[发明专利]一种遥感图像分类方法

说明书

本发明涉及一种遥感图像分类方法，该方法包括以下步骤：建立彩色遥感图像集；对彩色图像灰度化处理得到灰度图像并用圆形局部二值模式方法计算灰度图像的局部特征纹理图像；对彩色图像和局部特征纹理图像分别归一化；归一化后的彩色图像和归一化后的局部特征纹理图像融合得到融合图像；计算融合图像的卷积；构建胶囊网络；用融合图像的卷积训练胶囊网络，生成训练后的胶囊网络模型；将待分类的遥感图像输入到训练好的胶囊网络中，计算出待分类的遥感图像的类别。该方法不但具有更好的收敛性，而且还能提高遥感图像的分类准确率，尤其是针对纹理信息较为丰富的图像。

技术领域

本发明涉及一种遥感图像分类方法，尤其涉及一种基于圆形局部二值模式和改进胶囊网络的遥感图像的分类方法，属于图像分类领域。

背景技术

遥感图像是借助传感器发射电磁波对远距离地貌辐射后，地貌反射信息的成像。遥感图像种类繁多、结构复杂、信息丰富，既包括沙漠、河流、海洋等自然地物，又包括立交桥、住宅地、飞机场等人工地物。由于地表地物性质、成分以及分布情况的不同，各类地物图像之间相互交错影响，使得遥感图像中的地质信息异常复杂，这给遥感图像的分类识别带来巨大挑战。

国内外学者提出了一些遥感图像分类方法。如采用光谱信息借助support vectormachine进行分类；通过递归滤波增强遥感图像的轮廓特征并借助KNN进行分类，该方法虽然有效降低了高光谱遥感图像的错误分类概率，但算法处理时间较长；利用分形特征结合BP浅层神经网络进行分类，该方法降低了计算复杂度。

近年来，深度学习中的卷积神经网络在遥感图像分类中表现出良好的优越性，成为了主流的分类方法。利用改进的CNN对不同场景进行分类，实验结果表明纹理丰富的复杂场景更容易出现误分，通过实验得出纹理信息结合CNN可有效用于遥感图像分类的结论。遥感图像分类受旋转变化和尺度变化影响较大，深度学习算法CNN在一定程度上能够提高分类精度，但容易造成遥感图像特征信息的缺失，而现有的遥感影像数据库又不满足深度学习训练的需求，因此遥感图像需要利用良好特征表达能力的深度学习模型进行分类。

发明内容

本发明为了解决现有技术中存在的问题，提供一种基于圆形局部二值模式和改进胶囊网络的遥感图像的分类方法，该方法不但具有更好的收敛性，而且还能显著提高遥感图像的分类准确率，尤其是针对纹理信息较为丰富的图像。

为了达到上述目的，本发明提出的技术方案为：一种遥感图像分类方法，包括如下步骤：

步骤一、建立彩色图像集；

步骤二、将图像集的图像进行灰度化处理得到灰度图像；

步骤三、用圆形局部二值模式方法计算灰度图像的局部特征纹理图像；

步骤四、对步骤一的彩色图像和步骤三得到的局部特征纹理图像分别归一化得到归一化后的图像；

步骤五、把归一化后的原始彩色图像和局部特征纹理图像中的通道数合并得到融合后的图像；

步骤六、对融合后的图像计算卷积；

步骤七、构建胶囊网络，胶囊网络的输出为遥感图像的分类预测值；

步骤八、将步骤六输出的结果输入到胶囊网络中训练胶囊网络；

步骤九、将待分类的遥感图像输入到训练好的胶囊网络中，得到待分类的遥感图像的类别。

对上述技术方案的进一步设计为：所述步骤二利用射影原理将彩色图像转换成灰度图像。

所述步骤三得到灰度图像的局部特征纹理图像的方法为：