[发明专利]一种高分辨率遥感图像分类方法

权利要求书

1.一种高分辨率遥感图像分类方法，其特征在于，具体按照以下步骤实施：

步骤1、输入高分辨率遥感图像及该图像中每个像素的类别信息，分别对每一类随机选择若干个像素作为训练样本；

步骤2、构造训练样本图像块a_p及训练样本图像块集合S₁；

步骤3、构造三维深度卷积神经网络，对训练样本图像块进行归一化处理然后将其作为三维深度卷积神经网络的输入，对该三维深度卷积神经网络进行训练，得到训练好的三维深度卷积神经网络及训练样本的深度特征F_p；

步骤4、根据步骤3得到的训练样本图像块a_p的深度特征F_p和类标，分别计算每一类的类中心特征(C₁,C₂,...,C_h,...,C_H)，其中，H是类别数；

步骤5、对训练样本图像块a_p的深度特征F_p，分别计算其与每一个类中心特征的差值的绝对值，得到差值特征

步骤6、构造距离测度学习网络，该网络参数为α＝(α₁,α₂,...,α_Z)，将步骤5得到的差值特征作为该网络的输入，该网络的输出为深度特征F_p与每一类类中心的距离值对该网络进行训练，得到训练好的距离测度学习网络，其中Z是每一个差值特征的维数；

步骤7、构造测试样本图像块b_q及测试样本图像块集合S₂；

步骤8、将步骤7得到的测试样本图像块b_q输入到步骤3训练好的深度卷积神经网络中，得到测试样本图像块b_q的深度特征G_q；

步骤9、分别计算测试样本图像块b_q的深度特征G_q和每一类的类中心特征(C₁,C₂,...,C_h,...,C_H)的差值的绝对值，得到差值特征

步骤10、将步骤9得到的差值特征输入到步骤6的距离测度学习网络中，得到测试样本图像块b_q和每一类类中心的距离并将距离中最小值对应的位置作为测试样本图像块b_q的预测类别，将对应位置的距离值作为测试样本图像块b_q的预测距离；

步骤11、根据测试样本图像块的预测类别，分别对每一类，选择预测距离最小的若干个测试样本图像块加入训练样本图像块集合S₁中，并将这些测试样本图像块从测试样本图像块集合S₂中删除；

步骤12、重复步骤3-11，直到达到预先设定的迭代步数，输出测试样本图像块a_q的深度特征G_q；

步骤13、将训练样本图像块a_p的深度特征F_p以及类标作为softmax分类器的输入，对softmax分类器进行训练，得到训练好的分类器；

步骤14、将测试样本图像块b_q的深度特征G_q作为训练好的softmax分类器的输入，得到的每一个测试样本图像块的类标，完成分类。

2.根据权利要求1所述的一种高分辨率遥感图像分类方法，其特征在于：所述步骤2具体为，设步骤1中输入的高分辨率遥感图像的光谱维数为V，以每个像素为中心，在该图像的每一维上，选取21×21大小的窗口，得到该像素在该维上的空间信息，并将所有维数上的空间信息组成一个三维的训练样本图像块a_p,p∈S₁，S₁是训练样本图像块的集合。