【技术实现步骤摘要】
滨海湿地深度学习分类方法、装置、设备和存储介质
本专利技术涉及多传感器遥感联合分类
，具体涉及一种滨海湿地深度学习分类方法、装置、设备和存储介质。
技术介绍
湿地位于水陆过渡地带，是自然界最富生物多样性和生产力最高的生态系统。研究湿地尤其是滨海湿地对于保护生态环境和维持人类生产生活的健康发展有着重要意义。近年来我国滨海湿地生态系统遭受到不同程度的破坏，由此产生了对湿地高精度动态监测、精细分类和保护工作提出了更迫切的要求。遥感技术凭借经济高效、覆盖范围广等优势，逐步成为滨海湿地动态监测和信息提取解译的重要手段。多样化的光谱、雷达成像技术与图像处理技术的结合为空间、地理数据库提供了便捷的高质量数据。其中，以高光谱图像为代表的高维数据能够对观测对象实现空间、光谱、辐射等多方面信息的同步获取，促使客观世界的描述呈现出多尺度、多角度、多维度的新特性。激光雷达数据提供了被调查区域的高程信息，这对于更好地描述光传感器单独获取的同一场景有价值。融合和处理上述不同的数据源，有助于整合不同的信息，进一步提高地球观测的性能。多源图像...
【技术保护点】
1.一种滨海湿地深度学习分类方法，其特征在于，包括：/n对采集到的原始高光谱图像数据进行校正处理和归一化处理，得到待处理高光谱图像数据，以及，对采集到的原始激光雷达数据进行异常点去除处理和归一化处理，得到待处理激光雷达数据；/n根据所述待处理高光谱图像数据的空间分辨率和通道数，以及，所述待处理激光雷达数据的空间分辨率和通道数，构造各个模式的三层Octave卷积层；/n基于各个模式的所述三层Octave卷积层，对所述待处理高光谱图像数据和所述待处理激光雷达数据进行成分分离、成分组合以及频率分量综合，得到特征融合数据；/n提取所述特征融合数据中的方向性纹理信息，结合待处理高光谱...
【技术特征摘要】
1.一种滨海湿地深度学习分类方法，其特征在于，包括：
对采集到的原始高光谱图像数据进行校正处理和归一化处理，得到待处理高光谱图像数据，以及，对采集到的原始激光雷达数据进行异常点去除处理和归一化处理，得到待处理激光雷达数据；
根据所述待处理高光谱图像数据的空间分辨率和通道数，以及，所述待处理激光雷达数据的空间分辨率和通道数，构造各个模式的三层Octave卷积层；
基于各个模式的所述三层Octave卷积层，对所述待处理高光谱图像数据和所述待处理激光雷达数据进行成分分离、成分组合以及频率分量综合，得到特征融合数据；
提取所述特征融合数据中的方向性纹理信息，结合待处理高光谱数据进行空间、纹理以及光谱联合分类，得到目标联合分类特征，以确定目标类别。
2.根据权利要求1所述的方法，其特征在于，所述对采集到的原始高光谱图像数据进行校正处理和归一化处理，得到待处理高光谱图像数据，包括：
对采集到的原始高光谱图像数据进行几何校正处理和辐射校正处理得到三维形式的原始高光谱图像数据；
对所述三维形式的原始高光谱图像的光谱反射值进行归一化处理，得到待处理高光谱图像数据。
3.根据权利要求1所述的方法，其特征在于，所述对采集到的原始激光雷达数据进行异常点去除处理和归一化处理，得到待处理激光雷达数据，包括：
应用所述原始激光雷达数据中的数字表面模型和数字高程模型做差，得到归一化数字表面模型，以进行异常点去除；
应用所述原始激光雷达数据中的三波段激光雷达强度图数据分别对每个波段进行幅值归一化处理，得到待处理激光雷达数据。
4.根据权利要求1所述的方法，其特征在于，所述基于各个模式所述三层Octave卷积层，对所述待处理高光谱图像数据和所述待处理激光雷达数据进行成分分离、成分组合以及频率分量综合，得到特征融合数据，包括：
在所述三层Octave卷积层的输入层，进行二维图像的高频成分和低频成分分离，其中，所述高频成分的频率大于设定频率阈值，所述低频成分的频率小于设定频率阈值；
在所述三层Octave卷积层的中间层，针对各个空间分辨率的高光谱图像数据和激光雷达数据，进行各个模式的高频成分和低频成分组合；
在所述三层Octave卷积层的输出层，针对不同分辨率和不同频率的各个高频成分和低频成分进行频率分量综合，得到特征融合数据。
5.根据权利要求4所述的方法，其特征在于，在所述三层Octave卷积层的输出层，针对不同分辨率和不同频率的各个高频成分和低频成分进行频率分量综合，得到特征融合数据，包括：
综合高光谱图像数据的高频数据与激...
【专利技术属性】
技术研发人员：陶然，李伟，赵旭东，张蒙蒙，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11
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。