基于卫星遥感多光谱和全色影像融合的地物要素分类方法技术

本发明专利技术涉及一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，具体包括以下步骤：S1、获取目标区域的多光谱影像和全色影像，提取多光谱影像的EMAP空间特征，与多光谱影像进行级联，得到浅层空谱特征；S2、浅层空谱特征作为深度网络的输入，全色影像作为重构输出，通过网络训练得到多分辨率隐层特征；S3、分别提取低分辨率隐层特征、中分辨率隐层特征和高分辨率隐层特征，通过卷积神经网络分别进行特征融合与分类训练，得到目标区域内的地物要素分类结果。与现有技术相比，本发明专利技术结合了影像上全局尺度上的浅层特征，和局部尺度上的深度特征，充分挖掘了MS和PAN影像之间的多分辨率隐层特征表达，具有分类精度高、结果鲁棒性高等优点。高等优点。高等优点。

【技术实现步骤摘要】
基于卫星遥感多光谱和全色影像融合的地物要素分类方法


[0001]本专利技术涉及多源遥感影像特征级融合和分类领域，尤其是涉及一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法。

技术介绍

[0002]随着遥感平台和传感器类型的不断丰富，单一传感器可以同时获得多光谱影像(MS影像)和全色影像(PAN影像)。多光谱影像通常包含4个或更多波段，但空间分辨率低。全色影像则反之，空间分辨率高但是单一波段。有效融合光谱信息丰富的多光谱影像和物体边界信息精确的全色影像，进行地物要素的高精度识别具有巨大的应用潜力。
[0003]目前多光谱影像和全色影像数据融合方式主要可分为：1)像素级融合；2)特征级融合。像素级融合的主要方法是全色锐化，但该过程会引入一些光谱和空间畸变，且多光谱影像和全色影像的优点没有被完全利用，特别是有利于要素识别的跨分辨率隐含特征。特征级融合从多光谱影像和全色影像中分别提取特征，然后融合这些特征进行地物要素识别，从而避免像素级融合的缺陷。但主要挑战是如何有效地从多光谱影像和全色影像中提取显著的特征并构建融合模型。
专利技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，具体包括以下步骤：S1、获取卫星遥感采集的目标区域的多光谱影像和全色影像，提取多光谱影像的扩展多属性剖面空间特征，将扩展多属性剖面空间特征与原始的多光谱影像进行级联，得到全局上的浅层空谱特征；S2、所述浅层空谱特征作为类似自编码深度网络的输入，全色影像作为类似自编码深度网络的重构输出，通过网络训练得到输入与输出之间的多分辨率隐层特征；S3、分别提取所述多分辨率隐层特征中的第2隐层特征、第5隐层特征和第8隐层特征作为低分辨率隐层特征、中分辨率隐层特征和高分辨率隐层特征，通过卷积神经网络分别对低分辨率隐层特征、中分辨率隐层特征和高分辨率隐层特征进行特征融合与分类训练，得到目标区域内的地物要素分类结果。2.根据权利要求1所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述多光谱影像的尺寸大小为H
×
W
×
c，其中H、W和c分别为多光谱影像的高、宽和波段数。3.根据权利要求2所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述扩展多属性剖面空间特征提取选用区域面积、区域边框对角线长度、转动惯量以及区域内像素灰度值的标准差四个属性。4.根据权利要求1所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述扩展多属性剖面空间特征根据目标区域的属性进行提取，目标区域的属性包括区域面积、区域边框对角线长度、转动惯量以及区域内像素灰度值的标准差。5.根据权利要求1所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述类似自编码深度网络的网络结构依次包括输入层、卷积块1、卷积块1、上采样层、卷积块1、卷积块1、上采样层、卷积块2、卷积块2、总卷积层、输出层。6.根据权利要求5所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述卷积块1包括卷积层、批归一化层和激活层，所...

【专利技术属性】
技术研发人员：柳思聪，赵慧，杜谦，童小华，谢欢，冯永玖，金雁敏，
申请(专利权)人：同济大学，
类型：发明
国别省市：