[发明专利]地物分类方法及装置

说明书

技术领域

本发明涉及遥感技术领域，具体而言，涉及一种地物分类方法及装置。

背景技术

高光谱图像是当前遥感领域的前沿技术，其能够获取上百个光谱连续的波段。与全色、多光谱遥感图像相比，高光谱图像具有更加高的光谱分辨率，能够提供更加丰富的地物信息，从而更好的识别地物。但是，高光谱图像不能很好的解决复杂城市区域的建筑物阴影、云覆盖等难题，另外，在对更复杂的城市区域进行地物分类时，高光谱图像不能有效区分由相同材料组成的不同地物，因此，需要提取更具可分性的空谱特征。

基于形态学属性剖面的空间结构特征能够有效提取高光谱图像中多尺度结构信息，但是由于高光谱图像的复杂性和多样性，单一的特征对高光谱图像的描述有限，在大场景高光谱图像的识别分类中，难以获取足够的训练样本，计算代价大。

发明内容

本发明的目的在于提供一种地物分类方法及装置，用以改善上述问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明提供了一种地物分类方法，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；将第一图像和第二图像进行融合，得到第三图像；利用预设的卷积神经网络，对第三图像进行特征提取与分类，得到地物分类结果。

第二方面，本发明提供了一种地物分类装置，所述装置包括第一提取模块、第二提取模块、图像融合模块及地物分类模块。其中，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第一图像和第二图像进行融合，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，对第三图像进行特征提取与分类，得到地物分类结果。

相对现有技术，本发明具有以下有益效果：本发明提供的一种地物分类方法及装置，通过将高光谱图像的多个属性剖面特征和激光扫描图像的属性剖面特征进行融合，将髙光谱图像丰富的光谱信息和激光扫描图像精确的高程信息进行互补，解决了现有技术中由于光谱信息不准确导致的地物分类受局限的问题。另外，利用卷积神经网络进行特征提取与分类，降低了对训练样本的数量要求，同时提升了地物分类的精度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例提供的电子设备的方框示意图。

图2示出了本发明实施例提供的地物分类方法流程图。

图3为图2示出的步骤S101的子步骤流程图。

图4为图3示出的子步骤S1013的子步骤流程图。

图5为图2示出的步骤S104的子步骤流程图。

图6为图5示出的子步骤S1042的子步骤流程图。

图7为图5示出的子步骤S1043的子步骤流程图。

图8示出了本发明实施例提供的地物分类装置的方框示意图。

图9为图8示出的地物分类装置中第一提取模块的方框示意图。

图10为图9示出的第一提取模块中执行单元的方框示意图。

图11为图8示出的地物分类装置中地物分类模块的方框示意图。

图12为图11示出的地物分类模块中图像特征提取单元的方框示意图。

图13为图11示出的地物分类模块中图像特征分类单元的方框示意图。

图标：100-电子设备；101-存储器；102-存储控制器；103-处理器；200-地物分类装置；201-第一提取模块；2011-图像获取单元；2012-主成分分析单元；2013-执行单元；20131-特征获取单元；20132-特征叠加单元；2014-第一图像获得单元；202-第二提取模块；203-图像融合模块；204-地物分类模块；2041-图像块获取单元；2042-图像特征提取单元；20421-第一子执行单元；20422-第二子执行单元；20423-图像特征获得单元；2043-图像特征分类单元；20431-特征矢量获得单元；20432-概率值计算单元；20433-地物类别获得单元；2044-地物分类结果获得单元。

具体实施方式