基于卫星遥感多光谱和全色影像融合的地物要素分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113887344A(43)申请公布日2022.01.04(21)申请号202111087032.6(22)申请日2021.09.16(71)申请人同济大学地址200092上海市杨浦区四平路1239号(72)发明人柳思聪赵慧杜谦童小华谢欢冯永玖金雁敏(74)专利代理机构上海科盛知识产权代理有限公司31225代理人宣慧兰(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图8页(54)发明名称基于卫星遥感多光谱和全色影像融合的地物要素分类方法(57)摘要本发明涉及一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，具体包括以下步骤：S1、获取目标区域的多光谱影像和全色影像，提取多光谱影像的EMAP空间特征，与多光谱影像进行级联，得到浅层空谱特征；S2、浅层空谱特征作为深度网络的输入，全色影像作为重构输出，通过网络训练得到多分辨率隐层特征；S3、分别提取低分辨率隐层特征、中分辨率隐层特征和高分辨率隐层特征，通过卷积神经网络分别进行特征融合与分类训练，得到目标区域内的地物要素分类结果。与现有技术相比，本发明结合了影像上全局尺度上的浅层特征，和局部尺度上的深度特征，充分挖掘了MS和PAN影像之间的多分辨率隐层特征表达，具有分类精度高、结果鲁棒性高等优点。CN113887344ACN113887344A权利要求书1/2页1.一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，具体包括以下步骤：S1、获取卫星遥感采集的目标区域的多光谱影像和全色影像，提取多光谱影像的扩展多属性剖面空间特征，将扩展多属性剖面空间特征与原始的多光谱影像进行级联，得到全局上的浅层空谱特征；S2、所述浅层空谱特征作为类似自编码深度网络的输入，全色影像作为类似自编码深度网络的重构输出，通过网络训练得到输入与输出之间的多分辨率隐层特征；S3、分别提取所述多分辨率隐层特征中的第2隐层特征、第5隐层特征和第8隐层特征作为低分辨率隐层特征、中分辨率隐层特征和高分辨率隐层特征，通过卷积神经网络分别对低分辨率隐层特征、中分辨率隐层特征和高分辨率隐层特征进行特征融合与分类训练，得到目标区域内的地物要素分类结果。2.根据权利要求1所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述多光谱影像的尺寸大小为H×W×c，其中H、W和c分别为多光谱影像的高、宽和波段数。3.根据权利要求2所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述扩展多属性剖面空间特征提取选用区域面积、区域边框对角线长度、转动惯量以及区域内像素灰度值的标准差四个属性。4.根据权利要求1所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述扩展多属性剖面空间特征根据目标区域的属性进行提取，目标区域的属性包括区域面积、区域边框对角线长度、转动惯量以及区域内像素灰度值的标准差。5.根据权利要求1所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述类似自编码深度网络的网络结构依次包括输入层、卷积块1、卷积块1、上采样层、卷积块1、卷积块1、上采样层、卷积块2、卷积块2、总卷积层、输出层。6.根据权利要求5所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述卷积块1包括卷积层、批归一化层和激活层，所述卷积块2包括卷积层、批归一化层和激活层。7.根据权利要求6所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述卷积块1中卷积层的卷积核大小为3×3，滤波器数量为128；所述卷积块2中卷积层的卷积核大小为5×5，滤波器数量为128；所述总卷积层的卷积核大小为3×3，滤波器数量为1。8.根据权利要求1所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述低分辨率隐层特征对应的卷积神经网络依次包括卷积块3、卷积块4、卷积块5、全局最大池化层、全连接层和Softmax分类器；所述中分辨率隐层特征对应的卷积神经网络依次包括卷积块3、最大池化层、卷积块4、卷积块5、全局最大池化层、全连接层和Softmax分类器；所述高分辨率隐层特征对应的卷积神经网络依次包括卷积块3、最大池化层、卷积块4、最大池化层、卷积块5、全局最大池化层、全连接层和Softmax分类器器。9.根据权利要求8所述的一种基于卫星遥感多光谱和全色影像融合的地物要素分类方法，其特征在于，所述卷积块3包括卷积层、批归一化层和激活层，卷积层的卷积核大小为3×3，滤波器数量为128；