[发明专利]基于数据差异和多尺度特征的卷积神经网络影像分类方法

权利要求书

1.基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，包括以下步骤：

S1、从数据集中读入多光谱影像和全色影像，以及对应的只有部分区域的类标groundtruth图进行训练，训练完成后使用所有有标记数据测试样本分类性能；

S2、对多光谱数据进行双三次插值上采样，进行归一化处理和直方图匹配，根据多光谱数据和全色数据每个点的梯度及边缘提取算子得到融合图像；

S3、数据归一化，将融合图像矩阵中所有像素点的值归一化到[0，1]之间；

S4、在归一化后的图像中找到有对应类标的像素点作为样本块，每个块的邻域为中心点的分类所服务，选取训练数据集和测试数据集进行训练；

S5、根据步骤S4的测试数据集构造双通道二阶相关性多尺度特征融合的卷积神经网络的分类模型；

S6、用训练数据集对分类模型进行训练，得到训练好的分类模型；

S7、将测试数据集的样本块作为训练好的分类模型的输入，训练好的分类模型的输出为测试数据集中每个像素点进行分类得到的分类类别，计算相应的分类指标，完成测试数据集分类。

2.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S1中，选择标记数据中的20％作为训练样本，剩余的80％作为验证样本，训练完成后把所有有标记样本作为测试样本测试模型分类性能，其中，ground truth图以多光谱数据为基准进行标注。

3.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S2具体为：

S201、对多光谱数据进行双三次插值上采样，得到与全色图尺寸相同的多光谱数据；

S202、对得到的上采样多光谱和全色数据进行归一化到[0,1]之间；

S203、对全色图和多光谱数据进行直方图匹配，得到匹配后的全色数据P_m；

S204、根据归一化和匹配的全色图P_m和归一化后的多光谱数据M_i确定线性因子α₁,…α_n；

S205、计算多光谱数据和全色数据每个点的梯度grad(x(i,j))；

S206、计算全色图的边缘提取算子W_P和多光谱图的边缘提取算子W_M；

S207、得到融合图像MSf和PANf。

4.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S207中，根据下式得到融合图像：

其中，MSf_i，PANf分别代表差异减少后的多光谱数据第i个通道和全色图，MS表示上采样的多光谱数据，W_p,分别表示全色图和多光谱数据第i个通道的边缘提取算子。

5.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S3中，采用min-max标准化，对原始数据进行线性变化，使结果值映射到0到1之间；转换函数如下：

其中，x_i为多光谱或全色影像的第i个待归一化的像素，max为多光谱或全色影像的最大像素值，min为多光谱或全色影像的最小像素值。

6.根据权利要求1所述的基于数据差异和多尺度特征的卷积神经网络影像分类方法，其特征在于，步骤S4中，以每个像素为中心取邻域64×64的区域作为样本块，按照等比例取点的方式，每类选取20％样本作为训练数据集，剩余80％作为验证集，训练完成后，把所有有对应类标的像素点作为测试数据集。