【技术实现步骤摘要】
一种基于频带特征融合的GL-CNN遥感图像场景分类方法
本专利技术涉及遥感图像场景分类技术，具体涉及一种基于频带特征融合的GL-CNN遥感图像场景分类方法。
技术介绍
随着卫星技术的蓬勃发展，遥感卫星获取的卫星图像分辨率越来越高，标志着遥感领域已经进入了高分辨率时代。高分辨率遥感影像具有的空间与纹理特征也越来越丰富，而在这些特征中包含了大量的场景语义信息。对场景信息的分类是语义分割和目标识别过程的分类基础，提高场景分类的准确率能使目标识别和语义分割有所突破，但由于图像的场景构成十分复杂，一类场景中包含了多类目标，如何准确的学习每类样本的主要特征成为极具挑战的课题，已引起了遥感学术界的广泛关注。现有的图像场景分类方法，大致可以分为两类：(1)OlivaA,TorralbaA.等人的《场景形状建模：空间包络的一个整体表达[J]》，国际计算机视觉杂志，2001,42(3):145-175(《ModelingtheShapeoftheScene:AHolisticRepresentationoftheSpatialEnvelope》([J].InternationalJo...
【技术保护点】
1.一种基于频带特征融合的GL‑CNN遥感图像场景分类方法，其特征在于实施步骤包括：1)对原图像进行非下采样小波变换提取出图像的高频子带、低频子带；2)将原图像的高频子带、原图像进行频带特征融合得到融合高频子带；3)采用频谱分析的方法分析原图像的低频子带、融合高频子带构成的样本图像的高低频分量，然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合得到融合后的样本；4)使用融合后的样本指导卷积神经网络学习图像的高层特征来实现场景分类。
【技术特征摘要】
1.一种基于频带特征融合的GL-CNN遥感图像场景分类方法，其特征在于实施步骤包括：1)对原图像进行非下采样小波变换提取出图像的高频子带、低频子带；2)将原图像的高频子带、原图像进行频带特征融合得到融合高频子带；3)采用频谱分析的方法分析原图像的低频子带、融合高频子带构成的样本图像的高低频分量，然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合得到融合后的样本；4)使用融合后的样本指导卷积神经网络学习图像的高层特征来实现场景分类。2.根据权利要求1所述的基于频带特征融合的GL-CNN遥感图像场景分类方法，其特征在于，步骤1)中对原图像进行非下采样小波变换提取出图像的高频子带包括水平高频子带、垂直高频子带、对角高频子带。3.根据权利要求1所述的基于频带特征融合的GL-CNN遥感图像场景分类方法，其特征在于，步骤2)的详细步骤包括：2.1)将原图像的高频子带和原图像进行空间配准；2.2)将原图像的高频子带进行主成分变换，获取第一主分量图像；2.3)对原图像、第一主分量图像进行直方图匹配；2.4)将第一主分量用原图像替换并做逆主分量变换，得到融合高频子带。4.根据权利要求3所述的基于频带特征融合的GL-CNN遥感图像场景分类方法，其特征在于，步骤2.2)的详细步骤包括：2.2.1)输入原图像的高频子带的数据矩阵X；2.2.2)将数据矩阵X中的每一项数据进行标准化处理，得到标准化后的数据矩阵X*；2.2.3)针对标准化后的数据矩阵X*，计算相关系数矩阵R及其特征值与对应的特征向量；2.2.4)计算相关系数矩阵R的各主分量Fj与贡献率η；2.2.5)针对求解得到的各主分量Fj，选取贡献率η大于预设阈值的主分量，然后将选取的主分量按照降序排列，将获得的第一主分量F1作为第一主分量图像。5.根据权利要求4所述的基于频带特征融合的GL-CNN遥感图像场景分类方法，其特征在于，步骤2.2.2)中进行标准化处理的函数表达式如式(1)所示；式(1)中，xij*是对数据矩阵X中第i行第j列数据项xij进行标准化处理的结果，xij为...
【专利技术属性】
技术研发人员：陈立福，崔先亮，肖红光，邢学敏，袁志辉，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南,43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。