【技术实现步骤摘要】
一种高分辨率遥感图像分类方法
本专利技术属于图像处理
，涉及一种高分辨率遥感图像分类方法。
技术介绍
高分辨率遥感图像处理的一个主要内容就是地物目标分类。分类是一种描述地物目标或种类的分析技术，其主要任务是对数据体的每个像素点赋予一个类别标记以产生专题地图的一种过程,它是人们从遥感影像上提取有用信息的重要途径之一。分类后产生的专题地图可以清晰地反映出地物的空间分布，便于人们从中认识和发现其规律，使高分辨率遥感图像具有真正的使用价值并有效的投入到实际应用中。高分辨率遥感图像的特征提取是高分辨率遥感图像分类的一个重要部分，对分类精度有很大的影响。目前，市场上使用的高分辨率遥感图像特征提取方法主要有基于光谱信息的特征提取方法，基于空间信息的特征提取方法和结合空间信息和光谱信息的特征提取方法。在基于光谱信息的特征提取方法中，由于地物光谱响应会受到很多因素的影响，如太阳照度、大气透明度和风速等，而这些因素通常都是很难准确测量的，所以实际测量得到的地物光谱响应曲线与实际的曲线可能有很大的差异。因此基于光谱信息的特征...
【技术保护点】
1.一种高分辨率遥感图像分类方法，其特征在于，具体按照以下步骤实施：/n步骤1、输入高分辨率遥感图像及该图像中每个像素的类别信息，分别对每一类随机选择若干个像素作为训练样本；/n步骤2、构造训练样本图像块a
【技术特征摘要】
1.一种高分辨率遥感图像分类方法，其特征在于，具体按照以下步骤实施：
步骤1、输入高分辨率遥感图像及该图像中每个像素的类别信息，分别对每一类随机选择若干个像素作为训练样本；
步骤2、构造训练样本图像块ap及训练样本图像块集合S1；
步骤3、构造三维深度卷积神经网络，对训练样本图像块进行归一化处理然后将其作为三维深度卷积神经网络的输入，对该三维深度卷积神经网络进行训练，得到训练好的三维深度卷积神经网络及训练样本的深度特征Fp；
步骤4、根据步骤3得到的训练样本图像块ap的深度特征Fp和类标，分别计算每一类的类中心特征(C1,C2,...,Ch,...,CH)，其中，H是类别数；
步骤5、对训练样本图像块ap的深度特征Fp，分别计算其与每一个类中心特征的差值的绝对值，得到差值特征
步骤6、构造距离测度学习网络，该网络参数为α＝(α1,α2,...,αZ)，将步骤5得到的差值特征作为该网络的输入，该网络的输出为深度特征Fp与每一类类中心的距离值对该网络进行训练，得到训练好的距离测度学习网络，其中Z是每一个差值特征的维数；
步骤7、构造测试样本图像块bq及测试样本图像块集合S2；
步骤8、将步骤7得到的测试样本图像块bq输入到步骤3训练好的深度卷积神经网络中，得到测试样本图像块bq的深度特征Gq；
步骤9、分别计算测试样本图像块bq的深度特征Gq和每一类的类中心特征(C1,C2,...,Ch,...,CH)的差值的绝对值，得到差值特征
步骤10、将步骤9得到的差值特征输入到步骤6的距离测度学习网络中，得到测试样本图像块bq和每一类类中心的距离并将距离中最小值对应的位置作为测试样本图像块bq的预测类别，将对应位置的距离值作为测试样本图像块bq的预测距离；
步骤11、根据测试样本图像块的预测类别，分别对每一类，选择预测距离最小的若干个测试样本图像块加入训练样本图像块集合S1中，并将这些测试样本图像块从测试样本图像块集合S2中删除；
步骤12、重复步骤3-11，直到达到预先设定的迭代步数，输出测试样本图像块aq的深度特征Gq；
步骤13、将训练样本图像块ap的深度特征Fp以及类标作为softmax分类器的输入，对softmax分类器进行训练，得到训练好的分类器；
步骤14、将测试样本图像块bq的深度特征Gq作为训练好的softmax分类器的输入，得到的每一个测试样本图像块的类标，完成分类。
2.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤2具体为，设步骤1中输入的高分辨率遥感图像的光谱维数为V，以每个像素为中心，在该图像的每一维上，选取21×21大小的窗口，得到该像素在该维上的空间信息，并将所有维数上的空间信息组成一个三维的训练样本图像块ap,p∈S1，S1是训练样本图像块的集合。
3.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤3中的三维深度卷积神经网络包括7层，其中第1层为输入层，第2层为卷积层，第3层...
【专利技术属性】
技术研发人员：石程，吕志勇，杨秀红，尤珍臻，都双丽，石俊飞，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61
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。