本技术涉及摇感图像处理，尤其涉及一种高光谱图像分类方法、装置、电子设备及存储介质。
背景技术：
1、高光谱图像包含数百个连续的窄光谱波段，具有相当高的光谱分辨率和丰富的光谱空间信息，从而被广泛应用于遥感图像处理领域。高光谱图像分类作为遥感图像处理中的一项重要任务，其旨在为高光谱图像中的每一个像元分配一个土地覆盖类别的标签，用于标识该区域土地覆盖的物质情况，在矿产勘探、农业规划、作物检测、城市建设规划等方面起着至关重要的作用。
2、目前的高光谱图像分类方法大多是通过使用数量足够多、类别标签足够准确的标记样本对模型进行训练优化，从而得到一个具有不错分类精度的高光谱图像分类模型实现对某个特定场景数据的分类。然而在实际应用过程中，由于高光谱遥感数据采集和人工标注的成本、复杂度等问题，现有的已标注高光谱遥感数据的数据量相对有限。此外，由于高光谱遥感影像在获取过程中会受到诸如传感器非线性差异、同一区域地表覆盖类型在不同尺度、不同季节条件和天气气候情况下物质组成不同等因素的影响，导致即使是针对同一块地表区域进行的高光谱遥感数据采集，在使用的传感器或拍摄的季节气候不同时，得到的高光谱遥感影像之间也会存在一定的光谱反射率差异，这就使得现有的高光谱图像分类方法在面对这种新场景数据时的分类性能较差，难以实现跨场景分类的需求。
3、综合所述可知，如何设计一种精准、可靠的跨场景高光谱图像分类方法是目前亟需解决的问题。
技术实现思路
1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本技术的第一个目的在于提出一种高光谱图像分类方法，以解决现有技术手段跨场景高光谱遥感图像分类泛化性差、分类误差高等问题。
3、本技术的第二个目的在于提出一种装置。
4、本技术的第三个目的在于提出一种电子设备。
5、本技术的第四个目的在于提出一种计算机可读存储介质。
6、为达上述目的，本技术第一方面实施例提出了一种高光谱图像分类方法，包括：
7、利用变分推理的损失函数对基于扩散模型的域数据扩展模型进行训练，得到训练完成的域数据扩展模型；
8、利用所述训练完成的域数据扩展模型对源域场景数据进行扩充，生成扩展域场景数据；
9、基于所述扩展域场景数据及所述源域场景数据，利用监督对比学习和对比对抗学习损失函数对判别器网络模型进行训练，得到训练完成的判别器网络模型；
10、利用所述训练完成的判别器网络模型对目标域场景数据进行特征提取和分类预测，得到所述目标域场景数据的土地覆盖类别。
11、优选地，所述利用变分推理的损失函数对基于扩散模型的域数据扩展模型进行训练，得到训练完成的域数据扩展模型包括：
12、对所述源域场景数据中已标注像元进行块划分，得到多个源域场景的高光谱图像块以及所述多个源域场景的高光谱图像块对应的土地覆盖类别标签；
13、对所述土地覆盖类别标签中除中心像素外的各个像素点的标签进行随机掩盖或重排序处理，得到新土地覆盖类别标签；
14、对所述新土地覆盖类别标签进行信息提取，指导所述域数据扩展模型从所述源域场景的高光谱图像块中提取不同类别的特征学习，得到与所述新土地覆盖类别标签对应的扩展域高光谱图像块；
15、利用所述变分推理的损失函数对所述域数据扩展模型进行训练，得到训练完成的域数据扩展模型。
16、优选地，所述变分推理的损失函数的计算公式为：
17、
18、其中，为变分推理的损失函数，为时刻的噪声，为用于丰富地图生成的未训练unet网络，为unet网络参数，为端元生成的未训练全连接网络，为全连接网络参数，为统计参数，表示将其转为向量形式表达，为用于生成第r个丰度地图的低维随机向量，为用于生成第r个端元的低维随机向量。
19、优选地，所述利用所述训练完成的域数据扩展模型对源域场景数据进行扩充，生成扩展域场景数据包括：
20、对所述训练完成的域数据扩展模型输入源域场景的高光谱图像块和所述源域场景的高光谱图像块对应的土地覆盖类别标签，随机的生成一组与源域数据存在地理信息差异的扩展域数据以及所述扩展域数据对应的土地覆盖类别标签；
21、获取多个与源域数据存在地理信息差异的扩展域数据以及所述扩展域数据对应的土地覆盖类别标签，对划分得到的每一个源域场景高光谱图像块，依次输入至所述训练完成的域数据扩展模块中，得到一组与其存在差异的扩展域数据，得到扩展域场景数据。
22、优选地，所述基于所述扩展域数据及所述源域场景数据，利用监督对比学习和对比对抗学习损失函数对判别器网络模型进行训练，得到训练完成的判别器网络模型包括：
23、构建判别器网络模型；
24、利用所述判别器网络模型对所述源域场景数据和所述扩展域场景数据进行特征提取，得到源域特征值和扩展域特征值，通过所述判别器网络模型对所述源域特征值和所述扩展域特征值进行分类处理，得到源域特征分类结果、源域特征变换结果、扩展域特征分类结果以及扩展域特征变换结果；
25、基于所述源域特征分类结果、所述源域特征变换结果、所述扩展域特征分类结果以及所述扩展域特征变换结果，使用监督对比学习和对比对抗学习损失函数进行损失计算，得到训练完成的判别器网络模型。
26、优选地，所述判别器网络模型训练的总损失函数计算公式为：
27、
28、其中，为监督对比学习损失函数，为对比对抗学习损失函数，为监督对比学习损失函数的权重，为对比对抗学习损失函数的权重。
29、优选地，所述方法还包括：采用动态统计量调节方法对目标域场景数据的统计量与源域场景数据的统计量进行动态调节。
30、为达上述目的，本技术第二方面实施例提出了一种高光谱图像分类装置，包括：
31、数据域扩展模块，利用变分推理的损失函数对基于扩散模型的域数据扩展模型进行训练，得到训练完成的域数据扩展模型；
32、扩展域场景数据模块，利用所述训练完成的域数据扩展模型对源域场景数据进行扩充，生成扩展域场景数据；
33、判别器训练模块，基于所述扩展域场景数据及所述源域场景数据，利用监督对比学习和对比对抗学习损失函数对判别器网络模型进行训练，得到训练完成的判别器网络模型；
34、预测模块，利用所述训练完成的判别器网络模型对目标域场景数据进行特征提取和分类预测，得到所述目标域场景数据的土地覆盖类别。
35、为达上述目的，本技术第三方面实施例提出了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
36、所述存储器存储计算机执行指令；
37、所述处理器执行所述存储器存储的计算机执行指令，以实现上述任一项所述的方法。
38、为达上述目的，本技术第四方面实施例提出了一种计算机可读存储介质，包括所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述任一项所述的方法。
39、本技术提供的一种高光谱图像分类方法，利用变分推理的损失函数对基于扩散模型的域数据扩展模型进行训练，且通过训练完成的模型获取扩展域场景数据，得到的扩展域数据不仅具有与源域一致的域不变特征，还保存有域间差异，可以帮助后续特征提取模块和分类预测模块更好地学习域不变特征和域间差异，有效地解决现有跨场景高光谱图像分类方法中存在的不同域场景样本数据概率分布不一致的学习问题，为矿产勘探、农业规划、作物检测、城市建设规划等任务提供了准确可靠的土地覆盖物质探测和区域划分结果。
40、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.一种高光谱图像分类方法，其特征在于，包括：
2.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述利用变分推理的损失函数对基于扩散模型的域数据扩展模型进行训练，得到训练完成的域数据扩展模型包括：
3.根据权利要求2所述的高光谱图像分类方法，其特征在于，所述变分推理的损失函数的计算公式为：
4.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述利用所述训练完成的域数据扩展模型对源域场景数据进行扩充，生成扩展域场景数据包括：
5.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述基于所述扩展域数据及所述源域场景数据，利用监督对比学习和对比对抗学习损失函数对判别器网络模型进行训练，得到训练完成的判别器网络模型包括：
6.根据权利要求5所述的高光谱图像分类方法，其特征在于，所述判别器网络模型训练的总损失函数计算公式为：
7.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述方法还包括：采用动态统计量调节方法对目标域场景数据的统计量与源域场景数据的统计量进行动态调节。
8.一种高光谱图像分类装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
