本技术介绍了一种创新的跨场景高光谱图像分割技术,该技术依托于风格转换机制。该方法涵盖了创建跨场景高光谱图像分割数据集、多视角信息融合分割网络以及风格转换机制的构建,旨在提高图像分割的准确性和适应性。
背景技术
高光谱遥感技术因其能够提供丰富的光谱信息,在环境监测、农业管理、城市规划等领域得到广泛应用。高光谱图像通过捕捉从可见光到近红外波段的数据,能够有效识别和分类地物。然而,实际应用中,高光谱图像的处理面临许多挑战,尤其是跨场景分割任务中的模型迁移问题。
传统的高光谱图像分割方法通常依赖于深度学习技术进行特征提取,但大多数方法假设训练和测试数据来自相同场景或数据源。然而,卫星图像的拍摄条件、视角、光照等因素存在差异,导致不同卫星的高光谱图像之间存在显著的风格差异。这种差异使得源域模型难以直接迁移到目标域,影响了模型的跨场景适应能力。
为了解决这一问题,风格转换技术被提出作为一种有效的跨域迁移方法。风格转换能够通过调整源域图像的风格,使其接近目标域图像,从而减小风格差异带来的影响。然而,现有的风格转换方法在高光谱图像分割中的应用仍然存在一定局限,尤其是在跨场景的分割任务中,如何保留高光谱图像的细节信息并有效处理风格差异,仍是一个难点。
基于此,本发明提出了一种基于风格转换的跨场景高光谱图像分割方法。该方法通过构建跨场景数据集,并引入多视角信息融合分割网络,有效聚合高光谱图像的空间和光谱信息。同时,采用风格转换技术解决了不同卫星图像之间的风格差异问题,实现了源域模型向目标域的有效迁移。本发明通过结合风格转换和多视角信息融合,显著提升了高光谱图像分割的精度和跨场景适应性,为遥感数据分析提供了更加稳定和精准的解决方案。
实现思路