[发明专利]滨海湿地深度学习分类方法、装置、设备和存储介质

说明书

本发明涉及一种滨海湿地深度学习分类方法、装置、设备和存储介质，该方法包括：对采集到的原始高光谱图像数据进行校正处理和归一化处理，得到待处理高光谱图像数据，以及，对采集到的原始激光雷达数据进行异常点去除处理和归一化处理，得到待处理激光雷达数据；构造各个模式的三层Octave卷积层；基于各个模式的三层Octave卷积层，对待处理高光谱图像数据和待处理激光雷达数据进行成分分离、成分组合以及频率分量综合，得到特征融合数据；提取特征融合数据中的方向性纹理信息，结合待处理高光谱数据进行空间、纹理以及光谱联合分类，得到目标联合分类特征，以确定目标类别。提高了不同分辨率、不同模态下的联合地物分类性能；实现高精度的协同分类。

技术领域

本发明涉及多传感器遥感联合分类技术领域，具体涉及一种滨海湿地深度学习分类方法、装置、设备和存储介质。

背景技术

湿地位于水陆过渡地带，是自然界最富生物多样性和生产力最高的生态系统。研究湿地尤其是滨海湿地对于保护生态环境和维持人类生产生活的健康发展有着重要意义。近年来我国滨海湿地生态系统遭受到不同程度的破坏，由此产生了对湿地高精度动态监测、精细分类和保护工作提出了更迫切的要求。遥感技术凭借经济高效、覆盖范围广等优势，逐步成为滨海湿地动态监测和信息提取解译的重要手段。多样化的光谱、雷达成像技术与图像处理技术的结合为空间、地理数据库提供了便捷的高质量数据。

其中，以高光谱图像为代表的高维数据能够对观测对象实现空间、光谱、辐射等多方面信息的同步获取，促使客观世界的描述呈现出多尺度、多角度、多维度的新特性。激光雷达数据提供了被调查区域的高程信息，这对于更好地描述光传感器单独获取的同一场景有价值。融合和处理上述不同的数据源，有助于整合不同的信息，进一步提高地球观测的性能。多源图像数据的融合是为了从每个源图像中提取出明显的特征，然后通过适当的融合方法将这些特征融合到单个图像中。许多信号处理方法如多尺度分解的方法已被应用于多源遥感图像融合任务中，以提取图像的显著特征。在利用图像分解方法提取图像的显著特征后使用合适的融合策略得到最终的融合图像。融合后的高光谱图像具有高空间分辨率和丰富的光谱信息特征，为深入的研究创造了更好的条件，但高光谱数据像谱合一与海量数据难以标记的特点，导致难以利用常规方法进行高光谱图像融合处理。

发明内容

有鉴于此，提供一种滨海湿地深度学习分类方法、装置、设备和存储介质，以解决相关技术中高光谱图像融合技术在滨海湿地分类时成本高以及精确度低的问题。

本发明采用如下技术方案：

第一方面，本申请实施例提供了一种滨海湿地深度学习分类方法，该方法包括：

对采集到的原始高光谱图像数据进行校正处理和归一化处理，得到待处理高光谱图像数据，以及，对采集到的原始激光雷达数据进行异常点去除处理和归一化处理，得到待处理激光雷达数据；

根据所述待处理高光谱图像数据的空间分辨率和通道数，以及，所述待处理激光雷达数据的空间分辨率和通道数，构造各个模式的三层Octave卷积层；

基于各个模式的所述三层Octave卷积层，对所述待处理高光谱图像数据和所述待处理激光雷达数据进行成分分离、成分组合以及频率分量综合，得到特征融合数据；

提取所述特征融合数据中的方向性纹理信息，结合待处理高光谱数据进行空间、纹理以及光谱联合分类，得到目标联合分类特征，以确定目标类别。

第二方面，本申请实施例提供了一种滨海湿地深度学习分类装置，该装置包括：

预处理模块，用于对采集到的原始高光谱图像数据进行校正处理和归一化处理，得到待处理高光谱图像数据，以及，对采集到的原始激光雷达数据进行异常点去除处理和归一化处理，得到待处理激光雷达数据；

卷积层构造模块，用于根据所述待处理高光谱图像数据的空间分辨率和通道数，以及，所述待处理激光雷达数据的空间分辨率和通道数，构造各个模式的三层Octave卷积层；