本發(fā)明涉及遙感
技術(shù)領域：
，具體而言，涉及一種地物分類方法及裝置。
背景技術(shù)：
：高光譜圖像是當前遙感領域的前沿技術(shù)，其能夠獲取上百個光譜連續(xù)的波段。與全色、多光譜遙感圖像相比，高光譜圖像具有更加高的光譜分辨率，能夠提供更加豐富的地物信息，從而更好的識別地物。但是，高光譜圖像不能很好的解決復雜城市區(qū)域的建筑物陰影、云覆蓋等難題，另外，在對更復雜的城市區(qū)域進行地物分類時，高光譜圖像不能有效區(qū)分由相同材料組成的不同地物，因此，需要提取更具可分性的空譜特征?；谛螒B(tài)學屬性剖面的空間結(jié)構(gòu)特征能夠有效提取高光譜圖像中多尺度結(jié)構(gòu)信息，但是由于高光譜圖像的復雜性和多樣性，單一的特征對高光譜圖像的描述有限，在大場景高光譜圖像的識別分類中，難以獲取足夠的訓練樣本，計算代價大。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供一種地物分類方法及裝置，用以改善上述問題。為了實現(xiàn)上述目的，本發(fā)明實施例采用的技術(shù)方案如下：第一方面，本發(fā)明提供了一種地物分類方法，所述方法包括：提取高光譜圖像的多個屬性剖面特征，得到第一圖像；提取激光掃描圖像的屬性剖面特征，得到第二圖像；將第一圖像和第二圖像進行融合，得到第三圖像；利用預設的卷積神經(jīng)網(wǎng)絡，對第三圖像進行特征提取與分類，得到地物分類結(jié)果。第二方面，本發(fā)明提供了一種地物分類裝置，所述裝置包括第一提取模塊、第二提取模塊、圖像融合模塊及地物分類模塊。其中，第一提取模塊用于提取高光譜圖像的多個屬性剖面特征，得到第一圖像；第二提取模塊用于提取激光掃描圖像的屬性剖面特征，得到第二圖像；圖像融合模塊用于將第一圖像和第二圖像進行融合，得到第三圖像；地物分類模塊用于利用預設的卷積神經(jīng)網(wǎng)絡，對第三圖像進行特征提取與分類，得到地物分類結(jié)果。相對現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：本發(fā)明提供的一種地物分類方法及裝置，通過將高光譜圖像的多個屬性剖面特征和激光掃描圖像的屬性剖面特征進行融合，將髙光譜圖像豐富的光譜信息和激光掃描圖像精確的高程信息進行互補，解決了現(xiàn)有技術(shù)中由于光譜信息不準確導致的地物分類受局限的問題。另外，利用卷積神經(jīng)網(wǎng)絡進行特征提取與分類，降低了對訓練樣本的數(shù)量要求，同時提升了地物分類的精度。為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。附圖說明為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應當理解，以下附圖僅示出了本發(fā)明的某些實施例，因此不應被看作是對范圍的限定，對于本領域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。圖1示出了本發(fā)明實施例提供的電子設備的方框示意圖。圖2示出了本發(fā)明實施例提供的地物分類方法流程圖。圖3為圖2示出的步驟s101的子步驟流程圖。圖4為圖3示出的子步驟s1013的子步驟流程圖。圖5為圖2示出的步驟s104的子步驟流程圖。圖6為圖5示出的子步驟s1042的子步驟流程圖。圖7為圖5示出的子步驟s1043的子步驟流程圖。圖8示出了本發(fā)明實施例提供的地物分類裝置的方框示意圖。圖9為圖8示出的地物分類裝置中第一提取模塊的方框示意圖。圖10為圖9示出的第一提取模塊中執(zhí)行單元的方框示意圖。圖11為圖8示出的地物分類裝置中地物分類模塊的方框示意圖。圖12為圖11示出的地物分類模塊中圖像特征提取單元的方框示意圖。圖13為圖11示出的地物分類模塊中圖像特征分類單元的方框示意圖。圖標：100-電子設備；101-存儲器；102-存儲控制器；103-處理器；200-地物分類裝置；201-第一提取模塊；2011-圖像獲取單元；2012-主成分分析單元；2013-執(zhí)行單元；20131-特征獲取單元；20132-特征疊加單元；2014-第一圖像獲得單元；202-第二提取模塊；203-圖像融合模塊；204-地物分類模塊；2041-圖像塊獲取單元；2042-圖像特征提取單元；20421-第一子執(zhí)行單元；20422-第二子執(zhí)行單元；20423-圖像特征獲得單元；2043-圖像特征分類單元；20431-特征矢量獲得單元；20432-概率值計算單元；20433-地物類別獲得單元；2044-地物分類結(jié)果獲得單元。具體實施方式下面將結(jié)合本發(fā)明實施例中附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發(fā)明實施例的組件可以以各種不同的配置來布置和設計。因此，以下對在附圖中提供的本發(fā)明的實施例的詳細描述并非旨在限制要求保護的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明的實施例，本領域技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。同時，在本發(fā)明的描述中，術(shù)語“第一”、“第二”等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。請參照圖1，圖1示出了本發(fā)明較佳實施例提供的電子設備100的方框示意圖。電子設備100可以是，但不限于臺式機、筆記本電腦、智能手機、平板電腦、膝上型便攜計算機、車載電腦、個人數(shù)字助理(personaldigitalassistant，pda)、穿戴式移動終端等等。所述電子設備100包括地物分類裝置200、存儲器101、存儲控制器102及處理器103。所述存儲器101、存儲控制器102及處理器103各元件相互之間直接或間接地電性連接，以實現(xiàn)數(shù)據(jù)的傳輸或交互。例如，這些元件相互之間可通過一條或多條通訊總線或信號線實現(xiàn)電性連接。所述地物分類裝置200包括至少一個可以軟件或固件(firmware)的形式存儲于所述存儲器101中或固化在所述電子設備100的操作系統(tǒng)(operatingsystem，os)中的軟件功能模塊。所述處理器103用于執(zhí)行存儲器101中存儲的可執(zhí)行模塊，例如所述地物分類裝置200包括的軟件功能模塊或計算機程序。其中，存儲器101可以是，但不限于，隨機存取存儲器(randomaccessmemory，ram)，只讀存儲器(readonlymemory，rom)，可編程只讀存儲器(programmableread-onlymemory，prom)，可擦除只讀存儲器(erasableprogrammableread-onlymemory，eprom)，電可擦除只讀存儲器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存儲器101用于存儲程序，所述處理器103在接收到執(zhí)行指令后，執(zhí)行所述程序，本發(fā)明任一實施例揭示的流程定義的服務器所執(zhí)行的方法可以應用于處理器103中，或者由處理器103實現(xiàn)。處理器103可以是一種集成電路芯片，具有信號處理能力。上述的處理器103可以是通用處理器，包括中央處理器(centralprocessingunit，cpu)、網(wǎng)絡處理器(networkprocessor，np)、語音處理器以及視頻處理器等；還可以是數(shù)字信號處理器、專用集成電路、現(xiàn)場可編程門陣列或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件?？梢詫崿F(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器103也可以是任何常規(guī)的處理器等。第一實施例請參照圖2，圖2示出了本發(fā)明較佳實施例提供的地物分類方法流程圖。地物分類方法包括以下步驟：步驟s101，提取高光譜圖像的多個屬性剖面特征，得到第一圖像。在本發(fā)明實施例中，第一圖像可以是高光譜圖像的擴展形態(tài)學多屬性剖面特征，可以利用形態(tài)學屬性剖面操作提取高光譜圖像的擴展形態(tài)學多屬性剖面特征，高光譜圖像的擴展形態(tài)學多屬性可以是根據(jù)高光譜圖像計算得到的，包括面積屬性、慣性矩屬性、標準差屬性等。作為一種實施方式，提取高光譜圖像的多個屬性剖面特征得到第一圖像的方法可以包括以下步驟：第一，利用主成分分析方法提取高光譜圖像的前三個主成分圖像，分別表示為i1、i2、i3；第二，選取有序閾值λ，且λ∈{100,500，1000,5000}，將選定的有序閾值λ與高光譜圖像的面積屬性進行比較，分別對前三個主成分圖像i1、i2、i3進行開運算和閉運算，得到每個主成分圖像ij(j＝1，2，3)的面積屬性的屬性剖面特征，可以根據(jù)下式獲取每個主成分圖像的面積屬性的屬性剖面特征：其中，γt表示開運算，可以是變薄操作，表示閉運算，可以是增厚操作。第三，將前三個主成分圖像i1、i2、i3的屬性剖面特征進行疊加，得到高光譜圖像的面積的屬性剖面特征，可以根據(jù)式子eap＝{ap(i1),ap(i2),ap(i3)}獲取高光譜圖像的面積的屬性剖面特征：第四，將面積屬性、慣性矩屬性、標準差屬性的屬性剖面特征進行疊加，得到高光譜圖像的擴展形態(tài)學多屬性剖面特征，即第一圖像，可以利用式子emap＝{eap1，eap′2,…,eapn}得到高光譜圖像的擴展形態(tài)學多屬性剖面特征。請參照圖3，步驟s102可以包括以下子步驟：子步驟s1011，獲取高光譜圖像。子步驟s1012，對高光譜圖像進行主成分分析，得到多個主成分圖像。子步驟s1013，根據(jù)任意一個形態(tài)學屬性，得到多個主成分圖像的屬性剖面特征，其中，形態(tài)學屬性包括面積屬性、慣性矩屬性及標準差屬性。請參照圖4，步驟s1013可以包括以下子步驟：子步驟s10131，根據(jù)任意一個形態(tài)學屬性，對每個主成分圖像進行開運算和閉運算，獲取每個主成分圖像的屬性剖面特征。子步驟s10132，將每個主成分圖像的屬性剖面特征進行疊加，得到多個主成分圖像的屬性剖面特征。子步驟s1014，將多個形態(tài)學屬性的屬性剖面特征進行疊加，得到第一圖像。步驟s102，提取激光掃描圖像的屬性剖面特征，得到第二圖像。在本發(fā)明實施例中，第二圖像可以是激光掃描圖像的的形態(tài)學屬性剖面特征，可以利用形態(tài)學屬性剖面操作提取激光掃描圖像的形態(tài)學屬性剖面特征。作為一種實施方式，對于激光掃描圖像，可以根據(jù)形態(tài)學屬性增厚操作和變薄操作的指標簇進行重建，從而得到激光掃描圖像的屬性剖面特征，即第二圖像，可以根據(jù)下式得到激光掃描圖像的屬性剖面特征：其中，γt表示開運算，可以是變薄操作，表示閉運算，可以是增厚操作。步驟s103，將第一圖像和第二圖像進行融合，得到第三圖像。在本發(fā)明實施例中，可以將步驟s101得到的高光譜圖像的擴展形態(tài)學多屬性剖面特征和步驟s102得到的激光掃描圖像的屬性剖面特征進行像素級別融合，得到融合后的第三圖像，第三圖像可以根據(jù)式子χ＝(emap(xh)；ap(xl))獲得。步驟s104，利用預設的卷積神經(jīng)網(wǎng)絡，對第三圖像進行特征提取與分類，得到地物分類結(jié)果。在本發(fā)明實施例中，對第三圖像進行特征提取與分類的方法可以包括以下步驟：第一、以第三圖像中的每個像素點為中心、獲取多個大小為n×n的圖像塊；第二、利用預設的卷積神經(jīng)網(wǎng)絡對第三圖像進行特征提取與分類，首先，利用不同權(quán)重濾波器通過局部感受野對多個大小為n×n的圖像塊進行卷積操作提取抽象特征，其次，利用池化層降低卷積層輸出結(jié)果的特征向量，再次，全連接層與池化后的特征圖相連，將其拉平為特征矢量，最后，輸出層為多類邏輯回歸層，可輸出0到1之間數(shù)值，代表著計算每個特征矢量屬于每個預設地物分類的概率值。作為一種實施方式，預設的卷積神經(jīng)網(wǎng)絡的架構(gòu)為表1所示。表1卷積神經(jīng)網(wǎng)絡的架構(gòu)卷積層relu層池化層dropout11×11×40有無無11×11×40有2×2無5×5×80有無無5×5×80有2×2無3×3×100有無無3×3×100有無無3×3×100有2×250％其中，第1層卷積層：卷積核大小為11×11×40；第2層卷積層；卷積核大小為11×11×40；第3層池化層：接受域大小為2*2；第4層卷積層：卷積核大小為5×5×80；第5層卷積層：卷積核大小為5×5×80；第6層池化層：接受域大小為2*2；第7層卷積層：卷積核大小為3×3×100；第8層卷積層：卷積核大小為3×3×100；第9層卷積層：卷積核大小為3×3×100；第10層池化層：接受域大小為2*2；隨機丟失層(也稱dropout層)：設置于每層卷積層和每層池化層之后，隨機丟失值為50％。請參照圖5，步驟s104可以包括以下子步驟：子步驟s1041，以第三圖像中每個像素點為中心，獲取多個大小為n×n的圖像塊，其中，n為大于1的整數(shù)。在本發(fā)明實施例中，將第三圖像以每個像素點為中心取大小為21×21的圖像塊作為卷積神經(jīng)網(wǎng)絡的輸入。子步驟s1042，將多個圖像塊輸入卷積神經(jīng)網(wǎng)絡，利用卷積神經(jīng)網(wǎng)絡的第一網(wǎng)絡進行深度特征學習并提取圖像特征，其中，第一網(wǎng)絡包括卷積層及池化層。在本發(fā)明實施例中，將多個大小為n×n的圖像塊作為卷積神經(jīng)網(wǎng)絡的輸入，第一網(wǎng)絡包括7層卷積層及3層池化層，利用卷積神經(jīng)網(wǎng)絡的第一網(wǎng)絡進行深度特征學習并提取圖像特征的方法可以包括以下步驟：第一，用7層卷積層的不同卷積核對輸入的多個圖像塊進行卷積求和操作、外加偏置，再將結(jié)果并經(jīng)過relu激勵函數(shù)輸出，形成當前層的神經(jīng)元。作為一種實施方式，可以根據(jù)下式得到第i層第j個特征圖在(x,y,z)位置處神經(jīng)元的值：其中，m指的是第(i-1)層連接到當前第j層特征圖的特征圖，pi和qi是空間卷積核的高和寬，ri是光譜維度核的大小，是連接第m個特征圖(p,q,r)位置的權(quán)重值，bij是第i層第j個特征圖的偏置。作為一種實施方式，relu激勵函數(shù)為非線性激勵函數(shù)，用于使數(shù)據(jù)稀疏，其表達式為第二，對第i層特征圖的每一個神經(jīng)元采用最大池化法，用固定大小窗口進行下采樣，降低特征圖對于平移、縮放和旋轉(zhuǎn)的敏感度。最大池化法可以表示為其中，u(n,1)是采用的窗口函數(shù)，aj是鄰域中的最大值，在本發(fā)明實施例中，池化層窗口大小為2×2。第三，利用隨機丟失層(也稱dropout層)隨機選擇卷積層和池化層中的的某些隱含層節(jié)點的權(quán)重不工作，設置隨機丟失的比例為50％，則每次訓練隨機丟棄50％隱含層的節(jié)點來進行訓練，避免每次訓練時所有的濾波器都共同作用放大或者縮小某些特征，防止過擬合。請參照圖6，步驟s1042可以包括以下子步驟：子步驟s10421，將多個圖像塊輸入卷積神經(jīng)網(wǎng)絡，利用多層卷積層進行卷積求和、加偏置，并經(jīng)過relu激勵函數(shù)，得到每層卷積層的輸出特征圖。子步驟s10422，利用每層卷積層后的池化層對該卷積層的輸出特征圖進行下采樣，得到特征映射圖。在本發(fā)明實施例中，將第一層卷積層的輸出特征圖作為第二層卷積層的輸入特征圖，利用第二層卷積層進行卷積求和、加偏置，并經(jīng)過relu激勵函數(shù)，得到第二層卷積層的輸出特征圖；將第二層卷積層的輸出特征圖輸入第二層卷積層后的池化層，該池化層對輸出特征圖進行下采樣，得到特征映射圖；將該特征映射圖輸入第三層卷積層，利用第三層卷積層進行卷積求和、加偏置，并經(jīng)過relu激勵函數(shù)，得到第三層卷積層的輸出特征圖，依次類推，直到得到最后一層卷積層的輸出特征圖。子步驟s10423，利用最后一層卷積層后的池化層對該卷積層的輸出特征圖進行下采樣，得到圖像特征。子步驟s1043，將從第一網(wǎng)絡提取到的圖像特征輸入第二網(wǎng)絡并進行分類，得到每個圖像特征的地物類別，其中，第二網(wǎng)絡包括全連接層及多類邏輯回歸層。在本發(fā)明實施例中，利用第一網(wǎng)絡得到圖像特征之后，輸入第二網(wǎng)絡并進行分類，得到每個圖像特征的地物類別，可以利用以下步驟實現(xiàn)：第一，全連接層與最后池化后的特征圖相連，利用全連接層將圖像特征拉平為特征矢量，全連接層神經(jīng)元個數(shù)就是圖像特征個數(shù)，其直接影響卷積神經(jīng)網(wǎng)絡的擬合效果和訓練速度；第二，卷積神經(jīng)網(wǎng)絡的最終輸出層為多類邏輯回歸層，可輸出0到1之間數(shù)值，代表著每個特征矢量屬于每個預設地物分類的概率值。給定輸入r，可由式子得到特征矢量屬于第j類的概率。作為一種實施方式，預設地物分類可以包括，但不限于土壤、道路、鐵路、停車場、居民區(qū)、商業(yè)區(qū)等。第三，卷積神經(jīng)網(wǎng)絡參數(shù)訓練分為前向傳播和后向傳播階段，前向傳播過程為給定待推斷的輸入計算輸出，將訓練樣本送入網(wǎng)絡，逐層變換，提取特征，得到激勵響應。在后向傳播過程中，卷積神經(jīng)網(wǎng)絡根據(jù)損失來計算梯度進行學習，將得到的損失函數(shù)，利用梯度下降法對權(quán)重和偏置進行更新，自動求導并反向組合每一層梯度來計算整個網(wǎng)絡的梯度，損失函數(shù)可以根據(jù)下式計算：其中，式中m為圖像塊的個數(shù)，k為類別個數(shù)，1{·}是示性函數(shù)，其取值規(guī)則為：1{值為真的表達式}＝1，1{值為假的表達式}＝0。請參照圖7，步驟s1043可以包括以下子步驟：子步驟s10431，利用全連接層對最后一層池化層輸出的圖像特征進行拉平，得到特征矢量，其中，全連接層的每個神經(jīng)元對應1個圖像特征。子步驟s10432，利用多類邏輯回歸層，計算每個特征矢量屬于每個預設地物分類的概率值。子步驟s10433，獲取每個特征矢量的最大概率值對應的預設地物分類，并將該預設地物分類作為該特征矢量對應的圖像特征的地物類別。子步驟s1044，將每個圖像特征的地物類別進行融合，得到地物分類結(jié)果。在本發(fā)明實施例中，將本發(fā)明所提供地物分類方法與基于emp形態(tài)學變換、基于支持向量機、基于ep提取特征和基于epf的分類方法進行了比較，如表2所示。表2幾種分類方法的比較由表2可以看到，本發(fā)明提出的地物分類方法獲得的分類結(jié)果與其他方法的分類結(jié)果相比，分類精度更高，具有更大的實用價值。在本發(fā)明實施例中，首先，將高光譜圖像的多個屬性剖面特征和激光掃描圖像的屬性剖面特征進行融合，將髙光譜圖像豐富的光譜信息和激光掃描圖像精確的高程信息進行互補，避免了只基于髙光譜圖像存在的建筑物陰影、云覆蓋和其他地物光譜信息不準確導致地物分類受局限的問題；第二，基于形態(tài)學屬性剖面提取特征的方法可以綜合多種不同類型的屬性特征，從而更加全面地描述圖像的空間幾何特征；第三，基于卷積神經(jīng)網(wǎng)絡的特征提取和分類方法，能夠克服常規(guī)分類方法忽略圖像空間結(jié)構(gòu)特征和缺乏泛化能力的缺點，提升了整體的分類精度。因此，本發(fā)明提出的地物分類方法既能對幾何變換、形變、光照具有一定程度的不變性，同時又能夠有效解決城市區(qū)域建筑物陰影問題和受天氣影響的大區(qū)域誤分類問題，故對圖像的后續(xù)分析處理及其在實際應用中具有重大意義和實用價值。第二實施例請參照圖8，圖8示出了本發(fā)明實施例提供的地物分類裝置200的方框示意圖。地物分類裝置200包括第一提取模塊201、第二提取模塊202、圖像融合模塊203及地物分類模塊204。第一提取模塊201，用于提取高光譜圖像的多個屬性剖面特征，得到第一圖像。在本發(fā)明實施例中，第一提取模塊201可以用于執(zhí)行步驟s101。請參照圖9，圖9為圖8示出的地物分類裝置200中第一提取模塊201的方框示意圖。第一提取模塊201包括圖像獲取單元2011、主成分分析單元2012、執(zhí)行單元2013及第一圖像獲得單元2014。圖像獲取單元2011，用于獲取高光譜圖像。在本發(fā)明實施例中，圖像獲取單元2011可以用于執(zhí)行子步驟s1011。主成分分析單元2012，用于對高光譜圖像進行主成分分析，得到多個主成分圖像。在本發(fā)明實施例中，主成分分析單元2012可以用于執(zhí)行子步驟s1012。執(zhí)行單元2013，用于根據(jù)任意一個形態(tài)學屬性，得到多個主成分圖像的屬性剖面特征，其中，形態(tài)學屬性包括面積屬性、慣性矩屬性及標準差屬性。在本發(fā)明實施例中，執(zhí)行單元2013可以用于執(zhí)行子步驟s1013。請參照圖10，圖10為圖9示出的第一提取模塊201中執(zhí)行單元2013的方框示意圖。執(zhí)行單元2013包括特征獲取單元20131及特征疊加單元20132。特征獲取單元20131，用于根據(jù)任意一個形態(tài)學屬性，對每個主成分圖像進行開運算和閉運算，獲取每個主成分圖像的屬性剖面特征。在本發(fā)明實施例中，特征獲取單元20131可以用于執(zhí)行子步驟s10131。特征疊加單元20132，用于將每個主成分圖像的屬性剖面特征進行疊加，得到多個主成分圖像的屬性剖面特征。在本發(fā)明實施例中，特征疊加單元20132可以用于執(zhí)行子步驟s10132。第一圖像獲得單元2014，用于將多個形態(tài)學屬性的屬性剖面特征進行疊加，得到第一圖像。在本發(fā)明實施例中，第一圖像獲得單元2014可以用于執(zhí)行子步驟s1014。第二提取模塊202，用于提取激光掃描圖像的屬性剖面特征，得到第二圖像。在本發(fā)明實施例中，第二提取模塊202可以用于執(zhí)行步驟s102。圖像融合模塊203，用于將第一圖像和第二圖像進行融合，得到第三圖像。在本發(fā)明實施例中，圖像融合模塊203可以用于執(zhí)行步驟s103。地物分類模塊204，用于利用預設的卷積神經(jīng)網(wǎng)絡，對第三圖像進行特征提取與分類，得到地物分類結(jié)果。在本發(fā)明實施例中，地物分類模塊204可以用于執(zhí)行步驟s104。請參照圖11，圖11為圖8示出的地物分類裝置200中地物分類模塊204的方框示意圖。地物分類模塊204包括圖像塊獲取單元2041、圖像特征提取單元2042、圖像特征分類單元2043及地物分類結(jié)果獲得單元2044。圖像塊獲取單元2041，用于以第三圖像中每個像素點為中心，獲取多個大小為n×n的圖像塊，其中，n為大于1的整數(shù)。在本發(fā)明實施例中，圖像塊獲取單元2041可以用于執(zhí)行子步驟s1041。圖像特征提取單元2042，用于將多個圖像塊輸入卷積神經(jīng)網(wǎng)絡，利用卷積神經(jīng)網(wǎng)絡的第一網(wǎng)絡進行深度特征學習并提取圖像特征，其中，第一網(wǎng)絡包括卷積層及池化層。在本發(fā)明實施例中，圖像特征提取單元2042可以用于執(zhí)行子步驟s1042。請參照圖12，圖12為圖11示出的地物分類模塊204中圖像特征提取單元2042的方框示意圖。圖像特征提取單元2042包括第一子執(zhí)行單元20421、第二子執(zhí)行單元20422及圖像特征獲得單元20423。第一子執(zhí)行單元20421，用于將多個圖像塊輸入卷積神經(jīng)網(wǎng)絡，利用多層卷積層進行卷積求和、加偏置，并經(jīng)過relu激勵函數(shù)，得到每層卷積層的輸出特征圖。在本發(fā)明實施例中，第一子執(zhí)行單元20421可以用于執(zhí)行子步驟s10421。第二子執(zhí)行單元20422，用于利用每層卷積層后的池化層對該卷積層的輸出特征圖進行下采樣，得到特征映射圖。在本發(fā)明實施例中，第二子執(zhí)行單元20422可以用于執(zhí)行子步驟s10422。下采樣單元20423，用于利用最后一層卷積層后的池化層對該卷積層的輸出特征圖進行下采樣，得到圖像特征。在本發(fā)明實施例中，圖像特征獲得單元20423可以用于執(zhí)行子步驟s10423。圖像特征分類單元2043，用于將從第一網(wǎng)絡提取到的圖像特征輸入第二網(wǎng)絡并進行分類，得到每個圖像特征的地物類別，其中，第二網(wǎng)絡包括全連接層及多類邏輯回歸層。在本發(fā)明實施例中，圖像特征分類單元2043可以用于執(zhí)行子步驟s1043。請參照圖13，圖13為圖11示出的地物分類模塊204中圖像特征分類單元2043的方框示意圖。圖像特征分類單元2043包括特征矢量獲得單元20431、概率值計算單元20432及地物類別獲得單元20433。特征矢量獲得單元20431，用于利用全連接層對最后一層池化層輸出的圖像特征進行拉平，得到特征矢量，其中，全連接層的每個神經(jīng)元對應1個圖像特征。在本發(fā)明實施例中，特征矢量獲得單元20431可以用于執(zhí)行子步驟s10431。概率值計算單元20432，用于利用多類邏輯回歸層，計算每個特征矢量屬于每個預設地物分類的概率值。在本發(fā)明實施例中，概率值計算單元20432可以用于執(zhí)行子步驟s10432。地物類別獲得單元20433，用于獲取每個特征矢量的最大概率值對應的預設地物分類，并將該預設地物分類作為該特征矢量對應的圖像特征的地物類別。在本發(fā)明實施例中，地物類別獲得單元20433可以用于執(zhí)行子步驟s10433。地物分類結(jié)果獲得單元2044，用于將每個圖像特征的地物類別進行融合，得到地物分類結(jié)果。在本發(fā)明實施例中，地物分類結(jié)果獲得單元2044可以用于執(zhí)行子步驟s1044。綜上所述，本發(fā)明提供的一種地物分類方法及裝置，所述方法包括：提取高光譜圖像的多個屬性剖面特征，得到第一圖像；提取激光掃描圖像的屬性剖面特征，得到第二圖像；將第一圖像和第二圖像進行融合，得到第三圖像；利用預設的卷積神經(jīng)網(wǎng)絡，對第三圖像進行特征提取與分類，得到地物分類結(jié)果。本發(fā)明提出的地物分類方法，首先，將高光譜圖像的多個屬性剖面特征和激光掃描圖像的屬性剖面特征進行融合，將髙光譜圖像豐富的光譜信息和激光掃描圖像精確的高程信息進行互補，避免了只基于髙光譜圖像存在的建筑物陰影、云覆蓋和其他地物光譜信息不準確導致地物分類受局限的問題；第二，基于形態(tài)學屬性剖面提取特征的方法可以綜合多種不同類型的屬性特征，從而更加全面地描述圖像的空間幾何特征；第三，基于卷積神經(jīng)網(wǎng)絡的特征提取和分類方法，能夠克服常規(guī)分類方法忽略圖像空間結(jié)構(gòu)特征和缺乏泛化能力的缺點，提升了整體的分類精度。該方法既能對幾何變換、形變、光照具有一定程度的不變性，同時又能夠有效解決城市區(qū)域建筑物陰影問題和受天氣影響的大區(qū)域誤分類問題，因此對圖像的后續(xù)分析處理及其在實際應用中具有重大意義和實用價值。在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，也可以通過其它的方式實現(xiàn)。以上所描述的裝置實施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據(jù)本發(fā)明的多個實施例的裝置、方法和計算機程序產(chǎn)品的可能實現(xiàn)的體系架構(gòu)、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個或多個用于實現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應當注意，在有些作為替換的實現(xiàn)方式中，方框中所標注的功能也可以以不同于附圖中所標注的順序發(fā)生。例如，兩個連續(xù)的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或動作的專用的基于硬件的系統(tǒng)來實現(xiàn)，或者可以用專用硬件與計算機指令的組合來實現(xiàn)。另外，在本發(fā)明各個實施例中的各功能模塊可以集成在一起形成一個獨立的部分，也可以是各個模塊單獨存在，也可以兩個或兩個以上模塊集成形成一個獨立的部分。所述功能如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步定義和解釋。當前第1頁12