[发明专利]基于双通道卷积阶梯网的多源遥感影像地物分类方法

说明书

本发明公开了基于双通道卷积阶梯网的多源遥感影像地物分类方法，将landsat‑8传感器和sentinel‑2传感器得到的待分类地区的多光谱数据分别使用ENVI软件进行归一化处理，得到归一化后的多光谱数据；对归一化后的数据取每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；每类随机选取若干块组成训练数据集L和S；构造基于双通道卷积阶梯网的多源遥感影像地物分类模型；用训练数据集L和S对双通道卷积阶梯网多源遥感影像地物分类模型进行训练；利用训练好的双通道卷积阶梯网多源遥感影像地物分类模型对测试数据集进行分类。本发明仅使用少量有类标样本就获得了很高的多源影像分类精度，本发明可用于目标检测。

技术领域

本发明属于图像处理领域，具体涉及一种基于双通道卷积阶梯网的多源遥感影像地物分类方法。

背景技术

随着遥感技术的发展，由各种不同遥感器获取的同一地区的多光谱、多分解力、多时相的影像数据越来越多，为自然资源调查、环境监测等提供了丰富而又宝贵的资料。但各种单一的遥感手段获取的影像数据在几何、光谱和空间分辨率等方面存在着明显的局限性和差异性，导致其用于分类的能力是有限的。显然，把它们各自的优势和互补性结合起来用于分类是非常重要的。信息融合技术是多元信息综合处理的一项技术，它能将多源信息加以合成，产生比单元信息更精确、更完全的估计和判决。信息融合技术按融合层次可分为数据层、特征层和决策层融合。其中，特征级的融合是较高层次的融合，这类融合技术首先对各种数据源进行特征提取，然后对这些特征进行综合分析和融合处理。常用的特征级融合方法有贝叶斯估计、Dempster-Shafer证据理论、聚类分析法和人工神经网络等。其中，神经网络具有信息的分布式存储、并行处理、自学习和自组织等功能，并将多源信息特征构成的高维特征空间进行整合处理，可以有效地融合多维信息用于分类等问题。

在使用人工神经网络实现融合以及分类时，常使用有监督的分类方法，需要大量的有类标数据，成本较高，需耗费大量的人力财力。

发明内容

本发明的目的在于克服上述不足，提供一种基于双通道卷积阶梯网的多源遥感影像地物分类方法，使用神经网络的方式对多源数据进行融合，仅使用少量有类标样本，即可获得较高的多源影像地物分类精度。

为了达到上述目的，本发明包括以下步骤：

步骤一，将landsat-8传感器得到的若干待测地区的多光谱数据进行归一化处理，得到归一化后的多光谱数据，并标记为landsat_A、landsat_B、landsat_C、……、landsat_N；

步骤二，将sentinel-2传感器得到若干待测地区的多光谱数据进行归一化处理，得到归一化后的多光谱数据，并标记l为sentinel_A、sentinel_B、sentinel_C、……、sentinel_N；

步骤三，将landsat_A中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵L1_A，同理，得到特征矩阵L1_B、L1_C、……、L1_N；

步骤四，将sentinel_A中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵S1_A，同理，得到特征矩阵S1_B、S1_C、……、S1_N；

步骤五，在特征L1_A中，每类随机选取若干块组成集合L2_A，同理，由L1_B、L1_C、……、L1_N分别得到集合L2_B、L2_C、……、L2_N，由L2_A、L2_B、L2_C、……、L2_N组成训练数据集L；

步骤六，在S1_A中，选取和L2_A中对应的块组成集合S2_A，同理，由S1_B、S1_C、……、S1_N分别得到集合S2_B、S2_C、……、S2_N，由S2_A、S2_B、S2_C、……、S2_N组成训练数据集S；

步骤七，构造双通道卷积阶梯网多源遥感影像地物分类模型；