[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

说明书

本发明公开了一种基于阈值自适应和卷积神经网络的多光谱图像分类方法，输入待分类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；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，最后将测试结果上传至IEEE网站得到分类准确率。本发明提供的多光谱图像分类方法，充分利用了多光谱图像波段多、数据量大、信息冗余多的特性，解决了难以对复杂类型的地物进行分类的问题，不仅能够提高分类准确率、减少错分率，还可以提高分类速度。

技术领域

本发明属于图像处理技术领域，具体涉及一种多源、多时相、多模式的基于阈值自适应和卷积神经网络的多光谱图像分类方法。

背景技术

多光谱图像指物体对任一波段电磁波的反射和透射所成的图像，包括可见光、红外线、紫外线、毫米波、X射线、γ射线反射或透射像。多光谱图像融合是指将从多光谱探测器获得的同一场景的多光谱图像信息特征组合到一起，利用它们在时空上的相关性以及信息上的互补性，得到对景物更全面、清晰的描述。比如，红外图像和可见光图像之间具有互补性：对人眼来说，可见光具有丰富的细节和敏锐的色感，但它在恶劣的气候下对大气的穿透能力较差，夜间成像能力差；而红外光正好相反，它在云雾等气象条件下穿透能力相当强，在夜间由于不同景物之间存在着温度差，因此所造成的的图像仍能显示景物的轮廓，但其成像的分辨率较低。

利用多光谱摄影系统或多光谱扫描系统对电磁波谱不同谱段做同步摄影遥感，分别获得植被及其他地物在不同谱段上的影像的遥感技术。多光谱遥感不仅可以根据影像的形态和结构的差异判别地物，还可以根据光谱特性的差异判别地物，扩大了遥感的信息量。航空摄影用的多光谱摄影与陆地卫星所用的多光谱扫描均能得到不同谱段的遥感资料，分谱段的图像或数据可以通过摄影彩色合成或计算机图像处理，获得比常规方法更为丰富的图像，也为地物影像计算机识别与分类提供了可能。

多光谱图像分类作为多光谱图像的基础研究，一直是多光谱图像重要的信息获取手段，它的主要目标是根据待测地物的空间几何信息与光谱信息将图像中的每个像素划分为不同的类别。在遥感图像自动分类中，传统的基于数理统计的分类方法，主要包括最小距离分类、最大似然分类、波谱角分类、混合距离法分类等，主要依赖地物的光谱属性，基于单个像元进行分类。但是，统计模式识别方法本身存在不足，譬如最小距离法没有考虑各类别的协方差矩阵，对训练样本数目要求低；最大似然法计算强度大，且要求数据服从正态分布。

近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法：在处理模式分类问题时，并不基于某个假定的概率分布，在无监督分类中，从特征空间到模式空间的映射是通过网络自组织完成的。在监督分类中，网络通过对训练样本的学习，获得权值，形成分类器，且具备容错性。人工神经网络(ANN)分类方法一般可以获得更高精度的分类结果，卷积神经网络(CNN)是人工神经网络的一种，该网络使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。

但是上述分类方法均没有考虑到多光谱数据波段较少且光谱分辨率低，不仅数据量大，而且难以对复杂类型的地物进行分类，所以对于背景信息量大的多光谱图像难以得到较高的分类精度。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供基于阈值自适应和卷积神经网络的多光谱图像分类方法，合了OSM(Open Street Map)数据，充分利用多光谱图像波段多、数据量大、信息冗余多的特性，以提高分类的性能。

本发明采用以下技术方案：