一种适用于高分高光谱数据的城市典型地物精细分类方法技术

本发明专利技术涉及一种适用于高分高光谱数据的城市典型地物精细分类方法，包括：获取原始区域的多个航带的原始高光谱数据，并对所有的原始高光谱数据进行预处理，得到多个包含至少一种城市典型地物的训练样本数据；根据多个训练样本数据对原始高光谱分类模型进行训练，得到目标高光谱分类模型；获取目标区域的目标高光谱数据，并基于目标高光谱分类模型，得到目标高光谱数据的城市典型地物分类结果。本发明专利技术采用提升样本数据量的方式，并设计卷积自编码网络对高光谱分类模型进行构建与训练，利用训练好的语义分割模型，实现对典型地物的精细化分类的同时，也为新型高光谱载荷在城市遥感领域的拓展应用提供了技术支撑。的拓展应用提供了技术支撑。的拓展应用提供了技术支撑。

【技术实现步骤摘要】
一种适用于高分高光谱数据的城市典型地物精细分类方法


[0001]本专利技术涉及高光谱技术、人工智能及城市遥感应用
，尤其涉及一种适用于高分高光谱数据的城市典型地物精细分类方法。

技术介绍

[0002]高光谱技术作为近年来的热门技术一直广受关注，高光谱所具有的空谱合一的特点使其在遥感对地观测方面具有天然的优势。随着我国高光谱载荷研制技术的不断进步，先后推出了高分五号、资源1
‑
02D等国产卫星高光谱载荷，近年来又研制出具备亚米级空间分辨率的机载高光谱载荷。传统高光谱数据由于空间分辨率的不足，其应用目标往往以大尺度的自然要素为主，如林地、水、农作物等。空间分辨率的提高使得高光谱能够在城市遥感领域发挥重要作用。然而由于高光谱具备上百个波段，空间分辨率的提高使得其数据量巨增，为其后续应用提出新的挑战。
[0003]传统基于高光谱进行典型地物分类的方法可概括为三类：图像增强法、光谱特征识别法、传统机器学习法。图形增强法如最小噪声分离(MNF)、主成分分析(PCA)、波段比值等方法简单高效的提取目标特征，但不能够直接完成分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于高分高光谱数据的城市典型地物精细分类方法，其特征在于，包括：S1、获取原始区域的多个航带的原始高光谱数据，并对所有的原始高光谱数据进行预处理，得到多个包含至少一种城市典型地物的训练样本数据；S2、根据所述多个训练样本数据对原始高光谱分类模型进行训练，得到目标高光谱分类模型；S3、获取目标区域的目标高光谱数据，并基于所述目标高光谱分类模型，得到所述目标高光谱数据的城市典型地物分类结果。2.根据权利要求1所述的一种适用于高分高光谱数据的城市典型地物精细分类方法，其特征在于，所述S1包括：S11、对所有的原始高光谱数据进行依次辐射均一性校正和影像镶嵌处理，得到镶嵌高光谱数据；S12、对所述镶嵌高光谱数据进行大气校正处理，得到反射率数据，并对筛选后的反射率数据中的每个波段进行PCA变换，得到变换高光谱数据；S13、根据所述反射率数据和所述变换高光谱数据，构建多个波段高光谱数据；S14、对每个波段高光谱数据进行切片处理，得到并对所有的切片高光谱数据进行增强处理，得到多个训练样本数据。3.根据权利要求2所述的一种适用于高分高光谱数据的城市典型地物精细分类方法，其特征在于，所述S13包括：S131、在所述变换高光谱数据中，获取预设数量的波段高光谱数据；S132、获取所述反射率数据中的真彩色波段数据和分类真值标签数据；S133、根据所述预设数量的波段高光谱数据、所述真彩色波段数据和所述分类真值标签数据，构建所述多个波段高光谱数据。4.根据权利要求1所述的一种适用于高分高光谱数据的城市典型地物精细分类方法，其特征在于，所述原始高光谱分类模型包括：原始卷积自编码器网络和原始语义分割网络，则所述S2包括：S21、采用所述多个训练样本数据对所述原始卷积自编码器网络进行迭代预训练，得到目标卷积自编码器网络；S22、采用所述多个训练样本数据对所述原始语义分割网络进行迭代训练，得到目标语义分割网络；S23、根据所述目标卷积自编码器网络和所述目标语义分割网络，得到所述目标高光谱分类模型。5.根据权利要求4所述的一种适用于高分高光谱数据的城市典型地物精细分类方法，其特征在于，所述原始卷积自编码器网络包括：原始编码器和原始解码器，则所述S21包括：将每个训练样本数据分别作为所述原始编码器的输入特征和所述原始解码器的输出特征进行迭代预训练，并采用均方根误差作为损失函数，直至所述损失函数降低且趋于收敛时，得到所述目标卷积自编码...

【专利技术属性】
技术研发人员：李逸川，郭大海，刘亚萍，赵雅新，
申请(专利权)人：上海航遥信息技术有限公司，
类型：发明
国别省市：