[发明专利]基于融合高光谱图像和DSM数据的分类方法

权利要求书

1.基于融合高光谱图像和DSM数据的分类方法，其特征在于，该分类方法包括如下步骤：

步骤一、通过双支神经网络同时对高光谱图像和LiDAR衍生的DSM数据进行特征提取，获得高光谱图像的空间-光谱联合信息F^spec-spat和DSM数据的多尺度高程信息F^elv；

步骤二、将空间-光谱联合信息F^spec-spat和多尺度高程信息F^elv进行全连接，从而实现空间-光谱联合信息F^spec-spat和多尺度高程信息F^elv的特征融合，获得融合后的数据信息F^all；

步骤三、通过分类器对数据信息F^all进行分类，获得样本类别标签，从而完成对融合后的数据信息F^all的分类。

2.根据权利要求1所述的基于融合高光谱图像和DSM数据的分类方法，其特征在于，双支神经网络包括3D CNN分支和2D CNN分支；

3D CNN分支，用于对高光谱图像进行特征提取，从而获得高光谱图像的空间-光谱联合信息F^spec-spat；

2D CNN分支，用于对LiDAR衍生的DSM数据进行特征提取，从而获得DSM数据的多尺度高程信息F^elv。

3.根据权利要求2所述的基于融合高光谱图像和DSM数据的分类方法，其特征在于，3DCNN分支为六层网络结构；

六层网络结构包括两个卷积层、一个归一化层、两个激活层和一个最大池化层；

其中，

按照信息流向六层网络结构中各层的分布依次为：第一个卷积层、归一化层、第一个激活层、第二个卷积层、第二个激活层和最大池化层；

六层网络结构中的第一个卷积层的输入端用于接收高光谱图像，第一个卷积层的输出端与归一化层的输入端连接，归一化层的输出端与第一个激活层的输入端连接，一个激活层的输出端与第二个卷积层的输入端连接，第二个卷积层的输出端与第二个激活层的输入端连接，第二个激活层的输出端与最大池化层的输入端连接，最大池化层的输出端用于输出高光谱图像的空间-光谱联合信息F^spec-spat。

4.根据权利要求2所述的基于融合高光谱图像和DSM数据的分类方法，其特征在于，

2D CNN分支包括一个卷积层、一个激活层、一个最大池化层和两个级联模块，且按照信息流向2D CNN分支中各层的分布依次为：卷积层、激活层、第一个级联模块、最大池化层和第二个级联模块；

其中，

2D CNN分支中卷积层的输入端用于接收LiDAR衍生的DSM数据，卷积层的输出端与激活层的输入端连接，激活层的输出端与第一个级联模块的输入端连接，第一个级联模块的输出端与最大池化层的输入端连接，最大池化层的输出端与第二个级联模块的输入端连接，第二个级联模块的输出端用于输出多尺度高程信息F^elv。

5.根据权利要求4所述的基于融合高光谱图像和DSM数据的分类方法，其特征在于，

级联模块为七层网络结构，级联模块包括四个卷积层、两个激活层和一个归一化层，且按照信息流向七层网络结构中各层的分布依次为：第一个卷积层、第二个卷积层、第一个激活层、第三个卷积层、归一化层、第四个卷积层和第二个激活层；

其中，

第一个卷积层的输出端同时与第二个卷积层的输入端和第三个卷积层的输入端连接，第二个卷积层的输出端与第一个激活层的输入端连接，第一个激活层的输出端同时与第三个卷积层的输入端和第二个激活层的输入端连接，第三个卷积层的输出端与归一化层的输入端连接，归一化层的输出端与第四个卷积层的输入端连接，第四个卷积层的输出端与第二个激活层的输入端连接。