[發明專利]基于自適應卷積核卷積神經網絡的遙感圖像像素級分類方法

有效

• 申請號: 201710371308.0
• 申請日: 2017-05-24
• 公開（公告）號: CN107203783B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 張艷寧;丁晨;李映;夏勇;魏巍;張磊
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 王鮮凱

本發明公開了一種基于自適應卷積核卷積神經網絡的遙感圖像像素級分類方法，用于解決現有遙感圖像像素級分類方法自適應性差的技術問題。技術方案是首先計算數據點的密度和距離值，然后自適應選取聚類中心為卷積核，最后將學習到的卷積核加入CNN對網絡的softmax層進行訓練，對訓練好的網絡進行遙感圖像像素級分類。本發明將改進的基于快速尋找和找到密度峰值的聚類算法MCFSFDP，聚類得到自適應卷積核，代入基于預訓練卷積核的CNN結構。相對基于K?means聚類人工設定聚類類別預學習的卷積核的CNN結構相比，自適應學習到的卷積核能夠有效表征數速記據信息特點并且提高了遙感圖像像素級分類效果。

技術領域

本發明涉及一種遙感圖像像素級分類方法，特別涉及一種基于自適應卷積核卷積神經網絡(Adaptive Kernels Based Convolutional Neural Network，Adaptive KernelsBased CNN)的遙感圖像像素級分類方法。

背景技術

現有的遙感圖像像素級分類方法主要有兩類：一類是基于人工設計特征的；另一類是基于深度學習特征的。

文獻“ M，Kiselev A，Alirezaie M，Et al.Classification AndSegmentation Of Satellite Orthoimagery Using Convolutional Neural Networks[J].Remote Sensing，2016，8(4)：329.”公開了一種基于深度學習的遙感圖像分類方法，其卷積核通過預先學習得到，不需要通過誤差反饋更新。提出將K-means聚類算法用于提前學習卷積神經網絡卷積核的卷積神經網絡(CNN)應用到遙感圖像分類，并得到了有效的分類效果。文獻所用K-means聚類算法提前學習卷積核需要人工設定類別個數，即卷積核個數，但是，通過人工經驗設定的卷積核個數無法自適應表征數據信息特點。

發明內容

為了克服現有遙感圖像像素級分類方法自適應性差的不足，本發明提供一種基于自適應卷積核卷積神經網絡的遙感圖像像素級分類方法。該方法首先計算數據點的密度和距離值，然后自適應選取聚類中心為卷積核，最后將學習到的卷積核加入CNN對網絡的softmax層進行訓練，對訓練好的網絡進行遙感圖像像素級分類。本發明將改進的基于快速尋找和找到密度峰值的聚類算法MCFSFDP，聚類得到自適應卷積核，代入基于預訓練卷積核的CNN結構。相對基于K-means聚類人工設定聚類類別預學習的卷積核的CNN結構相比，自適應學習到的卷積核能夠有效表征數速記據信息特點并且提高了遙感圖像像素級分類效果。

本發明解決其技術問題所采用的技術方案：一種基于自適應卷積核卷積神經網絡的遙感圖像像素級分類方法，其特點是包括以下步驟：

步驟一、隨機從遙感圖像R選取M個以像素為中心的圖像塊作為樣本，中心像素類別代表其圖像塊的類別，每個像素塊大小為m×m；其中從M個樣本中提取M_T個作為訓練樣本其中，遙感圖像R包含r×r個像素點，M_TM；

從M_T個訓練樣本中隨機選取大小為n×n的N個圖像塊作為聚類數據；

步驟二、采用MCFSFDP聚類方法自適應確定卷積核；

將圖像塊拉成列向量，作為聚類數據集中的數據點，其數據點表示為j，且j的取值范圍為[1，N]；d_jk＝dist(j，k)表示數據點j和k之間的歐氏距離；

每一個數據點j的局部密度ρ_j計算：