[发明专利]一种高光谱遥感图像的语义标注方法

说明书

一种高光谱遥感图像的语义标注方法，其步骤如下：一：通过高光谱遥感图像的光谱信息和标注真值得到高光谱遥感图像的训练数据和测试数据；二：根据高光谱遥感图像的波段数构造卷积神经网络；三：通过训练数据对卷积神经网络进行训练得到卷积神经网络模型；四：通过卷积神经网络模型对测试数据进行分类得到语义标注结果；五：根据语义标注结果构造条件随机场模型的一元势能函数；六：在邻域中用基于改进马氏距离的边缘约束模型构造条件随机场模型的二元势能函数；七：对条件随机场模型进行一元势能函数和二元势能函数的权重调节；八：对条件随机场模型进行求解得到语义标注结果；通过以上步骤，实现了对高光谱遥感图像进行语义标注的方法。

技术领域

本发明涉及一种高光谱遥感图像的语义标注方法，属于图像处理技术领域。

背景技术

随着高光谱遥感成像技术的快速发展，高光谱遥感图像语义标注作为遥感图像信息提取的一种重要手段，在灾害监测、农业调查、城市规划和军事探测等诸多领域发挥着极为重要的作用。然而，高光谱遥感图像包含的信息量巨大、光谱特征维度高、纹理复杂、结构和边缘细节丰富、不同类别间训练样本数的不平衡，这些特点为高光谱遥感图像语义标注带来了极大的困难，因此研究高效可行的高光谱遥感图像语义标注算法具有十分重要的理论和研究价值。

国内外学者针对高光谱遥感图像语义标注的研究主要分为两类：第一类是通过主成分分析、流形学习等降维方法，将原始的高维光谱特征变换到一个较低维的特征空间中，再用多光谱图像的分类方法进行处理；第二类是用支持向量机等针对高维特征的分类器，直接对原始的高维光谱向量进行分类处理。在现有的这些算法中，利用支持向量机对高维特征进行分类被公认为最有效的一种思路。该算法流程图如图1所示。现有方法由于只利用了高光谱图像的光谱信息，而没有充分利用图像中所包含的空间上下文信息，因此得到的高光谱遥感图像语义标注结果经常包含较多的孤立噪声点，标注结果中区域的边缘细节保留得也不够准确。

发明内容

(1)发明目的：有鉴于此，本发明实施例期望提供一种高光谱遥感图像的语义标注方法，至少能解决现有高光谱遥感图像语义标注方法存在的因忽略图像空间上下文信息而导致的噪声等技术问题。

(2)技术方案：本发明实施例提供了一种高光谱遥感图像的语义标注方法，应用于包含两种以上地物类别的高光谱遥感图像。

本发明一种高光谱遥感图像的语义标注方法，其步骤如下：

步骤一：通过所述高光谱遥感图像的光谱信息和标注真值得到所述高光谱遥感图像的训练数据和测试数据；

步骤二：通过所述高光谱遥感图像的波段数构造卷积神经网络；

步骤三：通过所述训练数据对所述卷积神经网络进行训练得到卷积神经网络模型；

步骤四：通过所述卷积神经网络模型对测试数据进行分类得到语义标注结果；

步骤五：根据所述语义标注结果构造条件随机场模型的一元势能函数；

步骤六：在邻域中用基于改进马氏距离的边缘约束模型构造所述条件随机场模型的二元势能函数；

步骤七：对所述条件随机场模型进行一元势能函数和二元势能函数的权重调节；

步骤八：对所述条件随机场模型进行求解得到调节后的语义标注结果。

其中，在步骤一中所述的“通过所述高光谱遥感图像的光谱信息和标注真值得到所述高光谱遥感图像的训练数据和测试数据”，其作法按如下步骤进行：

(1)对所述高光谱遥感图像的光谱信息进行归一化处理，归一化后的数据区间为[-1,1]；

(2)将所述经归一化的高光谱遥感图像的每一类随机分配设定个样本点，将所述样本点构造为训练数据；