[发明专利]一种逐像素分类方法、存储介质及分类设备

说明书

本发明公开了一种逐像素分类方法、存储介质及分类设备，从数据集中读入多光谱影像，包括已配准后的PAN图像数据和MS图像数据以及对应的类标ground truth图；将共有特征融合得到MSHPAN图像数据；确定训练集和测试集；进行预处理，设计基于自适应感受野网络模块A和自适应通道的谱段信息提取的B模块的渐进融合网络；训练得到分类模型，对测试集进行分类，得到测试数据集中每个像素点的类别。本发明自适应的将提取出空间信息和谱段信息，进而将其逐渐的进行融合。

技术领域

本发明属于计算机视觉图像处理技术领域，具体涉及一种基于自适应感受野和自适应通道的渐进融合的逐像素分类方法、存储介质及分类设备，可用于环境监测、土地覆盖、城市建设等遥感图像地物分类相关领域中。

背景技术

近年来，在先进装备技术的支持下，许多地球观测卫星可以在相同的覆盖范围内，获取空间分辨率比较高的全色图(PAN)和光谱信息比较丰富的多光谱图像(MS)。因此，PAN数据和MS数据之间的这种特征互补性为遥感领域的融合分类提供了重要的发展潜力。

特征互补的多分辨率数据融合已经被应用于遥感、医疗等多种领域。这种数据融合的方式首先需要分别将互补的图像分解成低频分量和不同尺度或方向的高频分量。然后根据分量的特征对对应的部分进行有选择的融合，主要负责融合图像的互补信息。最后再对融合后的分量进行逆变换，得到融合后的图像。常用的多分辨融合方法主要有拉普拉斯金字塔变换、小波变换、IHS变换、曲线变换、第二代曲线变换和主成分变换PCT。多分辨率数据融合在分解的过程中，可以获得各种各样的详细信息，然后根据个人以及目标的要求，将其部分分量进行融合，加强分量的特有特征，提高融合应用的准确率。在实际的操作过程中，大部分多源多分辨率融合都是为了特有特征的加强而进行的，从而获得更好的融合结果，使其更好的解释语义信息。大部分由于不同传感器获取的不同分辨率的数据具有很大的差异，因此，需要对源数据进行融合。

除了上述传统的数据融合方法，随着深度学习的发展，信息互补的图像通常采用双支路的特征提取来学习有区别和不变的特性，进而进行融合分类。深度学习的方法相比于传统的机器学习方法在很多领域都取得了不错的效果。近几年来，许多深度学习的模型都被应用于多源遥感数据的融合分类。虽然深度学习的方法在融合分类中取得了很大的进步，但是融合的方式却是非常的简单而粗暴的，提高了对分类网络的要求，因此，特征融合分类的网络还有待发掘。

低分辨率的多光谱图像和高分辨率的全色图像之间的融合属于多传感器图像融合的一个重要分支，在航空航天和遥感卫星应用中占据重要的位置。虽然深度的双支路特征融合网络在特征提取方面取得了一定的进展，但仍然存在一些值得去关注的问题：PAN和MS表征的是同一地物，不同模态的数据差异很大，分别输入双支路的网络会加大特征提取的压力；在提取特征的最后，简单的通过叠加或者拼接的技术直接将两个不同源数据的特征进行融合，这种方式简单粗暴；随着遥感技术的不断发展，获取到的遥感图像的分辨率都比较高，且里面包含了大小不同的目标，同时，对于一个特定的目标而言，每个通道信息或每一个空间信息对图像语义的表征能力各不相同。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于自适应感受野和自适应通道的渐进融合的逐像素分类方法、存储介质及分类设备，通过自适应空间和自适应谱段选择的渐进融合网络，解决目前现有技术的融合方式简单粗暴和分类精度低的问题。

本发明采用以下技术方案：

一种逐像素分类方法，包括以下步骤：

S1、从数据集中读入多光谱影像，包括已配准后的PAN图像数据和MS图像数据以及对应的类标ground truth图；

S2、将步骤S1得到的PAN图像数据和MS图像数据的共有特征进行融合得到MSHPAN图像数据；

S3、对步骤S1的PAN图像数据、MS图像数据和步骤S2的MSHPAN图像数据进行归一化处理，确定训练集和测试集；