[發明專利]多光譜圖像地物分類方法、系統、介質及終端

有效

• 申請號: 202010059384.X
• 申請日: 2020-01-19
• 公開（公告）號: CN111274936B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 屈辰陽;汪鳴泉;王茂華
• 申請（專利權）人: 中國科學院上海高等研究院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V20/13;G06V10/774;G06V10/82;G06N3/0464;G06N3/0455;G06N3/08
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 徐秋平

本發明提供一種多光譜圖像地物分類方法、系統、介質及終端；所述方法包括以下步驟：對多光譜圖像進行預處理，獲取樣本集；構建地物分類網絡模型；基于所述樣本集對所述地物分類網絡模型進行訓練；基于訓練好的地物分類網絡模型，對待分類的多光譜圖像進行地物分類；本發明通過深度可分離卷積減少參數數量，降低地物分類網絡模型計算復雜度，解決了現有深度學習方法應用到多光譜圖像時產生維度爆炸、計算復雜度過高而導致無法完成分類的問題；提出了一種具有多層編碼?解碼結果的地物分類網絡模型，以編碼器提取多層特征，以解碼器配合前端編碼的不同層次特征進行恢復，實現了可靠的地物分類。

技術領域

本發明屬于遙感圖像處理技術領域，特別是涉及一種多光譜圖像地物分類方法、系統、介質及終端。

背景技術

隨著遙感技術的發展，遙感衛星的載荷越來越先進，人類獲取的遙感圖像呈現出多源、高分辨率、多尺度、多光譜的特點；圖像的地物分類是遙感圖像的重要應用之一，通過高分辨率、多光譜的圖像，解譯出地表覆蓋物與土地利用的情況，是遙感圖像分類的主要任務。

傳統的遙感地物分類，在監督學習和非監督學習的領域，都主要采用模式識別的算法，以單個像素點的光譜特征進行分類；監督學習的方法有隨機森林、支持向量機、最大似然分類等；非監督學習則主要以K-means聚類、ISO?DATA方法為主，這些分類方法雖然取得了不錯的效果，但是僅僅使用光譜特征，沒有使用紋理特征，仍有大量的誤分類現象；基于紋理特征的監督學習方法，通常采用RGB譜段，而忽略了多光譜信息，雖然準確度相比光譜特征的方法有所提升，但仍很難令人滿意。

采用語義分割方法進行遙感圖像地物分類的算法，使用卷積神經網絡同時提取光譜和紋理特征，但是這些方法都是面向可見光(RGB)譜段的算法，而遙感圖像本身具有多光譜的特征，如直接將多光譜圖像用于這些已有算法，會導致計算維度爆炸，無法完成分類。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種多光譜圖像地物分類方法、系統、介質及終端，用于解決深度學習方法應用到多光譜圖像時產生維度爆炸、計算復雜度過高而導致無法完成地物分類的問題。

為實現上述目的及其他相關目的，本發明提供一種多光譜圖像地物分類方法，包括以下步驟：對多光譜圖像進行預處理，獲取樣本集；構建地物分類網絡模型；基于所述樣本集對所述地物分類網絡模型進行訓練；基于訓練好的地物分類網絡模型，對待分類的多光譜圖像進行地物分類。

于本發明的一實施例中，對多光譜圖像進行預處理，獲取樣本集包括以下步驟：采集多光譜圖像；對所述多光譜圖像進行圖像融合，生成融合圖像；基于所述融合圖像，獲取標注了所有地物的樣本標簽圖；分別對所述樣本標簽圖和所述多光譜圖像進行裁剪，并對裁剪后的圖像進行擴容，以獲取所述樣本集。

于本發明的一實施例中，分別對所述樣本標簽圖和所述多光譜圖像進行裁剪，并對裁剪后的圖像進行擴容，以獲取所述樣本集包括以下步驟：將所述樣本標簽圖和所述多光譜圖像對齊后，按照同樣的坐標點分別對所述樣本標簽圖和所述多光譜圖像進行裁剪，并將裁剪所述樣本標簽圖后和裁剪所述多光譜圖像后得到的圖像分別存入兩個文件夾中；兩個文件夾中的裁剪后的圖像一一對應；對兩個文件夾中一一對應的裁剪后的圖像同時進行擴容，以獲取所述樣本集。

于本發明的一實施例中，對裁剪后的圖像進行擴容采用旋轉、增加隨機噪聲、扭曲拉伸變換中任一一種或幾種方式的組合。

于本發明的一實施例中，所述地物分類網絡模型包括編碼器和解碼器；所述編碼器采用13層深度可分離卷積，結合多層金字塔池化模塊；所述解碼器使用上采樣方法恢復圖像大小。