基于数据差异和多尺度特征的卷积神经网络影像分类方法技术

本发明专利技术公开了一种基于数据差异和多尺度特征的卷积神经网络影像分类方法，对输入的多光谱数据预处理，并对数据进行融合，减少数据间的差异性；对数据进行归一化操作，并对归一化后的图像矩阵中每个像素用滑窗法进行区块，构成基于图像块的特征矩阵；选取训练数据集和测试数据集；构造基于双通道二阶相关性的多尺度特征融合的卷积神经网络的分类模型；用训练数据集对分类模型进行训练；利用训练好的分类模型对测试数据集分类。本发明专利技术引入的基于IHS图像锐化的数据差异减少和二阶相关性多尺度特征按通道逐位相加的特征融合，提高了分类精度，可用于多光谱图像融合分类的数据差异性降低和特征融合。

Convolutional neural network image classification method based on data difference and multi-scale features

【技术实现步骤摘要】
基于数据差异和多尺度特征的卷积神经网络影像分类方法
本专利技术属于图像处理
，具体涉及一种基于双通道数据差异减少和二阶相关性的多尺度特征融合的卷积神经网络多光谱影像分类方法。
技术介绍
在遥感应用中，通过遥感图像分析与解译来识别各种地物是遥感图像处理的最终目的。分类问题也是遥感图像信息提取中的最基本的问题之一。无论地物提取、土地动态变化监测，还是专题地图制作和遥感图像库的建立都离不开分类，许多方面的应用都会涉及分类。通过遥感图像的分类识别后可以更加精确地描述地物的属性和特征，在农作物估产、土地利用、环境监测、工程勘测、自然灾害监测、基础设施布局、交通规划管理、旅游开发以及各类资源的调查研究都会产生积极的作用，从而更好的为这些领域服务。卷积神经网络的布局是最接近实体生物大脑的神经网络，在处理任务时具有优越性。与一般的神经网络相比较，卷积神经网络在进行图像处理方面有着突触的表现：(1)通过神经元的局部连接和权值共享模式减少了网络的连接数和训练参数，提高了运行效率，同时简单的网络结构更能够适应多种分类任务；<br>(2)统一层的本文档来自技高网...

【技术保护点】
1.基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，包括以下步骤：/nS1、从数据集中读入多光谱影像和全色影像，以及对应的只有部分区域的类标groundtruth图进行训练，训练完成后使用所有有标记数据测试样本分类性能；/nS2、对多光谱数据进行双三次插值上采样，进行归一化处理和直方图匹配，根据多光谱数据和全色数据每个点的梯度及边缘提取算子得到融合图像；/nS3、数据归一化，将融合图像矩阵中所有像素点的值归一化到[0，1]之间；/nS4、在归一化后的图像中找到有对应类标的像素点作为样本块，每个块的邻域为中心点的分类所服务，选取训练数据集和测试数据集进行训练；/nS5、根据步骤S...

【技术特征摘要】
1.基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，包括以下步骤：
S1、从数据集中读入多光谱影像和全色影像，以及对应的只有部分区域的类标groundtruth图进行训练，训练完成后使用所有有标记数据测试样本分类性能；
S2、对多光谱数据进行双三次插值上采样，进行归一化处理和直方图匹配，根据多光谱数据和全色数据每个点的梯度及边缘提取算子得到融合图像；
S3、数据归一化，将融合图像矩阵中所有像素点的值归一化到[0，1]之间；
S4、在归一化后的图像中找到有对应类标的像素点作为样本块，每个块的邻域为中心点的分类所服务，选取训练数据集和测试数据集进行训练；
S5、根据步骤S4的测试数据集构造双通道二阶相关性多尺度特征融合的卷积神经网络的分类模型；
S6、用训练数据集对分类模型进行训练，得到训练好的分类模型；
S7、将测试数据集的样本块作为训练好的分类模型的输入，训练好的分类模型的输出为测试数据集中每个像素点进行分类得到的分类类别，计算相应的分类指标，完成测试数据集分类。


2.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S1中，选择标记数据中的20％作为训练样本，剩余的80％作为验证样本，训练完成后把所有有标记样本作为测试样本测试模型分类性能，其中，groundtruth图以多光谱数据为基准进行标注。


3.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S2具体为：
S201、对多光谱数据进行双三次插值上采样，得到与全色图尺寸相同的多光谱数据；
S202、对得到的上采样多光谱和全色数据进行归一化到[0,1]之间；
S203、对全色图和多光谱数据进行直方图匹配，得到匹配后的全色数据Pm；
S204、根据归一化和匹配的全色图Pm和归一化后的多光谱数据Mi确定线性因子α1,…αn；
S205、计算多光谱数据和全色数据每个点的梯度grad(x(i,j))；
S206、计算全色图的边缘提取算子WP和多光谱图的边缘提取算子WM；
S207、得到融合图像MSf和PANf。


4.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S207中，根据下式得到融合图像：






其中，MSfi，PANf分别代表差异减少后的多光谱数据第i个通道和全色图，MS表示上采样的多光谱数据，Wp,分别表示全色图和多光谱数据第i个通道的边缘提取算子。


5.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S3中，采用min-max标准化，对原始数据进行线性变化，使结果值映射到0到1之间；转换函数如下：



其中，xi为多光谱或全色影像的第i个待归一化的像素，max为多光谱或全色影像的最大像素值，min为多光谱或全色影像的最小像素值。

【专利技术属性】
技术研发人员：马文萍，沈建超，朱浩，武越，赵继樑，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61