[发明专利]基于融合高光谱图像和DSM数据的分类方法在审
| 申请号： | 201910487219.1 | 申请日： | 2019-06-05 |
| 公开（公告）号： | CN110210420A | 公开（公告）日： | 2019-09-06 |
| 发明（设计）人： | 张钧萍;王金哲;吴斯凡 | 申请（专利权）人： | 哈尔滨工业大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 哈尔滨市松花江专利商标事务所 23109 | 代理人： | 董玉娇 |
| 地址： | 150001 黑龙*** | 国省代码： | 黑龙江;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 高光谱图像 融合 数据信息 分类 高程信息 光谱联合 光谱信息 多尺度 信息技术处理 地物分类 神经网络 特征融合 特征提取 样本类别 分类器 高光谱 像素级 光谱 标签 联合 | ||
基于融合高光谱图像和DSM数据的分类方法，涉及高光谱图像信息技术处理领域。解决了现有像素级融合方法会损失高光谱的光谱信息，很难实现高光谱图像的空间和光谱信息的联合利用，此外，在融合过程中，会存在不同程度的光谱失真的问题。分类方法包括如下步骤：步骤一、通过双支神经网络同时对高光谱图像和LiDAR衍生的DSM数据进行特征提取，获得高光谱图像的空间‑光谱联合信息Fspec‑spat和DSM数据的多尺度高程信息Felv；步骤二、将Fspec‑spat和Felv进行全连接，从而实现空间‑光谱联合信息Fspec‑spat和多尺度高程信息Felv的特征融合，获得融合后的数据信息Fall；步骤三、通过分类器对数据信息Fall进行分类，获得样本类别标签，从而完成对融合后的数据信息Fall的分类。主要用于进行地物分类。
技术领域
本发明涉及高光谱图像信息技术处理领域。
背景技术
随着航空、航天平台，传感器技术的不断进步，可获得的数据类型越来越多，有效地利用多源遥感数据可以有效的解决单一数据源在土地利用、军事侦察方面所带来的不足。
现有的数据融合方法主要可以分为三类：像素级融合、特征级融合以及决策级融合，传统的融合方法大多为像素级融合，且会损失高光谱的光谱信息，很难实现高光谱图像的空间和光谱信息的联合利用，例如：现有技术对空间特征和光谱的特征的利用主要有堆栈方式和混合核方式，这两种方式都是对空间和光谱信息进行组合，不仅增加了数据处理的复杂性，还破坏了原有的数据结构，使得原有特征不能得到充分的利用。此外，在融合过程中，会存在不同程度的光谱失真，因此，传统融合方法中像素级融合存在的以上问题亟需解决。
发明内容
本发明是为了解决现有像素级融合方法会损失高光谱的光谱信息，很难实现高光谱图像的空间和光谱信息的联合利用，此外，在融合过程中，会存在不同程度的光谱失真的问题，本发明提供了一种基于融合高光谱图像和DSM数据的分类方法。
基于融合高光谱图像和DSM数据的分类方法，该分类方法包括如下步骤：
步骤一、通过双支神经网络同时对高光谱图像和LiDAR衍生的DSM数据进行特征提取，获得高光谱图像的空间-光谱联合信息Fspec-spat和DSM数据的多尺度高程信息Felv；
步骤二、将空间-光谱联合信息Fspec-spat和多尺度高程信息Felv进行全连接，从而实现空间-光谱联合信息Fspec-spat和多尺度高程信息Felv的特征融合，获得融合后的数据信息Fall；
步骤三、通过分类器对数据信息Fall进行分类，获得样本类别标签，从而完成对融合后的数据信息Fall的分类。
优选的是，双支神经网络包括3D CNN分支和2D CNN分支；
3D CNN分支，用于对高光谱图像进行特征提取，从而获得高光谱图像的空间-光谱联合信息Fspec-spat；
2D CNN分支，用于对LiDAR衍生的DSM数据进行特征提取，从而获得DSM数据的多尺度高程信息Felv。
优选的是，3D CNN分支为六层网络结构；
六层网络结构包括两个卷积层、一个归一化层、两个激活层和一个最大池化层；
其中，
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于哈尔滨工业大学，未经哈尔滨工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910487219.1/2.html，转载请声明来源钻瓜专利网。
