[发明专利]基于双通道卷积阶梯网的多源遥感影像地物分类方法

摘要

本发明公开了基于双通道卷积阶梯网的多源遥感影像地物分类方法，将landsat‑8传感器和sentinel‑2传感器得到的待分类地区的多光谱数据分别使用ENVI软件进行归一化处理，得到归一化后的多光谱数据；对归一化后的数据取每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；每类随机选取若干块组成训练数据集L和S；构造基于双通道卷积阶梯网的多源遥感影像地物分类模型；用训练数据集L和S对双通道卷积阶梯网多源遥感影像地物分类模型进行训练；利用训练好的双通道卷积阶梯网多源遥感影像地物分类模型对测试数据集进行分类。本发明仅使用少量有类标样本就获得了很高的多源影像分类精度，本发明可用于目标检测。

主权项

基于双通道卷积阶梯网的多源遥感影像地物分类方法，其特征在于，包括以下步骤：步骤一，将landsat‑8传感器得到的若干待测地区的多光谱数据进行归一化处理，得到归一化后的多光谱数据，并标记为landsat_A、landsat_B、landsat_C、……、landsat_N；步骤二，将sentinel‑2传感器得到若干待测地区的多光谱数据进行归一化处理，得到归一化后的多光谱数据，并标记l为sentinel_A、sentinel_B、sentinel_C、……、sentinel_N；步骤三，将landsat_A中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵L1_A，同理，得到特征矩阵L1_B、L1_C、……、L1_N；步骤四，将sentinel_A中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵S1_A，同理，得到特征矩阵S1_B、S1_C、……、S1_N；步骤五，在特征矩阵L1_A中，每类随机选取若干块组成集合L2_A，同理，由L1_B、L1_C、……、L1_N分别得到集合L2_B、L2_C、……、L2_N，由L2_A、L2_B、L2_C、……、L2_N组成训练数据集L；步骤六，在特征矩阵S1_A中，选取和L2_A中对应的块组成集合S2_A，同理，由S1_B、S1_C、……、S1_N分别得到集合S2_B、S2_C、……、S2_N，由S2_A、S2_B、S2_C、……、S2_N组成训练数据集S；步骤七，构造双通道卷积阶梯网多源遥感影像地物分类模型；步骤八，用训练数据集L和训练数据集S对多源影像地物分类模型进行训练，得到训练好的模型；步骤九，利用训练好的模型对测试数据集L1_A、L1_B、L1_C、……、L1_N、S1_A、S1_B、S1_C、……、S1_N进行分类，得到测试数据集中每个像素点对应的模型的输出。