WiMi Hologram Cloud Inc. gab bekannt, dass es die RandomPatchSpatialSpectrumClassifier (RPSSC)-Technologie entwickelt hat, um die Komplementarität zwischen räumlichen und spektralen Informationen vollständig zu nutzen. Die Forschung und Entwicklung des RPSSC von WiMi kombiniert einen 2D-Gabor-Filter und eine Random-Patch-Faltungsmethode (GRPC) zur Merkmalsextraktion. Zunächst verwendet der RPSSC die Hauptkomponentenanalyse (PCA) und den LDA-Algorithmus, um das ursprüngliche Hyperspektralbild zu verkleinern.

Der Zweck dieses Schritts besteht darin, redundante spektrale Informationen zu eliminieren und gleichzeitig die Hauptinformationen beizubehalten, die Abstandsverhältnisse zwischen und innerhalb der Klassen zu erhöhen und die Daten für die anschließende Merkmalsextraktion und Klassifizierung vorzubereiten. Auf das dimensionalisierte Bild führt RPSSC einen zweidimensionalen Gabor-Filter ein. Gabor-Filter werden häufig im Bereich der Computer Vision verwendet, um räumliche Strukturmerkmale wie Kanten und Texturen von Bildern zu extrahieren.

Durch den Gabor-Filter kann die RPSSC-Technologie die lokale Textur und die räumlichen Informationen im Bild erfassen, was die Grundlage für die anschließende Merkmalsextraktion bildet. Als nächstes wurde die GRPC-Methode auf den RPSSC angewendet, die Gabor-Merkmale als Eingabe verwendet. Die Random Patch Convolution ermöglicht die Extraktion von mehrstufigen Spektralmerkmalen aus einem Bild durch die zufällige Auswahl von Bereichen im Bild und die Durchführung von Faltungsoperationen an diesen Bereichen.

Dieser Schritt zielt darauf ab, räumliche und spektrale Informationen zu synthetisieren, so dass das Modell die Merkmale des Bildes umfassender verstehen kann. Schließlich fusioniert die RPSSC-Technologie die aus der GRPC extrahierten räumlichen Merkmale mit den mehrstufigen spektralen Merkmalen. Durch diesen Fusionsprozess ist das Modell in der Lage, die spektralen Informationen und die lokalen räumlichen Strukturinformationen zu synthetisieren, um eine umfassendere Merkmalsdarstellung für die Bildklassifizierung zu liefern.

Letztendlich verwendet RPSSC einen SVM-Klassifikator (Support Vector Machine), um die fusionierten Merkmale zu klassifizieren und eine genaue Klassifizierung von Hyperspektralbildern zu erreichen. Die GRPC-Merkmalextraktion besteht aus mehreren Schichten, wobei jede Schicht die folgenden Schritte umfasst: PCA: PCA wird auf zufällig ausgewählten Flecken durchgeführt, um spektrale Merkmale zu extrahieren. Aufhellung: Die extrahierten spektralen Merkmale werden aufgehellt, um redundante Informationen zu reduzieren.

Zufällige Projektion: Die aufgehellten Merkmale werden durch Zufallsprojektion in einen Raum mit niedrigeren Dimensionen projiziert. Extraktion von Faltungsmerkmalen: Die Faltungsoperation wird im reduzierten dimensionalen Raum durchgeführt, um mehrstufige spektrale Merkmale zu extrahieren. Die RPSSC-Technologie von WiMi bietet zahlreiche technische Vorteile bei der umfassenden Nutzung der spektralen und räumlichen Merkmale von Hyperspektralbildern.

Sie verbessert die Klassifizierungsgenauigkeit, reduziert die Modellkomplexität und nutzt die Informationen von Hyperspektralbildern vollständig aus, um effektivere Lösungen für praktische Anwendungen zu bieten. Die technischen Vorteile des RPSSC von WiMi sind wie folgt Einfache Struktur und hervorragende Leistung: RPSSC verwendet GRPC, das eine relativ einfache Struktur hat, aber in Experimenten eine ausgezeichnete Leistung zeigt. Durch diese einfache Struktur ist das Modell leichter zu verstehen und zu optimieren und reduziert die Kosten für den Einsatz in realen Anwendungen.

Vollständige Nutzung von räumlichen und spektralen Merkmalen: RPSSC nutzt räumliche und spektrale Merkmale in hyperspektralen Bildern vollständig aus, indem es 2D-Gabor-Filter und GRPC-Methoden kombiniert. Diese kombinierte Nutzung verbessert nicht nur die Klassifizierungsgenauigkeit, sondern offenbart auch die Bedeutung räumlicher Strukturmerkmale, die bei herkömmlichen Methoden oft vernachlässigt werden. Gute Anpassungsfähigkeit: Die RPSSC-Technologie zeigt gute Leistungen bei der Überwindung des Pfefferrauschens und des Phänomens der übermäßigen Glättung bei der Klassifizierung von Hyperspektralbildern. Sie ist auf eine Vielzahl von realen Szenarien anwendbar und erreicht selbst bei einer begrenzten Anzahl von Trainingsproben eine hohe Klassifizierungsgenauigkeit.

Dies ist wichtig für den Umgang mit unregelmäßigen Umgebungen und unvollständigen Daten in praktischen Anwendungen. Stapeln von räumlichen und spektralen Merkmalen: RPSSC realisiert die effektive Stapelung von räumlichen und spektralen Merkmalen, wodurch das Modell Hyperspektralbilder umfassender verstehen kann. Diese umfassende Nutzung verbessert nicht nur die Klassifizierungsgenauigkeit, sondern verbessert auch das Verständnis des Modells für die interne Struktur des Bildes und bietet eine starke Unterstützung für eine detailliertere Klassifizierung.

Anwendbar auf begrenzte Trainingsmuster: RPSSC kann auch bei begrenzten Trainingsmustern eine hohe Klassifizierungsgenauigkeit erreichen. Dieser Vorteil ist in der Praxis besonders wichtig, da es in einigen Bereichen schwierig sein kann, umfangreiche markierte Daten zu erhalten. Die hohe Effizienz von RPSSC macht es für diese schwierigen Szenarien geeignet. Effektive Überwindung der Überglättung: Bei der hyperspektralen Bildverarbeitung führt die Überglättung häufig zu Informationsverlusten und beeinträchtigt die Klassifizierungsgenauigkeit. RPSSC überwindet diese Probleme durch die kombinierte Nutzung räumlicher und spektraler Informationen und verbessert so die Genauigkeit der Bildverarbeitung.

Die RPSSC-Technologie von WiMi hat ein breites Anwendungsspektrum im Bereich der Klassifizierung hyperspektraler Bilder. Die RPSSC-Technologie kann auf hyperspektrale Fernerkundungsbilder angewandt werden, die von Satelliten und Flugzeugen für die Kategorisierung der Bodenbedeckung, die Ressourcenerfassung und die Umweltüberwachung gesammelt wurden. Sie kann zum Beispiel Ackerland, Wälder, Gewässer usw. genau klassifizieren und eine effiziente Verwaltung der natürlichen Ressourcen ermöglichen. Im Bereich der Landwirtschaft kann die RPSSC-Technologie für die Klassifizierung von Kulturpflanzen, die Erkennung von Krankheiten und die Bodenanalyse eingesetzt werden.

Durch die genaue Klassifizierung von Hyperspektralbildern kann sie Landwirten helfen, die landwirtschaftliche Produktion zu optimieren. Außerdem kann die RPSSC-Technologie von WiMi für die Umweltüberwachung eingesetzt werden, z.B. für die Stadtplanung, die Überwachung der Wasserqualität und die Überwachung der Vegetationsdecke. Durch die umfassende Analyse von Hyperspektralbildern lassen sich Wasserverschmutzung und Veränderungen im Ökosystem besser überwachen.