[发明专利]基于深度融合残差网的多光谱图像分类方法

摘要

本发明公开了一种基于深度融合残差网的高光谱图像分类方法，克服了现有技术人为选择多种弱分类器和集成方法设计的复杂耗时、计算过程繁琐并且半监督训练方式导致的分类结果存在同物异谱及异物同谱现象的缺点。本发明实现的步骤是：(1)输入多光谱图像；(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；(4)获取数据集；(5)搭建深度融合残差网；(6)训练深度融合残差网；(7)对测试数据集进行分类。本发明具有完备学习多光谱图像特征，过程更加简洁明了，使得分类效果更精确的优点，可用于高光谱图像的分类。

主权项

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。