1.一种彩色图像分类方法,其特征在于,应用于图像处理设备,所述图像处理设备包括分类模型,所述分类模型用于根据光谱-纹理特征对图像进行分类,所述方法包括:
获得待处理图像,所述待处理图像包括遥感图像;
将所述待处理图像输入所述分类模型,根据所述待处理图像的光谱-纹理特征对所述待处理图像的各类地物对象进行分类,所述光谱-纹理特征包括RGB值、LBP特征;
根据分类结果生成对应的地物对象标识图。
2.根据权利要求1所述的方法,其特征在于,所述获得待处理图像的步骤之前,所述方法还包括:
获取训练图像集,包括多个训练图像,所述训练图像包括对应的预设标签;
使用所述训练图像集对所述分类模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述使用所述训练图像集对所述分类模型进行训练的步骤,包括:
构建反卷积层以及多层卷积层,并输入所述训练图像集;
所述训练图像经所述多层卷积层以及反卷积层运算处理,得到相应的特征图。
4.根据权利要求3所述的方法,其特征在于,所述使用所述训练图像集对所述分类模型进行训练的步骤,还包括:
获取测试图像集,所述测试图像集包括多个测试图像,所述测试图像包括实际标签;
所述测试图像输入所述分类模型进行分类,得到测试标签;
根据所述测试标签与实际标签调整所述分类模型。
5.根据权利要求4所述的方法,其特征在于,所述获取训练图像集的步骤,包括:
获取至少一个地表的正射图像;
拼接所述正射图像,得到原始彩色图像;
根据所述原始彩色图像中的地物对象构建对应的标签图像;
根据预设数目分割所述原始彩色图像和标签图像,得到预设数目的子图像,所有所述子图像形成训练数据集,所述训练数据集包括所述训练图像集和所述测试图像集。
6.根据权利要求5所述的方法,其特征在于,所述训练数据集根据预设比例进行划分,得到所述训练图像集和所述测试图像集,所述训练图像集和测试图像集均包含有所述原始彩色图像和标签图像的子图像。
7.根据权利要求1所述的方法,其特征在于,所述根据分类结果生成对应的地物对象标识图的步骤,包括:
根据分类结果,对不同的地物对象的相应区域标识不同颜色。
8.根据权利要求3所述的方法,其特征在于,所述构建反卷积层以及多层卷积层的步骤,包括:
在所述图像处理设备的图形处理器上构建神经网络模型的卷积神经网络框架;
在构建的所述卷积神经网络框架上,构建深层神经网络;采用FCN-Alexnet构建反卷积层以及多层卷积层。
9.根据权利要求8所述的方法,其特征在于,所述根据所述待处理图像的光谱-纹理特征对所述待处理图像的各类地物对象进行分类的步骤,包括:
根据RGB值与得到的所述特征图,计算每个像素属于各个的类别标签的正确率;
选取正确率最大的标签作为地物对象的类别标签。
10.一种彩色图像分类装置,其特征在于,应用于图像处理设备,所述图像处理设备包括分类模型,所述分类模型用于根据光谱-纹理特征对图像进行分类,所述彩色图像分类装置包括:
获取单元,用于获得待处理图像,所述待处理图像包括遥感图像;
分类单元,用于将所述待处理图像输入所述分类模型,根据所述待处理图像的光谱-纹理特征对所述待处理图像的各类地物对象进行分类,所述光谱-纹理特征包括RGB值、LBP特征;
生成单元,用于根据分类结果生成对应的地物对象标识图。