[发明专利]基于双通道多特征融合网络的多光谱图像分类方法

说明书

技术领域

本发明属于图像处理领域，具体涉及一种基于双通道多特征融合网络的多光谱图像分类方法。

背景技术

多光谱图像作为遥感图像的一种，它有其自身的特点。一方面是充分利用能透过大气的各类电磁波谱段，向红外、远红外和微波扩展，另一方面则是细分光谱段。一般的典型地物都具有其光谱波形特征，由于波段宽度狭窄、数量多并且连续，高维多光谱图像能够提供地物近似连续的光谱信息，具有高的光谱分辨率。

图像的融合层次分为三种，数据级融合，特征级融合和决策级融合。当前多光谱图像融合包括两个方面，即多光谱图像与全色图像之间的融合，以及多光谱各谱段之间图像的融合。与全色图像融合的本质是把有低空间分辨率、高光谱分辨率的多光谱图像和具有高空间分辨率、低光谱分辨率的全色光学图像进行综合，使融合后的图像具有较高空间细节表现能力，又同时保留光谱特性。多光谱各谱段之间的融合目的是把能反映目标光谱特征的几个谱段图像进行综合，则融合图像可以反映地物特征，减少数据量，为检测和识别提供可靠依据。目前常用的融合方法有HIS变换法、主成分分析法(PCA)、高通滤波法、小波变换法、简单线性加权法等。多光谱图像的融合可以提高图像的分辨率，信息量和清晰度，因此图像的融合技术的研究有待发展。

随着多光谱遥感技术的进一步发展和应用程度的不断深入，多光谱图像融合领域依然存在一些问题，对于多源的，谱段较多的多光谱图像，单卫星单谱段的图像提取的光谱特征信息量较少，然而现有的融合方法可能会导致信息冗余，融合后的光谱特性发生变化等，这势必会影响分类精度。

发明内容

本发明的目的在于克服上述不足，提供一种基于双通道多特征融合网络的多光谱图像分类方法，以解决单卫星单谱段光谱信息单一，现有方法融合后信息冗余的问题。

为了达到上述目的，本发明包括以下步骤：

步骤一，将landsat_8卫星拍摄的波段叠加融合，得到融合后的多光谱特征L；

步骤二，将sentinel_2卫星拍摄的波段叠加融合，得到融合后的多光谱特征L′；

步骤三，将两个卫星得到的多光谱特征矩阵L和L′中的每个波段的多光谱特征矩阵L_i、L′_j分别进行归一化处理；

步骤四，从归一化后的特征矩阵L_norm和L′_norm中随机选取n×n的像素块作为训练样本，整个特征矩阵作为测试样本；

步骤五，构造L_norm和L′_norm中训练数据集T_train的特征矩阵W_train，验证数据集T_val的特征矩阵W_val和测试数据集T_test的特征矩阵W_test；

步骤六，构造双通道全卷积神经网络模型；

步骤七，将训练样本和验证样本输入网络进行训练，得到训练好的分类模型；

步骤八，加载训练好的分类模型，对测试集进行分类，得到测试分类结果。

所述步骤一中，L＝(L₁，L₂，...，L_i)，L_i表示landsat_8的第i个波段的多光谱特征，i＝9表示一共有9个波段，L的维度为M×N×i，L_i的维度为M×N，M表示光谱特征矩阵的高度，N表示光谱特征矩阵的宽度。

所述步骤二中，L′＝(L₁′，L′₂，...，L′_j)，L′_j表示sentinel_2卫星的第j个波段的多光谱特征，j＝10表示一共有10个波段，L′的维度为M×N×j，L′_j的维度为M×N。

所述步骤三中，归一化后的特征矩阵L_norm和L′_norm，归一化处理公式如下：

其中x表示特征矩阵L_i中的特征值，y表示特征矩阵L′_j中的特征值。