[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

说明书

本发明公开了一种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，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。实现自适应地选择所利用的邻域信息，使邻域信息起到正反馈作用，更好地利用邻域信息，根据邻域信息将样本送入不同网络，使分布相似的样本进入同一个网络，有效提高分类精度。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于超像素编码和卷积神经网络，可用于多城市多光谱遥感影像的地物分类方法。

背景技术

基于多光谱数据的特征提取及分类技术一直是遥感领域研究的热点问题之一。基于深度学习的卷积神经网络模型被广泛用于多光谱图像分类中，该模型利用多个卷积层和池化层从多光谱数据中提取对多种变形具有高度不变性的非线性特征，进而实现多光谱数据的地物分类。为充分利用多光谱感知所提供的空间信息，将像素点的邻域信息考虑在内，即提取目标像元周围的n×n方形邻域内的全部谱信息，然后输入到网络中用于分类，利用空间信息对多光谱数据进行分类。

对于训练数据和测试数据属于同一区域的分类任务是比较容易的，使用卷积神经网络模型分类精度可以达到95％以上，但是对于训练数据和测试数据属于不同城市的地物分类任务是很困难的，分类精度很低。主要是由于不同城市相同地物的分布特征不同，另外，图像块的邻域信息是为中心点服务的，由于各类地物的分布特征差异较大，使用固定尺寸对目标像元取块，其邻域信息不一定都对中心点起正反馈作用。为了提高该类任务的分类精度，需要使用去城市化的策略，使得提取到的特征更好的符合遥感图像的特性。

超像素概念是2003年Xiaofeng Ren提出和发展起来的图像分割技术，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。它利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征，很大程度上降低了图像后处理的复杂度。SLIC(simple linear iterativeclustering)是一种常见的超像素分割方法，即简单的线性迭代聚类。它是2010年提出的一种思想简单、实现方便的算法，将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程。SLIC算法能生成紧凑、近似均匀的超像素，在运算速度，物体轮廓保持、超像素形状方面具有较高的综合评价，比较符合人们期望的分割效果。

DBSCAN算法是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。该算法利用基于密度的聚类(或者类cluster)概念，即要求聚类空间中的一定区域内所包含对象(点或其它空间对象)的数目不小于某一给定阈值。DBSCAN算法的显著优点是聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类。

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，提供一种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，以提高分类精度。

本发明采用以下技术方案：

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，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。

优选的，包括以下步骤：