多光谱图像地物分类方法、系统、介质及终端技术方案

本发明专利技术提供一种多光谱图像地物分类方法、系统、介质及终端；所述方法包括以下步骤：对多光谱图像进行预处理，获取样本集；构建地物分类网络模型；基于所述样本集对所述地物分类网络模型进行训练；基于训练好的地物分类网络模型，对待分类的多光谱图像进行地物分类；本发明专利技术通过深度可分离卷积减少参数数量，降低地物分类网络模型计算复杂度，解决了现有深度学习方法应用到多光谱图像时产生维度爆炸、计算复杂度过高而导致无法完成分类的问题；提出了一种具有多层编码‑解码结果的地物分类网络模型，以编码器提取多层特征，以解码器配合前端编码的不同层次特征进行恢复，实现了可靠的地物分类。

Classification method, system, medium and terminal of multispectral image features

【技术实现步骤摘要】
多光谱图像地物分类方法、系统、介质及终端
本专利技术属于遥感图像处理
，特别是涉及一种多光谱图像地物分类方法、系统、介质及终端。
技术介绍
随着遥感技术的发展，遥感卫星的载荷越来越先进，人类获取的遥感图像呈现出多源、高分辨率、多尺度、多光谱的特点；图像的地物分类是遥感图像的重要应用之一，通过高分辨率、多光谱的图像，解译出地表覆盖物与土地利用的情况，是遥感图像分类的主要任务。传统的遥感地物分类，在监督学习和非监督学习的领域，都主要采用模式识别的算法，以单个像素点的光谱特征进行分类；监督学习的方法有随机森林、支持向量机、最大似然分类等；非监督学习则主要以K-means聚类、ISODATA方法为主，这些分类方法虽然取得了不错的效果，但是仅仅使用光谱特征，没有使用纹理特征，仍有大量的误分类现象；基于纹理特征的监督学习方法，通常采用RGB谱段，而忽略了多光谱信息，虽然准确度相比光谱特征的方法有所提升，但仍很难令人满意。采用语义分割方法进行遥感图像地物分类的算法，使用卷积神经网络同时提取光谱和纹理特征，但是这些方法都是面向可见光(RG本文档来自技高网...

【技术保护点】
1.一种多光谱图像地物分类方法，其特征在于，包括以下步骤：/n对多光谱图像进行预处理，获取样本集；/n构建地物分类网络模型；/n基于所述样本集对所述地物分类网络模型进行训练；/n基于训练好的地物分类网络模型，对待分类的多光谱图像进行地物分类。/n

【技术特征摘要】
1.一种多光谱图像地物分类方法，其特征在于，包括以下步骤：
对多光谱图像进行预处理，获取样本集；
构建地物分类网络模型；
基于所述样本集对所述地物分类网络模型进行训练；
基于训练好的地物分类网络模型，对待分类的多光谱图像进行地物分类。


2.根据权利要求1所述的多光谱图像地物分类方法，其特征在于，对多光谱图像进行预处理，获取样本集包括以下步骤：
采集多光谱图像；
对所述多光谱图像进行图像融合，生成融合图像；
基于所述融合图像，获取标注了所有地物的样本标签图；
分别对所述样本标签图和所述多光谱图像进行裁剪，并对裁剪后的图像进行扩容，以获取所述样本集。


3.根据权利要求2所述的多光谱图像地物分类方法，其特征在于，分别对所述样本标签图和所述多光谱图像进行裁剪，并对裁剪后的图像进行扩容，以获取所述样本集包括以下步骤：
将所述样本标签图和所述多光谱图像对齐后，按照同样的坐标点分别对所述样本标签图和所述多光谱图像进行裁剪，并将裁剪所述样本标签图后和裁剪所述多光谱图像后得到的图像分别存入两个文件夹中；两个文件夹中的裁剪后的图像一一对应；
对两个文件夹中一一对应的裁剪后的图像同时进行扩容，以获取所述样本集。


4.根据权利要求2所述的多光谱图像地物分类方法，其特征在于，对裁剪后的图像进行扩容采用旋转、增加随机噪声、扭曲拉伸变换中任一一种或几种方式的组合。


5.根据权利要求1所述的多光谱图像地物分类方法，其特征在于，所述地物分类网络模型包括编码器和解码器；
所述编码器采用13层深度可分离卷积，结合多层金字塔池化模块；所述解码器使用上采样方法恢复图像大小。


6.根据权利要求1所述的...

【专利技术属性】
技术研发人员：屈辰阳，汪鸣泉，王茂华，
申请(专利权)人：中国科学院上海高等研究院，
类型：发明
国别省市：上海;31