[发明专利]基于深度融合残差网的多光谱图像分类方法

权利要求书

1.一种基于深度融合残差网的多光谱图像分类方法，其特征在于，包括如下步骤：

(1)输入多光谱图像：

输入五个地物目标的多光谱图像，每个地物目标包含两幅多光谱图像，第一幅多光谱图像包含4个时相，每个时相10个波段图像，第二幅多光谱图像包含9个波段图像；

(2)对每一幅多光谱图像的每个波段的图像去地物目标归一化处理；

(3)获得多光谱图像矩阵：

(3a)将第一幅多光谱图像中各波段图像归一化后的图像堆叠，得到大小为W₁ⁱ×H₁ⁱ×C₁的五个第一幅多光谱图像矩阵，其中，W₁ⁱ表示第一幅多光谱图像中每个波段图像的宽度，H₁ⁱ表示第一幅多光谱图像中每个波段图像的高度，C₁表示第一幅多光谱图像的波段数，C₁＝10，i表示地物目标多光谱图像的序号，i＝1,2,3,4,5；

(3b)将第二幅多光谱图像中各波段图像归一化后的图像堆叠，得到大小为W₂ⁱ×H₂ⁱ×C₂的五个第二幅多光谱图像矩阵，其中，W₂ⁱ表示第二幅多光谱图像中每个波段图像的宽度，H₂ⁱ表示第二幅多光谱图像中每个波段图像的高度，C₂表示第二幅多光谱图像的波段数，C₂＝9，i表示地物目标多光谱图像的序号，i＝1,2,3,4,5；

(4)获取数据集：

(4a)对前四个地物目标每个地物目标的第一幅多光谱图像矩阵，进行滑窗取块操作，得到训练数据集D₁；

(4b)对前四个地物目标每个地物目标的第二幅多光谱图像矩阵，进行滑窗取块操作，得到训练数据集D₂；

(4c)对第五个地物目标的第一幅多光谱图像矩阵进行滑窗取块操作，将所有的图像块组成测试数据集T₁；

(4d)对第五个地物目标的第二幅多光谱图像矩阵进行滑窗取块操作,将所有的图像块组成测试数据集T₂；

(5)搭建深度融合残差网：

(5a)搭建31层深度残差网；

(5b)构建深度融合残差网的特征融合层；

(5d)在特征融合层之后连接多分类Softmax层，得到深度融合残差网；

(6)训练深度融合残差网：

(6a)将训练数据集D₁输入到深度残差网进行有监督训练；

(6b)将训练数据集D₂输入到深度残差网进行有监督训练；

(6c)融合两次训练所得网络中的特征向量，得到训练好的深度融合残差网；

(7)对测试数据集进行分类：

(7a)将测试数据集T₁输入到训练好的深度融合残差网中，提取特征向量C₁；

(7b)将测试数据集T₂输入到训练好的深度融合残差网中，提取特征向量C₂；

(7c)将特征向量C₁与特征向量C₂融合，输入到深度融合残差网中的多分类Softmax层，得到最终分类结果，并计算分类准确率。

2.根据权利要求1所述的基于深度融合残差网的多光谱图像分类方法，其特征在于，步骤(2)中所述对每一幅多光谱图像的每个波段的图像去地物目标归一化处理的步骤如下：

第一步，用五个地物目标的第一幅多光谱图像中，每个波段的图像中的每个像素值，除以五个地物目标各时相该波段图像的像素最大值，得到该波段图像归一化后的像素值，由此得到第一幅多光谱图像中10个波段图像分别归一化后的图像；

第二步，用五个地物目标的第二幅多光谱图中，每个波段的图像的每个像素值，除以五个地物目标该波段图像的像素最大值，得到该波段图像归一化后的像素值，由此得到第二幅多光谱图像中9个波段图像归一化后的图像。