[发明专利]基于超像素编码和卷积神经网络的遥感影像地物分类方法

权利要求书

1.基于超像素编码和卷积神经网络的遥感影像地物分类方法，其特征在于，使用自适应超像素编码和双通道卷积神经网络，首先利用超像素算法进行图像预分割，然后使用聚类方法将相邻且相似的超像素块合并，设定取块尺寸，构建三个输入尺寸不同的双通道卷积神经网络，将取块尺寸不同的样本输入相应的网络，用卷积神经网络分别提取两个传感器数据的特征，然后将提取的特征进行融合用于分类，根据合并之后的像素块大小确定样本的取块尺寸，实现自适应地选择所利用的邻域信息，包括以下步骤：

S1、生成训练城市和测试城市的RGB彩色图像；

S2、对步骤S1得到的RGB彩色图像进行超像素分割，使用SLIC超像素分割算法对每张彩色图像进行分割，具体步骤如下：

S21、将RGB彩色图像转化为Lab色彩图；

S22、初始化种子点，在图像内均匀地分配种子点；

S23、在种子点的n*n邻域内重新选择种子点，计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；

S24、在每个种子点周围的邻域内为每个像素点分配类标签，搜索范围限制为2S*2S；

S25、距离度量，包括颜色距离和空间距离，对于每个搜索到的像素点，分别计算像素点和该种子点的距离D'；

S26、迭代优化，上述步骤不断迭代直到误差收敛，即每个像素点聚类中心不再发生变化为止；

S27、增强连通性，将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素；

S3、使用DBSCAN聚类方法对步骤S2分割的每张图像的超像素块进行合并；

S4、设置三种取块尺寸，根据步骤S3合并之后的像素块大小确定每个像素块内像素点的取块尺寸，得到与原图像大小相同的取块尺寸矩阵，设置三种取块尺寸为16×16、24×24和32×32，则每个图像块内像素点的取块尺寸计算如下：

其中，w为像素点的取块尺寸，S为合并后像素块的面积，e₁、e₂为阈值，e₁＝10，e₂＝32；

S5、对训练城市的数据进行归一化处理，根据步骤S4得到的取块尺寸矩阵，以有类标的样本为中心进行取块，生成用于训练网络的数据；

S6、根据训练数据的三种取块尺寸，构建三个双通道CNN模型，两个通道分别输入两个传感器的数据；

S7、将步骤S6三种取块尺寸的训练样本分别输入三个双通道CNN模型进行训练；

S8、将测试城市的数据按照与训练数据相同的归一化方式进行处理，根据取块尺寸矩阵将数据分成三部分，分别送入相应的双通道CNN模型进行分类，得到三个类标图；

S9、将步骤S8三个类标图对应位置叠加，得到完整的类标图，根据类标图得到彩色的分类图，选取其中有类标的点，计算分类精度和Kappa系数。

2.根据权利要求1所述基于超像素编码和卷积神经网络的遥感影像地物分类方法，其特征在于，所述SLIC超像素分割算法使用vlfeat工具包中的vl_slic函数实现，其中region参数值为5，rate参数值为1，迭代优化过程中迭代次数为10。

3.根据权利要求1所述基于超像素编码和卷积神经网络的遥感影像地物分类方法，其特征在于，步骤S3中，DBSCAN聚类的对象为超像素块，聚类距离为两个超像素块的Lab颜色距离，两个超像素块的聚类距离的计算如下：

其中，L₁、L₂、a₁、a₂、b₁、b₂分别为两个超像素块中L、a、b的均值。

4.根据权利要求3所述基于超像素编码和卷积神经网络的遥感影像地物分类方法，其特征在于，如果两个超像素块相邻，则聚类距离是两个超像素块的Lab颜色距离；如果两个超像素块不相邻，则聚类距离定义为无穷大，设置MinPts为1，设置距离阈值为5。