à synthétiser les informations spatiales et spectrales, ce qui permet au modèle de comprendre les caractéristiques de l'image de manière plus complète. Enfin, la technologie RPSSC fusionne les caractéristiques spatiales extraites du GRPC avec les caractéristiques spectrales à plusieurs niveaux. Grâce à ce processus de fusion, le modèle est capable de synthétiser les informations spectrales et les informations sur la structure spatiale locale afin de fournir une représentation plus riche des caractéristiques pour la classification des images.

Enfin, RPSSC utilise une machine à vecteur de support (SVM) pour classer les caractéristiques fusionnées afin d'obtenir une classification précise des images hyperspectrales. L'extraction des caractéristiques du GRPC se compose de plusieurs couches et chaque couche comprend les étapes suivantes : ACP : l'ACP est effectuée sur des parcelles sélectionnées au hasard pour extraire les caractéristiques spectrales. Blanchiment : Les caractéristiques spectrales extraites sont blanchies pour réduire les informations redondantes.

Projection aléatoire : Les caractéristiques blanchies sont projetées dans un espace de dimension inférieure par projection aléatoire. Extraction de caractéristiques par convolution : L'opération de convolution est effectuée dans l'espace de dimension réduite pour extraire les caractéristiques spectrales à plusieurs niveaux. La technologie RPSSC de WiMi présente de nombreux avantages techniques pour l'utilisation complète des caractéristiques spectrales et spatiales des images hyperspectrales.

Elle améliore la précision de la classification, réduit la complexité du modèle et exploite pleinement les informations des images hyperspectrales afin de fournir des solutions plus efficaces pour les applications pratiques. Les avantages techniques du RPSSC de WiMi sont les suivants : Structure simple et excellentes performances : Le RPSSC adopte le GRPC, qui a une structure relativement simple, mais qui montre d'excellentes performances dans les expériences. Cette structure simple rend le modèle plus facile à comprendre et à optimiser, et réduit le coût de déploiement dans les applications réelles.

Utilisation complète des caractéristiques spatiales et spectrales : Le RPSSC utilise pleinement les caractéristiques spatiales et spectrales des images hyperspectrales en combinant les filtres de Gabor 2D et les méthodes GRPC. Cette utilisation combinée améliore non seulement la précision de la classification, mais révèle également l'importance des caractéristiques structurelles spatiales qui sont souvent négligées dans les méthodes traditionnelles. Bonne adaptabilité : La technologie RPSSC permet de surmonter le bruit de poivre et le phénomène de lissage excessif dans la classification des images hyperspectrales. Elle est applicable à divers scénarios du monde réel et permet d'obtenir une grande précision de classification même avec un nombre limité d'échantillons d'entraînement.

Cela est important pour traiter les environnements irréguliers et les données incomplètes dans les applications pratiques. Empilement de caractéristiques spatiales et spectrales : RPSSC réalise l'empilement efficace des caractéristiques spatiales et spectrales, ce qui permet au modèle de comprendre les images hyperspectrales de manière plus complète. Cette utilisation globale améliore non seulement la précision de la classification, mais aussi la compréhension par le modèle de la structure interne de l'image, ce qui permet d'obtenir un soutien solide pour une classification plus détaillée.

Applicable à des échantillons de formation limités : Le modèle RPSSC peut encore atteindre une grande précision de classification avec des échantillons de formation limités. Cet avantage est particulièrement important dans les applications réelles, car dans certains domaines, il peut être difficile d'obtenir des données étiquetées à grande échelle, et l'efficacité élevée du modèle RPSSC le rend adapté à ces scénarios difficiles. Surmonter efficacement le surlissage : dans le traitement des images hyperspectrales, le surlissage entraîne souvent une perte d'informations et affecte la précision de la classification. Le RPSSC surmonte cette difficulté grâce à l'utilisation combinée des informations spatiales et spectrales, ce qui améliore la précision du traitement de l'image.

Le RPSSC de WiMi a un large éventail d'applications dans le domaine de la classification des images hyperspectrales, et la technologie RPSSC peut être appliquée aux images de télédétection hyperspectrales collectées par des satellites et des avions pour la catégorisation de l'occupation des sols, l'étude des ressources et la surveillance de l'environnement. Par exemple, elle permet de classer avec précision les terres agricoles, les forêts, les eaux, etc. et d'assurer une gestion efficace des ressources naturelles. Dans le domaine de l'agriculture, la technologie RPSSC peut être utilisée pour la classification des types de cultures, la détection des maladies et l'analyse des sols.

En classifiant avec précision les images hyperspectrales, elle peut aider les agriculteurs à optimiser la production agricole. Par ailleurs, la technologie RPSSC de WiMi peut être utilisée pour la surveillance de l'environnement, y compris la planification urbaine, la surveillance de la qualité de l'eau et la surveillance de la couverture végétale. L'analyse complète des images hyperspectrales permet de mieux surveiller la pollution de l'eau et les changements dans les écosystèmes.