【技术实现步骤摘要】
本专利技术属于计算机视觉图像处理，尤其涉及一种基于连续尺度特征网络的遥感多模态图像分类方法。
技术介绍
1、遥感已成为地球观测的重要工具，提供有关地球表面的广泛空间、光谱和时间信息。随着遥感技术的快速发展，遥感数据已广泛应用于各个领域，包括土地覆盖制图、植被监测、城市规划和灾害评估。遥感最重要的应用之一是图像分类，根据遥感图像的光谱和空间特性将像素或区域分类为不同土地覆盖类别的过程。近年来，人们越来越关注融合不同遥感数据源以提高图像分类精度。特别是，全色图像(pan)和多光谱图像(ms)数据的融合受到了相当多的关注。pan数据具有高空间分辨率但低光谱分辨率，而ms数据具有低空间分辨率但高光谱分辨率。因此，pan和ms数据的融合可以同时利用pan数据的高空间分辨率和ms数据的高光谱分辨率来产生高分辨率多光谱(hrms)图像，更适合图像分类。针对不同的遥感数据融合，大致可分为两类：数据级融合，是融合各种数据源的优势特征来生成新图像的方法，这些融合图像随后用于下游分类任务；特征级融合，从不同数据源提取特征并融合以用于下游分类任务。前一种方法的重点在于生成一张具有不同源特性的新的图像，后一种方法侧重于对不同源图像的特征进行提取并加以运用。
2、对于pan和ms数据，前一类旨在将ms图像像中丰富的光谱信息转移到pan图像的高空间分辨率，从而产生hrms图像。此类方法的关键在于全色锐化算法。最近，一种用于遥感图像融合的无监督全色锐化方法(jiayi ma,wei yu,chen chen,pengwei liang,xiaoji
3、chunju zhang等人(chunju zhang,guandong li,and shihong du,multi-scaledense networks for hyperspectral remote sensing image classification.ieeetransactions on geoscience and remote sensing,vol,57,no.11,november 201)提出了利用了网络结构中的不同尺度信息，并在整个网络中结合尺度信息，实现了图像的二维特征提取，包括精细和粗糙两个层次的特征提取。在水平方向上，考虑高光谱图像特征的深度提取，采用三维密集连接结构对不同层次的特征进行聚合。在垂直方向上，考虑尺度信息，在网络第一层的基础上生成低、中、高三个层次的三尺度特征图。采用步进卷积进行降采样，并在不同尺度上组合特征信息。沿着对角线提取特征，实现了图像分类的深度特征提取和多尺度融合重建。但是由于方案中仍是通过调整图像尺寸划分出低、中、高三个尺度进行特征提取，无法对遥感图像中大小连续变化的物体都实现最佳的特征提取与良好表示。
技术实现思路
1、为了克服上述现有技术中的缺点，本专利技术的目的在于提供了一种基于连续尺度特征网络的遥感多模态图像分类方法，通过分别对pan图像和ms图像构建一个连续的尺度空间，同时使用轮廓波变换提取空间分辨率更好的pan图像的特征增强pan和ms图像连续尺度空间的纹理特征；通过构建的连续尺度特征网络在连续尺度空间中能够表示对所有地物的最优特征，能够实现对ms和pan图像更好的分类性能；本专利技术解决了现有技术中遥感图像特征提取的尺度不连续以及不同尺度图像的纹理弥散的技术问题，增强了神经网络对遥感图像中大小连续变化的地物整体的特征提取能力，提高了遥感多模态分类精度，具有尺度连续、纹理增强的特点。
2、为了达到上述专利技术目的，本专利技术所采用的技术方案如下：
3、一种基于连续尺度特征网络的遥感多模态图像分类方法，包括如下步骤：
4、步骤1：从数据集读入遥感图像，所述遥感图像包括pan图像和ms图像，以及对应的只有部分区域标注的类标groundtruth图；对pan图像和ms图像进行预处理，对预处理后的遥感图像数据集进行划分，得到训练集和测试集；
5、步骤2：提取步骤1中的预处理后的pan图像的边缘纹理信息；
6、步骤3：基于步骤2中pan图像上提取的边缘纹理信息，构建边缘纹理增强的连续尺度空间模块，所述连续尺度空间模块包括连续尺度空间的pan图像和ms图像；
7、步骤4：基于步骤3中生成的连续尺度空间模块，构建连续尺度特征网络；
8、步骤5：将步骤1中的训练集输入步骤4构建的连续尺度特征网络中进行训练，使用交叉熵损失函数进行优化，直至交叉熵损失函数值不再下降，得到训练好的分类模型；
9、步骤6：将步骤1中的测试集输入步骤5中训练好的分类模型进行分类，得到测试集中每个图像像素点的类别。
10、所述步骤1的具体过程如下：
11、步骤1.1：从数据集中读入遥感图像，所述遥感图像包括pan图像和ms图像，以及对应的只有部分区域标注的类标groundtruth图；将pan图像和ms图像矩阵中所有像素点的值归一化到[0，1]之间，所述归一化公式如下：
12、
13、其中，pi表示图像中任一点的像素值，pmin为图像所有像素点中的最小像素值，pmax为图像所有像素点中本文档来自技高网...
【技术保护点】
1.一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤1的具体过程如下：
3.根据权利要求1所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤2的具体过程如下：
4.根据权利要求3所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤2.2中多级轮廓波变换的具体过程如下：
5.根据权利要求4所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于：所述步骤2.2中的拉普拉斯变换公式如下：
6.根据权利要求1所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤3的具体过程如下：
7.根据权利要求6所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于：所述步骤3中的高斯模糊的公式如下：
8.根据权利要求1所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤4的具体
9.根据权利要求8所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于：
10.根据权利要求1所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤5中的交叉熵损失函数的公式如下：
...【技术特征摘要】
1.一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤1的具体过程如下：
3.根据权利要求1所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤2的具体过程如下：
4.根据权利要求3所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于，所述步骤2.2中多级轮廓波变换的具体过程如下：
5.根据权利要求4所述的一种基于连续尺度特征网络的遥感多模态图像分类方法，其特征在于：所述步骤2.2中的拉普拉斯变换公式如下：
【专利技术属性】
技术研发人员：朱浩，赵文浩，李晓童，侯彪，焦昶哲，任仲乐，
申请(专利权)人：西安电子科技大学，
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。