[发明专利]一种多源遥感数据自适应融合地物分类方法

说明书

本发明属于遥感数据处理与应用技术领域，具体涉及一种多源遥感数据自适应融合地物分类方法。获取同一地区同一时间的遥感影像和LiDAR点云，输入至构建的地物分类模型中，得到地物分类结果；其中，地物分类模型包括二维网络、三维网络、采样重构模块、特征融合模块和分类器；二维网络用于对输入的遥感影像进行特征提取得到二维特征，三维网络用于对输入的LiDAR点云进行特征提取得到三维特征；采样重构模块用于实现二维特征和三维特征的对齐；特征融合模块用于将对齐后的二维特征和三维特征进行融合处理。本发明突破了现有融合方法大多基于影像而对三维信息利用不够充分的问题，为异源数据融合提供了新的思路，在实际应用中具有重要意义。

技术领域

本发明属于遥感数据处理与应用技术领域，具体涉及一种多源遥感数据自适应融合地物分类方法。

背景技术

基于遥感数据的地物精确分类是对地观测的重要研究内容之一，随着遥感影像光谱分辨率和时间分辨率的提高，大量基于深度学习的地物分类方法被陆续提出，将卷积神经网络应用于遥感影像可以显著提高深度特征的提取能力。然而单一数据源由于缺乏丰富多样的信息，仍面临某些地物类别难以实现准确分类的情况，联合利用多源遥感数据是突破这一瓶颈的重要解决途径。激光雷达(Light Detection And Ranging,LiDAR)技术具有快速、主动、可穿透性强的特点，其获取的点云数据结构稳定，能够客观真实地表达场景的复杂几何信息，成为高精度地面三维信息的重要数据源。目前，已有研究通过融合多源遥感数据的光谱和空间特性实现地物分类，但受限于不同传感器及数据结构差异，多模态的遥感数据融合研究仍有很多挑战。

对影像和点云的融合分类研究主要分为在输入层的前期融合、特征层的中间融合和决策层的后期融合三类。在特征层对多模态数据进行交互是更为合理和灵活的融合策略，也是目前采用最多的融合方法，大多以影像为基准，通过将点云转化为数字地面模型(Digital Surface Model,DSM)，从影像和DSM中提取空间特征，然后采用分类器对叠加的空间和光谱特征进行联合分类。近些年，研究多利用深度学习模型在海量数据中强大的特征提取能力，在深度特征层上对特征的深度概括提取和数据结构信息的重构耦合，从而使多源数据在特征级层次融合取得可观的解译精度。然而，同样大多以二维影像为基准，忽略了点云的三维空间信息，独有的三维优势结构信息由于在特征输入前被投影至二维平面造成了严重的丢失。同时，由于多模态数据间的高度信息耦合及数据结构差异，现有以特征串联的融合方式会导致信息融合不够充分，甚至破坏单模态的特征学习过程，分类精度仍有待提高。

发明内容

本发明的目的在于提供一种多源遥感数据自适应融合地物分类方法，用以解决现有技术中地物分类精度较低的问题。

为解决上述技术问题，本发明提供了一种多源遥感数据自适应融合地物分类方法，获取同一地区同一时间的遥感影像和LiDAR点云，输入至构建的地物分类模型中，得到地物分类结果；其中，所述地物分类模型包括二维网络、三维网络、采样重构模块、特征融合模块和分类器；所述二维网络用于对输入的遥感影像进行特征提取得到二维特征，所述三维网络用于对输入的LiDAR点云进行特征提取得到三维特征；所述采样重构模块用于实现二维特征和三维特征的对齐；所述特征融合模块用于将对齐后的二维特征和三维特征进行融合处理；所述分类器用于依据特征融合处理结果得到LiDAR点云中每个点云的地物分类结果。

其有益效果为：本发明能够融合输入的遥感影像和LiDAR点云，利用二维网络和三维网络提取相应的特定于遥感影像的空谱特征和LiDAR点云的几何特征，保证网络学习到的特征不限于模态学习到的共同信息，避免了独有信息的丢失，进而通过非线性的自适应融合方法有效实现异源特征的充分融合，突破了现有融合方法大多基于影像而对三维信息利用不够充分的问题，为异源数据融合提供了新的思路，在实际应用中具有重要意义。