光谱图像的分类方法和装置、存储介质、电子装置

技术领域

本申请涉及图像处理领域，具体而言，涉及一种光谱图像的分类方法和装置、存储介质、电子装置。

背景技术

高光谱图像是利用高光谱遥感与高光谱成像光谱仪等技术得到的遥感图像，图1展示了高光谱遥感成像的基本过程，星载光谱成像仪会在沿着轨道飞行时对地表发出不同波段的光谱信号，不同类型的地物对每一个波段的光谱信号的吸收率和反射率都不同，星载光谱成像仪可依据地物对光谱信号的反馈绘制出一副三维的高光谱图像，高光谱图像中的每一个像素点可视为同一类型的地物在不同光谱波段信号下的表现，高光谱图像往往包含上百个光谱波段，所以对于每一个像素点都可绘制出一条连续的光谱曲线，如图1中的土壤、水体、植被等。

高光谱图像分类是高光谱领域的一个重要应用。高光谱图像中的每一个像元对应于一定大小的地面区域，如WorldView-2卫星全色图像的空间分辨率是0.5m，其所获得的影像中的每一个像素对应的实际地面大小即为0.5m*0.5m。高光谱图像分类是指对于图像中每一个像元，通过分析其光谱特性与空间特性得到其所属的地物类别。高光谱图像分类技术已经在日常生活中取得了广泛的应用，在农业生产方面，可以利用高光谱图像分类技术实现对农产品的长势分析及质量把控；对城市高光谱图像分类的研究可以实现城市环境监控；在环境监测等领域，高光谱图像分类可用于检测大气变化；另外，其在国防建设、测绘和军事等许多重要的领域都有着广泛的应用，因此对高光谱图像分类的研究具有重要的意义。

近些年来，将深度学习应用于高光谱图像分类是研究的主要趋势。在使用深度学习解决问题的过程中，通常为了得到理想的分类效果，需要综合利用高光谱数据的空间信息及光谱信息，但过高维度的输入数据会导致神经网络有大量的参数需要学习，增加了学习的复杂度，同时有限数目的训练样本还会带来维数灾难和过拟合的问题。而且，高光谱数据大量的波段信息并不都是有利于分类的，总是会存在一些冗余波段，这些冗余波段信息会带来“同物异谱，异物同谱”的问题，导致分类效果不理想，所以对原始的高光谱数据进行有效的特征提取及降维是十分关键的。

传统的降维算法有很多，无监督的降维算法如主成分分析(Principal ComponentAnalysis，PCA)，局部线性嵌入(Local Linear Embedding，LLE)等，有监督的降维算法如线性判别式分析(Linear Discriminant Analysis，LDA)。PCA方法利用由较大特征值对应的特征向量组成的变换矩阵来实现高维数据到低维数据的变换，是一种线性的降维方式，这种无监督的线性降维方法难以有效解决“同物异谱，异物同谱”问题。LLE方法是一种无监督非线性的降维方法，该方法所学习的流形只能是不闭合的，且样本集需是稠密均匀的，并且其对最近邻样本数的选择敏感，不同的最近邻数对最后的降维结果有很大影响，这为将LLE方法应用于高光谱数据降维带来了一定的限制；另外，在特征提取的过程中，该方法忽略了类别信息，难以得到具有判别性的降维输出。与PCA和LLE方法相比，LDA是一种有监督的降维方法，它求取一个超平面并使得投影到这个超平面上来的同类样本相互靠近，不同类的样本相互远离，从而增大类间差异减小类内差异，LDA利用训练数据的类标信息来求取样本的判别性特征，所以会有比较好的降维效果，但LDA方法要求降维维数不能超过类别总数，这为其应用带来了一些局限性。除了上述传统的降维算法以外，还有一些改进的降维算法，利用改进的局部判别式嵌入方法从原始的高光谱数据中提取低维的光谱特征，通过引入对协方差矩阵的变换，实现了同类地物的光谱特征在特征空间中相互靠近，不同类地物的光谱特征相互分离，从而能够求得可用于分类的判别性特征。但是，算法中训练样本的数目选择依赖于经验参数，并没有一定的准则，这会对求得的投影矩阵产生影响。

在高光谱图像分类的过程中，高光谱分辨率带来的“同物异谱，异物同谱”问题会导致图像中像素点的错分，不利于后续对高光谱图像的分析。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种光谱图像的分类方法和装置、存储介质、电子装置，以至少解决相关技术中分类准确率较低的技术问题。

根据本申请实施例的一个方面，提供了一种光谱图像的分类方法，包括：获取第一光谱图像，其中，第一光谱图像是光谱传感器采集到的图像；使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像，其中，第二光谱图像的特征维度低于第一光谱图像的特征维度；使用卷积神经网络提取第二光谱图像的空间特征，并通过空间特征得到第一光谱图像的分类结果。

根据本申请实施例的另一方面，还提供了一种光谱图像的分类装置，包括：获取单元，用于获取第一光谱图像，其中，第一光谱图像是光谱传感器采集到的图像；处理单元，用于使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像，其中，第二光谱图像的特征维度低于第一光谱图像的特征维度；分类单元，用于使用卷积神经网络提取第二光谱图像的空间特征，并通过空间特征得到第一光谱图像的分类结果。

根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。

根据本申请实施例的另一方面，还提供了一种电子装置，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，处理器通过计算机程序执行上述的方法。

在本申请实施例中，获取第一光谱图像，第一光谱图像是光谱传感器采集到的图像；使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像，第二光谱图像的特征维度低于第一光谱图像的特征维度；使用卷积神经网络提取第二光谱图像的空间特征，并通过空间特征得到第一光谱图像的分类结果，本方案通过将类标信息从稀疏的向量空间映射到降维空间，获得可训练的聚类中心词向量，并利用该词向量实现增大类间判别性、减小类内差异的目的，可以解决了相关技术中分类准确率较低的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的高光谱图像成像过程的示意图；

图2是根据本申请实施例的一种可选的光谱图像的分类方法的流程图；

图3是根据本申请实施例的一种可选的模型训练的示意图；

图4是根据本申请实施例的一种可选的图像分类的示意图；

图5是根据本申请实施例的一种可选的图像分类模型的示意图；

图6是根据本申请实施例的一种可选的词嵌入网络的示意图；

图7是根据本申请实施例的一种可选的光谱图像的分类装置的示意图；以及

图8是根据本申请实施例的一种终端的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在高光谱图像分类的过程中，高光谱分辨率带来的“同物异谱，异物同谱”问题会导致图像中像素点的错分，不利于后续对高光谱图像的分析。为了解决这个问题，本发明提出了一种基于双分支耦合网络的高光谱图像降维方法，利用所提的双分支的耦合网络结构对原始高光谱数据进行降维，引入聚类中心词向量为降维输出引入聚类特性，增大类间差异的同时减小类内差异，进而解决“同物异谱，异物同谱”问题，从而有利于后续得到更加理想的分类结果。

根据本申请实施例的一方面，提供了一种光谱图像的分类方法的方法实施例。图2是根据本申请实施例的一种可选的光谱图像的分类方法的流程图，如图2所示，该方法可以包括以下步骤：

步骤S202，获取第一光谱图像，第一光谱图像是光谱传感器采集到的图像。第一光谱图像为原始的高光谱图像。

步骤S204，使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像，第二光谱图像的特征维度低于第一光谱图像的特征维度。

上述双分支耦合网络包括第一耦合网络和第二耦合网络，在使用双分支耦合网络对第一光谱图像进行降维处理时，通过第一耦合网络将第一光谱图像的类别特征从第一词向量空间映射到第二词向量空间，第二词向量空间的空间维度低于第一词向量的空间维度，类别特征用于确定分类结果；并，通过第二耦合网络对第一光谱图像进行卷积处理。

步骤S206，使用卷积神经网络提取第二光谱图像的空间特征，并通过空间特征得到第一光谱图像的分类结果，即不同类地物的分类结果，如植物、山川、河流等。

通过上述步骤S202至步骤S206，获取第一光谱图像，第一光谱图像是光谱传感器采集到的图像；使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像，第二光谱图像的特征维度低于第一光谱图像的特征维度；使用卷积神经网络提取第二光谱图像的空间特征，并通过空间特征得到第一光谱图像的分类结果，本方案通过将类标信息从稀疏的向量空间映射到降维空间，获得可训练的聚类中心词向量，并利用该词向量实现增大类间判别性、减小类内差异的目的，可以解决了相关技术中分类准确率较低的技术问题。

在本方案中，设计了一个双分支耦合网络(Double Branch Coupling Network，DBCN)来实现对高光谱图像的降维。DBCN网络由一维卷积耦合网络分支和Word2Vec耦合网络分支构成，为了得到具有判别性的降维输出，给一维卷积神经网络引入了并联的词嵌入网络以将训练样本的类标信息从稀疏的向量空间映射到降维空间，获得可训练的聚类中心词向量，并利用该词向量实现增大类间判别性、减小类内差异的目的，以解决“同物异谱，异物同谱”问题。

可选地，第一耦合网络包括第一词嵌入网络和第二词嵌入网络，其中，在使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像之前，方法还包括按照如下方式对第一耦合网络进行训练：

通过第一词嵌入网络确定训练样本的第一样本类型与第二样本类型之间的向量矩阵，具体通过第一词嵌入网络确定第一样本类型在第一向量空间的聚类中心向量与第二样本类型在第一向量空间的聚类中心向量之间的差向量，将第一样本类型与各个第二样本类型之间的差向量作为向量矩阵中的向量元素，第一样本类型为当前使用的样本类型，第二样本类型为在第一样本类型之前使用的样本类型，向量矩阵中的向量元素为第一样本类型在第一向量空间的聚类中心向量与第二样本类型在第一向量空间的聚类中心向量之间的差向量；

通过第二词嵌入网络确定第一样本类型在第二向量空间的聚类中心向量，具体可获取属于第一样本类型的训练样本的独热编码；将训练样本的独热编码输入第二词嵌入网络，通过第二词嵌入网络确定第一样本类型在第二向量空间的聚类中心向量，其中，第二向量空间的空间维度低于第一向量空间的空间维度，第二词嵌入网络中的参数与第一词嵌入网络中的参数相同。

针对所设计的DBCN网络，提出了一种基于贪心策略的迭代交替网络训练方法(Iteratively Alternative Training Method based on Greedy Strategy，IAGS)。对于DBCN这种双分支的网络结构，使用该方法交替地训练DBCN中的网络分支，通过迭代地求取网络参数的局部最优解，最终实现整个DBCN的网络参数收敛到其全局最优值附近。

上述第二耦合网络包括第一卷积网络和第二卷积网络，其中，在使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像之前，方法还包括按照如下方式对第二耦合网络进行训练：通过第一卷积网络提取训练样本中的光谱特征；通过第二卷积网络利用交叉熵损失进行有监督的分类，并输出降维后的光谱向量。

基于所提出的DBCN网络以及所提出的迭代交替网络训练方法设计了相应的损失函数。损失函数中包含类内损失与类间损失，可分别用于缩小降维输出的类内差异和增大降维输出的类间判别性。

在对第一耦合网络和第二耦合网络进行训练的过程中，采用交替训练的方式对第一耦合网络和第二耦合网络进行训练，其中，训练时使用的损失函数包括类内损失函数和类间损失函数，类内损失函数用于降维输出的类内差异，类间损失函数用于增大降维输出的类间差异。

作为一种可选的实施例，下文结合具体实施方式进一步详述本申请的技术方案。

本发明的流程如图3和图4所示，首先将高光谱图像数据分为训练样本和测试样本，然后用训练样本训练DBCN网络，训练结束后，将原始的光谱数据输入训练好的DBCN网络中进行降维得到降维后的高光谱图像。

DBCN的网络结构，基于DBCN降维的高光谱图像分类网络如图5所示，DBCN包括两个耦合的网络分支分别是Word2Vec耦合网络分支和1D-CNN耦合网络分支，图5中虚线部分网络的输出是降维输出。

Word2Vec耦合网络分支包含两个词嵌入网络Word2Vec

1D-CNN耦合网络分支用于提取一维光谱特征，其输入为第C类的光谱向量样本，两个网络分支的作用不同，其中，1D-CNN

如下表1所示是DBCN网络结构的具体参数，其中B代表输入数据包含的光谱波段数，d代表降维维数。

表1 DBCN的网络结构参数

类标空间到降维空间的映射，DBCN网络的特点是在降维时可将输入的类标信息映射到降维空间。假设输入DBCN的是第C类的训练样本，Word2Vec

Word2Vec

o

其中，W

网络Word2Vec

DBCN的损失函数，DBCN的损失函数L如下式所示，L

L＝L

上文介绍了DBCN网络如何实现从类标空间到降维空间的映射，其输出分别为：Word2Vec

L

其中，z为一个批次的训练样本的数目，

基于DBCN降维可为降维输出引入聚类特性，为了实现缩小类内差异的目的，DBCN的损失函数中需要包含类内损失，该损失可表示为降维输出与其对应的聚类中心向量在特征空间中的Euclidean距离。如图4所示，o

其中，

为了增大类间的可判别性，DBCN的损失函数中还需要计算类间损失，矩阵o

在训练的过程中为了控制类间的距离不会无限制增大，为其添加了大小为C的约束，如下式所示，其中C是一个预设的超参数，L

L

L

IAGS网络训练方法，对于DBCN这种同时进行输入输出的双分支网络结构，提出了基于贪心策略的迭代交替网络训练方法IAGS。IAGS网络训练方法如下：

输入：L

输出：可用于降维DBCN的网络；

步骤1，网络参数的初始化，n＝1,2,…E，m＝1,2；

步骤2，若m＝1，则(L

步骤3，若m＝2，(L

步骤4，根据损失函数(L

上文介绍了分类损失L

L

L

在上式中，n代表网络的第n次迭代训练，L

在对问题求解时，贪心算法总是做出当前的最优选择，也就是说，不从整体最优上加以考虑，其所求的是某种意义上的局部最优解，经过多次迭代后可以求得全局最优解。本文所提的IAGS方法以贪心算法为基础，每次训练交替更新单分支网络的参数，即求取网络参数的局部最优解，经过多次迭代训练后便可求得整个DBCN网络的全局最优解。

在损失函数中使用max(0,(L

按照传统的方式将L

本发明提出了一种可用于高光谱图像降维的双分支耦合网络，并提出了基于贪心策略的迭代交替网络训练方法以及相应的损失函数来训练该网络。基于所提的DBCN网络对高光谱图像进行降维处理，可以为降维输出引入聚类特性，实现了增大类间的可判别性，减小类内差异的目的,进而解决“同物异谱，异物同谱”问题。基于所提的网络训练方法对双分支耦合网络进行训练，可以在一定程度上解决DBCN网络的局部极值问题，从而获得更有利于分类的降维表示。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

根据本申请实施例的另一个方面，还提供了一种用于实施上述光谱图像的分类方法的光谱图像的分类装置。图7是根据本申请实施例的一种可选的光谱图像的分类装置的示意图，如图7所示，该装置可以包括：

获取单元71，用于获取第一光谱图像，其中，第一光谱图像是光谱传感器采集到的图像；

处理单元73，用于使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像，其中，第二光谱图像的特征维度低于第一光谱图像的特征维度；

分类单元75，用于使用卷积神经网络提取第二光谱图像的空间特征，并通过空间特征得到第一光谱图像的分类结果。

需要说明的是，该实施例中的获取单元71可以用于执行本申请实施例中的步骤S202，该实施例中的处理单元73可以用于执行本申请实施例中的步骤S204，该实施例中的分类单元75可以用于执行本申请实施例中的步骤S206。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。

通过上述模块，获取第一光谱图像，第一光谱图像是光谱传感器采集到的图像；使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像，第二光谱图像的特征维度低于第一光谱图像的特征维度；使用卷积神经网络提取第二光谱图像的空间特征，并通过空间特征得到第一光谱图像的分类结果，本方案通过将类标信息从稀疏的向量空间映射到降维空间，获得可训练的聚类中心词向量，并利用该词向量实现增大类间判别性、减小类内差异的目的，可以解决了相关技术中分类准确率较低的技术问题。

可选地，双分支耦合网络包括第一耦合网络和第二耦合网络，其中，处理单元在使用双分支耦合网络对第一光谱图像进行降维处理时，还用于：通过第一耦合网络将第一光谱图像的类别特征从第一词向量空间映射到第二词向量空间，其中，第二词向量空间的空间维度低于第一词向量的空间维度，类别特征用于确定分类结果；并，

通过第二耦合网络对第一光谱图像进行卷积处理。

可选地，第一耦合网络包括第一词嵌入网络和第二词嵌入网络，其中，本申请的装置还可包括：训练单元，用于在使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像之前，按照如下方式对第一耦合网络进行训练：通过第一词嵌入网络确定训练样本的第一样本类型与第二样本类型之间的向量矩阵，其中，第一样本类型为当前使用的样本类型，第二样本类型为在第一样本类型之前使用的样本类型，向量矩阵中的向量元素为第一样本类型在第一向量空间的聚类中心向量与第二样本类型在第一向量空间的聚类中心向量之间的差向量；通过第二词嵌入网络确定第一样本类型在第二向量空间的聚类中心向量，其中，第二向量空间的空间维度低于第一向量空间的空间维度，第二词嵌入网络中的参数与第一词嵌入网络中的参数相同。

可选地，第二样本类型为多个，其中，训练单元还用于通过第一词嵌入网络确定训练样本的第一样本类型与第二样本类型之间的向量矩阵时，通过第一词嵌入网络确定第一样本类型在第一向量空间的聚类中心向量与第二样本类型在第一向量空间的聚类中心向量之间的差向量；将第一样本类型与各个第二样本类型之间的差向量作为向量矩阵中的向量元素。

可选地，训练单元还用于在通过第二词嵌入网络确定第一样本类型在第二向量空间的聚类中心向量时，获取属于第一样本类型的训练样本的独热编码；将训练样本的独热编码输入第二词嵌入网络，通过第二词嵌入网络确定第一样本类型在第二向量空间的聚类中心向量。

可选地，第二耦合网络包括第一卷积网络和第二卷积网络，其中，训练单元还用于：在使用双分支耦合网络对第一光谱图像进行降维处理，得到第二光谱图像之前，按照如下方式对第二耦合网络进行训练：通过第一卷积网络提取训练样本中的光谱特征；通过第二卷积网络利用交叉熵损失进行有监督的分类，并输出降维后的光谱向量。

可选地，训练单元还用于：在对第一耦合网络和第二耦合网络进行训练的过程中，采用交替训练的方式对第一耦合网络和第二耦合网络进行训练，其中，训练时使用的损失函数包括类内损失函数和类间损失函数，类内损失函数用于降维输出的类内差异，类间损失函数用于增大降维输出的类间差异。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。

根据本申请实施例的另一个方面，还提供了一种用于实施上述光谱图像的分类方法的服务器或终端。

图8是根据本申请实施例的一种终端的结构框图，如图8所示，该终端可以包括：一个或多个(图8中仅示出一个)处理器801、存储器803、以及传输装置805，如图8所示，该终端还可以包括输入输出设备807。

其中，存储器803可用于存储软件程序以及模块，如本申请实施例中的光谱图像的分类方法和装置对应的程序指令/模块，处理器801通过运行存储在存储器803内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的光谱图像的分类方法。存储器803可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器803可进一步包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

上述的传输装置805用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置805包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置805为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

其中，具体地，存储器803用于存储应用程序。

处理器801可以通过传输装置805调用存储器803存储的应用程序，以执行下述步骤：

获取第一光谱图像，其中，所述第一光谱图像是光谱传感器采集到的图像；

使用双分支耦合网络对所述第一光谱图像进行降维处理，得到第二光谱图像，其中，所述第二光谱图像的特征维度低于所述第一光谱图像的特征维度；

使用卷积神经网络提取所述第二光谱图像的空间特征，并通过所述空间特征得到所述第一光谱图像的分类结果。

处理器801还用于执行下述步骤：

通过所述第一词嵌入网络确定训练样本的第一样本类型与第二样本类型之间的向量矩阵，其中，所述第一样本类型为当前使用的样本类型，所述第二样本类型为在所述第一样本类型之前使用的样本类型，所述向量矩阵中的向量元素为所述第一样本类型在第一向量空间的聚类中心向量与所述第二样本类型在所述第一向量空间的聚类中心向量之间的差向量；

通过所述第二词嵌入网络确定所述第一样本类型在第二向量空间的聚类中心向量，其中，所述第二向量空间的空间维度低于所述第一向量空间的空间维度，所述第二词嵌入网络中的参数与所述第一词嵌入网络中的参数相同。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

本领域普通技术人员可以理解，图8所示的结构仅为示意，终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices，MID)、PAD等终端设备。图8其并不对上述电子装置的结构造成限定。例如，终端还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图8所示不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行光谱图像的分类方法的程序代码。

可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

获取第一光谱图像，其中，所述第一光谱图像是光谱传感器采集到的图像；

使用双分支耦合网络对所述第一光谱图像进行降维处理，得到第二光谱图像，其中，所述第二光谱图像的特征维度低于所述第一光谱图像的特征维度；

使用卷积神经网络提取所述第二光谱图像的空间特征，并通过所述空间特征得到所述第一光谱图像的分类结果。

可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：

通过所述第一词嵌入网络确定训练样本的第一样本类型与第二样本类型之间的向量矩阵，其中，所述第一样本类型为当前使用的样本类型，所述第二样本类型为在所述第一样本类型之前使用的样本类型，所述向量矩阵中的向量元素为所述第一样本类型在第一向量空间的聚类中心向量与所述第二样本类型在所述第一向量空间的聚类中心向量之间的差向量；

通过所述第二词嵌入网络确定所述第一样本类型在第二向量空间的聚类中心向量，其中，所述第二向量空间的空间维度低于所述第一向量空间的空间维度，所述第二词嵌入网络中的参数与所述第一词嵌入网络中的参数相同。

在一个可选的实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法中任一实施例的步骤。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。