[发明专利]一种高分辨率遥感图像分类方法

说明书

本发明公开了一种高分辨率遥感图像分类方法，包括：输入图像；构造训练样本图像块集合；构造7层深度卷积神经网络并对其进行训练；计算类中心特征；计算训练样本图像块的差值特征；构造距离测度学习网络并对其进行训练；构造测试样本图像块集合；计算测试样本图像块的深度特征；计算测试样本图像块的差值特征；计算测试样本图像块与每一类类中心特征的距离值；选择测试样本图像块加入训练样本图像块集合；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；训练softmax分类器；完成分类。通过本发明的方法可以获得高分辨率遥感图像分类中大数据量的训练样本，同时分类精度高。

技术领域

本发明属于图像处理技术领域，涉及一种高分辨率遥感图像分类方法。

背景技术

高分辨率遥感图像处理的一个主要内容就是地物目标分类。分类是一种描述地物目标或种类的分析技术，其主要任务是对数据体的每个像素点赋予一个类别标记以产生专题地图的一种过程,它是人们从遥感影像上提取有用信息的重要途径之一。分类后产生的专题地图可以清晰地反映出地物的空间分布，便于人们从中认识和发现其规律，使高分辨率遥感图像具有真正的使用价值并有效的投入到实际应用中。

高分辨率遥感图像的特征提取是高分辨率遥感图像分类的一个重要部分，对分类精度有很大的影响。目前，市场上使用的高分辨率遥感图像特征提取方法主要有基于光谱信息的特征提取方法，基于空间信息的特征提取方法和结合空间信息和光谱信息的特征提取方法。

在基于光谱信息的特征提取方法中，由于地物光谱响应会受到很多因素的影响，如太阳照度、大气透明度和风速等，而这些因素通常都是很难准确测量的，所以实际测量得到的地物光谱响应曲线与实际的曲线可能有很大的差异。因此基于光谱信息的特征提取方法常常得到的分类精度不够理想。

基于空间信息的特征提取方法是一种人工经验的特征提取方法，需要预先知道图像的特征，再对应的选择合适方法，所以该类方法需要较好的先验知识才能达到较好的分类效果。

结合空间和光谱信息的特征提取方法，借助于高分辨率遥感图像的光谱和空间信息来提高分类精度，该类方法虽然在一定程度上克服了仅仅使用光谱信息或空间信息造成的地物错分问题问题，但是仍然需要较多的先验知识才能够获得较好的分类精度。

神经网络是一类有效的提取空谱特征的方法，也是一种主动的特征学习的方法，不需要对图像有先验知识，典型的神经网络如BP神经网络、小波神经网络、和脊波神经网络。但是这些都是浅层的神经网络，都只包含3层，为了能够更好的挖掘图像更深层的特征，深度神经网络的模型被提出，典型的深度神经网络有自编码深度网络、受限玻尔兹曼机深度网络、深度卷积网络等，这些网络能够得到更高的分类精度，从而在高分辨率遥感图像分类中得到了广泛的应用。然而目前基于深度神经网络的分类方法都是在网络结构上进行改进，并没有考虑训练样本的个数对分类精度的影响。事实上，训练样本个数对于分类精度的影响是十分重大的，训练样本个数的增加能够大幅度的提升高分辨率遥感图像的分类精度。但是训练样本的获取方式主要是人工实地探测，这种标记方法受到野外环境，个人经验等影响，标记的样本数量存在很大的局限性，尤其对大数据量的样本进行标记更加难以实现。

发明内容

本发明的目的是提供一种高分辨率遥感图像分类方法，解决了现有技术中存在的，难以获取以及高分辨率遥感图像的分类精度低的问题。

本发明所采用的技术方案是，一种高分辨率遥感图像分类方法，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；