[发明专利]基于阈值自适应和卷积神经网络的多光谱图像分类方法

权利要求书

1.基于阈值自适应和卷积神经网络的多光谱图像分类方法，其特征在于，输入待分类的landsat_8卫星的多光谱不同时相、不同波段的图像，将所有城市的同一波段图像有标记的部分的所有像元归一化；分析归一化后的图像，将每个城市挑选出的9个波段堆叠成一幅图像，作为训练数据集；构造基于卷积神经网络的分类模型，使用训练数据集对分类模型训练，得到训练好的模型；分析OSM数据中的Raster和Vector地图数据得到一个基于OSM的概率模型，使用该模型与置信度策略对softmax输出结果进行调整，得到最终的分类模型，包括以下步骤：

S1、输入待分类城市的不同时相、不同波段的多光谱图像，并进行预处理，确定训练城市和测试城市；

S2、对训练城市和测试城市的所有波段，所有时相的图像进行归一化处理，将图像中的像元归一化到[0,255]之间；

S3、对于训练城市，分析归一化后的图像，从多个时相中挑选出一幅干扰少、清晰度高的时相图，将每个城市挑选出的9个波段堆叠成一幅图像，作为训练数据集；

S4、辅助多光谱数据，将每个城市的9个波段中的每3个波段的图像进行组合，生成用于校正分类结果的伪彩图；

S5、分析OSM数据中的Raster和Vector地图数据，具体为：

S51、根据OSM数据性质，统计训练城市Raster数据中code与17类之间的对应关系，得到code与17类对应概率的表格；

S52、对于landuse数据，首先对groundtruth进行上采样，得到一个原图400倍大小的GT，然后将landuse.tif逐像素点按照先前统计的概率模型进行一一对应生成17类中的类标，得到了一个伪造的GT1'；

S53、对于water、natural类数据，向下采样50％或选取400个像素点，采用其中最多的类标作为向下采样50％或400个像素点的类标，对其单独测试，最后将code整体对water和natural类进行合并，得到了一个伪造的GT2'；

S54、将GT1'和GT2'合并生成GT'并上传，查看其分类准确率；

S55、分析Vector地图数据集，得到每一种Raster的code对应的实际地物，与重构的伪类标结果进行对比，手动调整网络的置信度阈值；

S6、构造基于卷积神经网络的分类模型，提取高维特征并实现分类；

S7、使用训练数据集对分类模型训练，得到训练好的模型；

S8、使用OSM概率模型与置信度策略对softmax输出结果进行调整，得到最终的分类模型。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述多光谱图像分辨率为100m。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，采用设定阈值的方式选取图像像素值的上下界，设选取全图x的像素点，将像元从小到大排列后的序列为A，由于大气和云层的影响，则需在两端各去除300个像素点缓解噪声，则上界和下界分别为处理后序列的两端值Min和Max，归一化公式如下：

其中，r_x0为归一化后某像素点的值，Max为两端各去除300个像素点的最大值，Min为两端各去除300个像素点的最小值，x₀为归一化前某像素点的像素值。

4.根据权利要求1所述的方法，其特征在于，步骤S4中，每个城市的9个波段中，第6、5、2波段的组合用于植被分类和水体的识别，第6、4、3波段的组合用于区分农田和城区，第10、7、3波段的组合用于区分出不同种类的植被。

5.根据权利要求1所述的方法，其特征在于，步骤S6中，所述基于卷积神经网络的分类模型为8层卷积神经网络，包括输入层→第一卷积层→第二卷积层→第三卷积层→第一全连接层→第二全连接层→第三全连接层→Softmax分类器。