[发明专利]地物分类方法及装置

权利要求书

1.一种地物分类方法，其特征在于，所述方法包括；

提取高光谱图像的多个属性剖面特征，得到第一图像；

提取激光扫描图像的属性剖面特征，得到第二图像；

将所述第一图像和所述第二图像进行融合，得到第三图像；

利用预设的卷积神经网络，对所述第三图像进行特征提取与分类，得到地物分类结果。

2.如权利要求1所述的方法，其特征在于，所述提取高光谱图像的多个属性剖面特征，得到第一图像的步骤，包括：

获取高光谱图像；

对所述高光谱图像进行主成分分析，得到多个主成分图像；

根据任意一个形态学属性，得到多个主成分图像的属性剖面特征，其中，所述形态学属性包括面积属性、惯性矩属性及标准差属性；

将多个形态学属性的属性剖面特征进行叠加，得到第一图像。

3.如权利要求2所述的方法，其特征在于，所述根据任意一个形态学属性，得到多个主成分图像的属性剖面特征的步骤，包括：

根据任意一个所述形态学属性，对每个所述主成分图像进行开运算和闭运算，获取每个所述主成分图像的属性剖面特征；

将每个所述主成分图像的属性剖面特征进行叠加，得到多个主成分图像的属性剖面特征。

4.如权利要求1所述的方法，其特征在于，所述利用预设的卷积神经网络，对所述第三图像进行特征提取与分类，得到地物分类结果的步骤，包括：

以所述第三图像中每个像素点为中心，获取多个大小为n×n的图像块，其中，n为大于1的整数；

将多个所述图像块输入所述卷积神经网络，利用所述卷积神经网络的第一网络进行深度特征学习并提取图像特征，其中，所述第一网络包括卷积层及池化层；

将从所述第一网络提取到的图像特征输入第二网络并进行分类，得到每个所述图像特征的地物类别，其中，所述第二网络包括全连接层及多类逻辑回归层；

将每个所述图像特征的地物类别进行融合，得到地物分类结果。

5.如权利要求4所述的方法，其特征在于，所述将多个图像块输入所述卷积神经网络，利用所述卷积神经网络的第一网络进行深度特征学习并提取图像特征的步骤，包括：

将多个图像块输入所述卷积神经网络，利用多层卷积层进行卷积求和、加偏置，并经过ReLu激励函数，得到每层卷积层的输出特征图；

利用每层卷积层后的池化层对该卷积层的输出特征图进行下采样，得到特征映射图；

利用最后一层卷积层后的池化层对该卷积层的输出特征图进行下采样，得到所述图像特征。

6.如权利要求5所述的方法，其特征在于，所述将从所述第一网络提取到的图像特征输入第二网络并进行分类，得到每个所述图像特征的地物类别的步骤，包括：

利用所述全连接层对最后一层池化层输出的图像特征进行拉平，得到特征矢量，其中，所述全连接层的每个神经元对应1个图像特征；

利用所述多类逻辑回归层，计算每个所述特征矢量属于每个预设地物分类的概率值；

获取每个所述特征矢量的最大概率值对应的预设地物分类，并将该预设地物分类作为该特征矢量对应的图像特征的地物类别。

7.一种地物分类装置，其特征在于，所述装置包括；

第一提取模块，用于提取高光谱图像的多个属性剖面特征，得到第一图像；

第二提取模块，用于提取激光扫描图像的属性剖面特征，得到第二图像；

图像融合模块，用于将所述第一图像和所述第二图像进行融合，得到第三图像；

地物分类模块，用于利用预设的卷积神经网络，对所述第三图像进行特征提取与分类，得到地物分类结果。

8.如权利要求7所述的装置，其特征在于，所述第一提取模块包括：

图像获取单元，用于获取高光谱图像；

主成分分析单元，用于对所述高光谱图像进行主成分分析，得到多个主成分图像；

执行单元，用于根据任意一个形态学属性，得到多个主成分图像的属性剖面特征，其中，所述形态学属性包括面积属性、惯性矩属性及标准差属性；

第一图像获得单元，用于将多个形态学属性的属性剖面特征进行叠加，得到第一图像。