地物分类方法及装置制造方法及图纸

本发明专利技术涉及遥感技术领域，提供一种地物分类方法及装置，所述方法包括：提取高光谱图像的多个属性剖面特征，得到第一图像；提取激光扫描图像的属性剖面特征，得到第二图像；将第一图像和第二图像进行融合，得到第三图像；利用预设的卷积神经网络，对第三图像进行特征提取与分类，得到地物分类结果。本发明专利技术将髙光谱图像丰富的光谱信息和激光扫描图像精确的高程信息进行互补，解决了由于光谱信息不准确导致的地物分类受局限的问题。另外，利用卷积神经网络进行特征提取与分类，降低了对训练样本的数量要求，同时提升了地物分类的精度。

Object classification method and device

The present invention relates to the field of remote sensing technology, and apparatus for providing a classification method, the method includes: extracting multiple attribute profile features of the hyperspectral image, the first image; extracting attribute profile characteristics of laser scanning image, second images; the first image and the second image fusion, third image convolution; neural network presupposition, feature extraction and classification of the third image classification results obtained. In the invention, high spectral image rich spectral information and laser scanning image accurate elevation information complementary to solve the classification of spectral information is not accurate due to limitations. In addition, using convolutional neural network for feature extraction and classification reduces the number of training samples and improves the accuracy of object classification.

【技术实现步骤摘要】
地物分类方法及装置
本专利技术涉及遥感
，具体而言，涉及一种地物分类方法及装置。
技术介绍
高光谱图像是当前遥感领域的前沿技术，其能够获取上百个光谱连续的波段。与全色、多光谱遥感图像相比，高光谱图像具有更加高的光谱分辨率，能够提供更加丰富的地物信息，从而更好的识别地物。但是，高光谱图像不能很好的解决复杂城市区域的建筑物阴影、云覆盖等难题，另外，在对更复杂的城市区域进行地物分类时，高光谱图像不能有效区分由相同材料组成的不同地物，因此，需要提取更具可分性的空谱特征。基于形态学属性剖面的空间结构特征能够有效提取高光谱图像中多尺度结构信息，但是由于高光谱图像的复杂性和多样性，单一的特征对高光谱图像的描述有限，在大场景高光谱图像的识别分类中，难以获取足够的训练样本，计算代价大。
技术实现思路
本专利技术的目的在于提供一种地物分类方法及装置，用以改善上述问题。为了实现上述目的，本专利技术实施例采用的技术方案如下：第一方面，本专利技术提供了一种地物分类方法，所述方法包括：提取高光谱图像的多个属性剖面特征，得到第一图像；提取激光扫描图像的属性剖面特征，得到第二图像；将第一图像和第二图像进行融合，得本文档来自技高网...

【技术保护点】
一种地物分类方法，其特征在于，所述方法包括；提取高光谱图像的多个属性剖面特征，得到第一图像；提取激光扫描图像的属性剖面特征，得到第二图像；将所述第一图像和所述第二图像进行融合，得到第三图像；利用预设的卷积神经网络，对所述第三图像进行特征提取与分类，得到地物分类结果。

【技术特征摘要】
1.一种地物分类方法，其特征在于，所述方法包括；提取高光谱图像的多个属性剖面特征，得到第一图像；提取激光扫描图像的属性剖面特征，得到第二图像；将所述第一图像和所述第二图像进行融合，得到第三图像；利用预设的卷积神经网络，对所述第三图像进行特征提取与分类，得到地物分类结果。2.如权利要求1所述的方法，其特征在于，所述提取高光谱图像的多个属性剖面特征，得到第一图像的步骤，包括：获取高光谱图像；对所述高光谱图像进行主成分分析，得到多个主成分图像；根据任意一个形态学属性，得到多个主成分图像的属性剖面特征，其中，所述形态学属性包括面积属性、惯性矩属性及标准差属性；将多个形态学属性的属性剖面特征进行叠加，得到第一图像。3.如权利要求2所述的方法，其特征在于，所述根据任意一个形态学属性，得到多个主成分图像的属性剖面特征的步骤，包括：根据任意一个所述形态学属性，对每个所述主成分图像进行开运算和闭运算，获取每个所述主成分图像的属性剖面特征；将每个所述主成分图像的属性剖面特征进行叠加，得到多个主成分图像的属性剖面特征。4.如权利要求1所述的方法，其特征在于，所述利用预设的卷积神经网络，对所述第三图像进行特征提取与分类，得到地物分类结果的步骤，包括：以所述第三图像中每个像素点为中心，获取多个大小为n×n的图像块，其中，n为大于1的整数；将多个所述图像块输入所述卷积神经网络，利用所述卷积神经网络的第一网络进行深度特征学习并提取图像特征，其中，所述第一网络包括卷积层及池化层；将从所述第一网络提取到的图像特征输入第二网络并进行分类，得到每个所述图像特征的地物类别，其中，所述第二网络包括全连接层及多类逻辑回归层；将每个所述图像特征的地物类别进行融合，得到地物分类结果。5.如权利要求4所述的方法，其特征在于，所述将多个图像块输入所述卷积神经网络，利用所述卷积神经网络的第一网络进行深度特征学习并提取图像特征的步骤，包括：将多个图像块输入所述卷积神经网络，利用多层卷积层进行卷积求和、加偏置，并经过ReLu激励函数，得到每层卷积层的输出特征图；利用每层卷积层后的池化层对该卷积层的输出特征图进行下采样，得到特征映射图；利用最后一层卷积层后的池化层对该卷积层的输出特征图进行下采样，得到所述图像特征。6.如权利要求5所述的方法，其特征在于，所述将从所述第一网络提取到的图像特征输入第二网络并进行分类，得到每个所述图像特征的地...

【专利技术属性】
技术研发人员：李树涛，郝乔波，康旭东，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南,43