本发明涉及遥感影像技术领域，尤其涉及一种使用主颜色数据融合提高遥感影像分类的方法。
背景技术：
遥感影像是只纪录各种地物电磁波大小的胶片(或相片)，在遥感中主要是指航空像片和卫星相片，用计算机处理的遥感图像必须是数字图像，以摄影方式获取的模拟图像必须用图像扫描仪等进行模/数(a/d)转换；以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的cct等通用载体上，计算机图像处理要在图像处理系统中进行，图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入，输出，校正，变换，分类等功能)构成，图像处理内容主要包括校正、变换和分类。
卷积神经网络处理遥感影像分类时，能够比较快速且全面的提取位置和形状相关特征；但是，对颜色特征非常不敏感。
因此，有必要提供一种使用主颜色数据融合提高遥感影像分类的方法解决上述技术问题。
技术实现要素：
本发明解决的技术问题是提供一种设计合理、能够提高分类精度，从而提升判别器判别真实图像和生成图像的性能的使用主颜色数据融合提高遥感影像分类的方法。
为解决上述技术问题，本发明提供的使用主颜色数据融合提高遥感影像分类的方法，包括以下步骤：
s1：在融合主颜色与位置和形状相关特征时，使用差分演化算法寻找最优特征比重；
s2：设颜色特征权重为α，利用如下公式计算个体α的适应值：
fit(α)＝zval-errtop10(1)
s3：利用基于差分演化的自适应数据融合算法中对每个个体αi进行更新操作，并生成的新样本放入原始样本库。
优选的，所述s2中的公式中：n是指epoch的个数，vali是指一次交叉验证的平均分类结果，zval是指五次交叉验证的平均分类结果，top10是指前10个影像物体的分类错误个数。
优选的，所述s3中基于差分演化的自适应数据融合算法包括以下步骤：
a1：在[10-1，10-10]区间内，初始化种群p，产生规模为np的个体α；
a2：根据式(1)，评价初始群体p中所有个体的适应值；
a3：ift＜最大迭代次数then转步骤4；否则停机；
a4：对每个个体αi按照式(2)进行差分变异，产生
其中，αbest为当前群体的最优个体，r1、r2为群体中随机选择的两个个体且r1≠r2；
a5：按照式(1)对每个个体αi的实验个体
a6：对每个个体αi进行更新操作
a7：跳转至步骤a3。
与相关技术相比较，本发明提供的使用主颜色数据融合提高遥感影像分类的方法具有如下有益效果：
本发明提供一种使用主颜色数据融合提高遥感影像分类的方法，通过对抗网络增加数据库的样本数，提高分类精度，将双交叉熵损失函数应用于判别器网络，提升判别器判别真实图像和生成图像的性能，从而促使生成器网络生成更逼真的样本，最后将生成的新样本放入原始样本库，扩充原始样本数，卷积神经网络通过rgb三颜色通道读取图像与读取二值化图像，在做遥感影像分类时，分类效果几乎没有明显差异，甚至是直接没有差距，所以，根据卷积神经网络处理遥感影像分类时，对颜色特征不敏感这个特点，融合主颜色与位置和形状相关特征，特征融合对卷积神经网络处理遥感影像分类，具有比较大的影响，使得分类精度可以提高7％以上；此外，提取主颜色特征时，使用的是k-means++聚类算法。
具体实施方式
下面结合实施方式对本发明作进一步说明。
在本发明的实施例中，使用主颜色数据融合提高遥感影像分类的方法包括：以下步骤：
s1：在融合主颜色与位置和形状相关特征时，使用差分演化算法寻找最优特征比重；
s2：设颜色特征权重为α，利用如下公式计算个体α的适应值：
fit(α)＝zval-errtop10(1)
s3：利用基于差分演化的自适应数据融合算法中对每个个体αi进行更新操作，并生成的新样本放入原始样本库。
优选的，所述s2中的公式中：n是指epoch的个数，vali是指一次交叉验证的平均分类结果，zval是指五次交叉验证的平均分类结果，top10是指前10个影像物体的分类错误个数。
优选的，所述s3中基于差分演化的自适应数据融合算法包括以下步骤：
a1：在[10-1，10-10]区间内，初始化种群p，产生规模为np的个体α；
a2：根据式(1)，评价初始群体p中所有个体的适应值；
a3：ift＜最大迭代次数then转步骤4；否则停机；
a4：对每个个体αi按照式(2)进行差分变异，产生
其中，αbest为当前群体的最优个体，r1、r2为群体中随机选择的两个个体且r1≠r2；
a5：按照式(1)对每个个体αi的实验个体
a6：对每个个体αi进行更新操作
a7：跳转至步骤a3。
与相关技术相比较，本发明提供的使用主颜色数据融合提高遥感影像分类的方法具有如下有益效果：
本发明提供一种使用主颜色数据融合提高遥感影像分类的方法，通过对抗网络增加数据库的样本数，提高分类精度，将双交叉熵损失函数应用于判别器网络，提升判别器判别真实图像和生成图像的性能，从而促使生成器网络生成更逼真的样本，最后将生成的新样本放入原始样本库，扩充原始样本数，卷积神经网络通过rgb三颜色通道读取图像与读取二值化图像，在做遥感影像分类时，分类效果几乎没有明显差异，甚至是直接没有差距，所以，根据卷积神经网络处理遥感影像分类时，对颜色特征不敏感这个特点，融合主颜色与位置和形状相关特征，特征融合对卷积神经网络处理遥感影像分类，具有比较大的影响，使得分类精度可以提高7％以上；此外，提取主颜色特征时，使用的是k-means++聚类算法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。