【技术实现步骤摘要】
基于全局协同融合的多光谱和全色卫星影像地表分类方法
[0001]本专利技术涉及多源遥感影像特征级融合和分类领域，尤其是涉及基于全局协同融合的多光谱和全色卫星影像地表分类方法。
技术介绍
[0002]随着遥感平台和传感器类型的不断丰富，融合多模态遥感影像(如高光谱和LiDAR，多光谱和SAR，多光谱和全色影像)的地表覆盖分类和检测，能够有效地提高地表要素的分类和识别精度。在众多多模态遥感影像融合中，多光谱和全色遥感影像是最容易被同时获取的一对影像数据，尽管多光谱影像的空间分辨率低，但其包含的多个光谱信息能够被用于区分不同类地物；反之，全色影像只包含一个波段，但其较高的空间分辨率有助于准确描述物体的形状边界及其空间关系。因此，联合使用多光谱和全色影像可以充分利用两种数据的优势。
[0003]目前的多光谱和全色遥感影像融合分类存在两个方面的缺陷：1)分类方式：使用基于切片的逐像素分类方式，切片产生冗余，增加数据处理负担，且切片破坏了地物的完整性，切片的限制使得深度网络不能自由的获取上下文信息。2)融合策略：现有的融合方法大...
【技术保护点】
【技术特征摘要】
1.一种基于全局协同融合的多光谱和全色卫星影像地表分类方法，其特征在于，包括以下步骤：S1：获取研究区的多光谱卫星遥感影像和全色卫星遥感影像，并进行地表要素样本标注，得到研究区的训练样本图；S2：构建全局协同的多光谱和全色卫星遥感影像地表要素分类深度卷积神经网络，该网络包括两个单源分支和一个多源分支；S3：将步骤S1获取的研究区的多光谱卫星遥感影像和全色卫星遥感影像以及对应的训练样本图，输入步骤S2构建的全局协同的多光谱和全色卫星遥感影像地表要素分类深度卷积神经网络中，进行网络训练，得到训练后的网络模型；S4；获取待分类的研究区多光谱卫星遥感影像和全色卫星遥感影像，并输入到步骤S3中训练好的网络模型中进行预测，得到各个网络分支的概率分类图；S5：通过概率加权的方式对步骤S4中三个网络分支的概率分类图进行决策级融合，得到最终的研究区地表要素分类图。2.根据权利要求1所述的一种基于全局协同融合的多光谱和全色卫星影像地表分类方法，其特征在于，步骤S1中，所述多光谱卫星遥感影像的尺寸大小为H
×
W
×
B，所述全色卫星遥感影像的尺寸大小为nH
×
nW
×
1，所述训练样本图的尺寸大小为nH
×
nW
×
1，其中，H、W和B分别为多光谱影像的高、宽和波段数，n为全色影像尺寸相对于多光谱影像尺寸的倍数。3.根据权利要求1所述的一种基于全局协同融合的多光谱和全色卫星影像地表分类方法，其特征在于，所述两个单源分支包括单源多光谱深浅特征融合分支和单源全色深浅特征融合分支，所述多源分支为多尺度多光谱和全色交叉特征融合分支，所述多光谱和全色卫星遥感影像地表要素分类深度卷积神经网络还包括三个网络分支的自适应加权交叉熵损失。4.根据权利要求3所述的一种基于全局协同融合的多光谱和全色卫星影像地表分类方法，其特征在于，所述单源多光谱深浅特征融合分支包括多光谱编码模块和多光谱解码模块，所述多光谱编码模块包括依次连接的多光谱输入层、编码卷积块MS1、光谱注意力模块1、编码卷积块MS2、光谱注意力模块2、编码下采样层MS1和编码卷积块MS3；所述多光谱解码模块包括依次连接的解码卷积层MS1、解码上采样层MS1、解码卷积层MS2、解码上采样层MS2、解码卷积层MS3、解码上采样层MS3、解码卷积层MS4和多光谱输出层；所述单源全色深浅特征融合分支包括全色编码模块和全色解码模块，所述全色编码模块包括依次连接的全色输入层、编码卷积块PAN1、编码下采样层PAN1、编码卷积块PAN2、编码下采样层PAN2、编码卷积块PAN3、编码下采样层PAN3和编码卷积块PAN4，所述全色解码模块包括依次连接的解码卷积层PAN1、解码上采样层PAN1、解码卷积层PAN2、解码上采样层PAN2、解码卷积层PAN3、解码上采样层PAN3、解码卷积层PAN4和全色输出层。5.根据权利要求4所述的一种基于全局协同融合的多光谱和全色卫星影像地表分类方法，其特征在于，所述编码卷积块MS1、解码卷积层MS1、编码卷积块MS2、解码卷积层MS2、编码卷积块MS3、解码卷积层MS3、编码卷积块PAN1、解码卷积层PAN1、编码卷积块PAN2、解码卷积层PAN2、编码卷积块PAN3、解码卷积层PAN3、编码卷积块PAN4和解码卷积层PAN4中均包含卷积层、组归一化层和激活...
【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，刘世杰，许雄，叶真，陈鹏，
申请(专利权)人：同济大学，
类型：发明
国别省市：
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。