高光谱-激光雷达图像的土地覆被分类方法技术

高光谱‑激光雷达图像的土地覆被分类方法，解决了现有土地覆被分类难以有效地提取判别特征的问题，属于土地覆被分类技术领域。本发明专利技术包括：土地覆被的HSI和LiDAR数据输入至多尺度互相关注意力卷积融合网络，得到HSI和LiDAR数据的联合语义特征，将该联合语义特征输入分类模块中，分类模块生成最终分类结果；本发明专利技术的多尺度互相关注意力卷积融合网络利用多尺度残差的卷积块从HSI和LiDAR数据中提取光谱、空间和高程特征，并利用互相关注意力块将提取的光谱特征与HSI的空间特征和LiDAR的高程特征进行融合，还利用互相关注意力块融合HSI和LiDAR的空间特征。本发明专利技术可以充分利用HSI的光谱信息和LiDAR的高程信息，提高土地覆被分类的精度。

【技术实现步骤摘要】

本专利技术涉及一种高光谱-激光雷达图像的土地覆被分类方法，属于土地覆被分类。

技术介绍

1、近年来，遥感技术在地球观测任务中发挥了至关重要的作用。随着传感器技术的发展，遥感成像来源呈现出多样化趋势。虽然有大量的来自多种传感器源的数据可以供本实施方式使用，但每个来源的遥感数据只能捕捉到一个或几个特定的属性，无法完整全面的描述所观测到的场景信息。这对后续应用造成了极大的限制。多源遥感数据融合技术是解决这一难题的可行办法。通过整合来自多个数据来源遥感图像，实现信息互补，可以得到更完整的场景信息，更可靠、更准确地执行目标任务。

2、根据遥感数据来源的不同，多源融合技术可分为同质融合和异质融合。根据融合的层次，融合技术又可分为像素级融合、特征级融合和决策级融合。与同质遥感数据相比，异质遥感数据具有更高的多样性和互补性，在实际应用中具有很好的利用潜力。由于观测到的目标特征差异巨大，异质遥感数据通常采用特征级融合或决策级融合方法处理。以高光谱-激光雷达图像(hsi-lidar)为例，高光谱图像(hsi)拥有丰富的光谱信息，可以对土地覆被进行精确分类和识别。然本文档来自技高网...

【技术保护点】

1.高光谱-激光雷达图像的土地覆被分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的高光谱-激光雷达图像的土地覆被分类方法，其特征在于，激光雷达图像的数据立方体1是数据立方体的个数，h×w是数据立方体空间尺度，c是光谱通道数；

3.根据权利要求1所述的高光谱-激光雷达图像的土地覆被分类方法，其特征在于，高光谱图像的数据立方体1是数据立方体的个数，h×w是数据立方体空间尺度，c是光谱通道数；

4.根据权利要求3所述的高光谱-激光雷达图像的土地覆被分类方法，其特征在于，2号空间卷积特征提取模块使用1×1×c卷积层对数据立方体进行操作，将高光谱图...

【技术特征摘要】

1.高光谱-激光雷达图像的土地覆被分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的高光谱-激光雷达图像的土地覆被分类方法，其特征在于，激光雷达图像的数据立方体1是数据立方体的个数，h×w是数据立方体空间尺度，c是光谱通道数；

3.根据权利要求1所述的高光谱-激光雷达图像的土地覆被分类方法，其特征在于，高光谱图像的数据立方体1是数据立方体的个数，h×w是数据立方体空间尺度，c是光谱通道数；

4.根据权利要求3所述的高光谱-激光雷达图像的土地覆被分类方法，其特征在于，2号空间卷积特征提取模块使用1×1×c卷积层对数据立方体进行操作，将高光谱图像的光谱通道数减小为1，并增加数据立方体的数量到f，再采用串联的3个空间多尺度残差卷积块从增加数量后的数据立方体中提取空间特征，使用一次聚合将3个空间多尺度残差卷积块提取的空间特征合并，使用1个1×1×1卷积层将合并的空间特征的尺度从3f×h×w×1转换为f×h×w×1，并利用残差方法保留浅层特征，得到激光雷达图像的空间特征。

5.根据权利要求1所述的高光谱-激光雷达...

【专利技术属性】
技术研发人员：葛海淼，潘海珠，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：