[發明專利]基于高分遙感影像區域信息和卷積神經網絡的分類方法

在審

• 申請號: 201710496751.0
• 申請日: 2017-06-26
• 公開（公告）號: CN107358176A
• 公開（公告）日: 2017-11-17
• 發明（設計）人: 馬國銳;熊微微;楊嘉樹;眭海剛;梅天燦
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙)42222
• 代理人: 薛玲

1.基于高分遙感影像區域信息和卷積神經網絡的分類方法，其特征在于，包括訓練階段和分類階段，其中訓練階段具體包括如下步驟：

步驟1.1，隨機生成卷積神經網絡中各層連接的權值w_j和偏置b_j，其中j＝1,2,...,L，j為網絡層索引；

步驟1.2，將訓練圖像及其對應標簽送入卷積神經網絡進行訓練，得到網絡輸出與標簽的偏差后，將該偏差逐層反向得到各層的偏差，并對神經網絡的權值和偏置進行更新，從而得到卷積神經網絡模型；

分類階段具體包括如下步驟：

步驟2.1，使用均值漂移方法過分割高分辨率遙感影像，得到遙感影像的區域分割結果；

步驟2.2，在區域分割的結果中選取影像塊，將影像塊送入步驟1.2中的卷積神經網絡模型進行分類，影像塊的分類結果即為區域的分類結果，實現方式如下，

記均值漂移法分割后其中的第i個區域像素數目為P_i，區域的外接矩形總像素數為R_i，第i個區域的窗口采樣影像大小為M×M的窗口影像數據，像素數目為C_i；每個區域至少包含的像素數為N_p，C_i中第i個區域的像素在窗口總像素比為w，設定最小比為w₀；

1)若P_i≤N_p，以區域中心像素為中心的M×M窗口影像作為卷積神經網絡模型輸入，輸出作為該區域的分類結果；

2)若P_i＞N_p，取M×M窗口，并以區域外接矩形左上角的坐標為窗口左上點坐標，若w＞w_o，取該窗口影像為窗口采樣影像；否則，向下或向右滑動M×M窗口，直至w＞w_o，若遍歷區域后窗口采樣影像中均不滿足w＞w_o，則取w最大的M×M窗口的影像數據作為窗口采樣影像，輸入卷積神經網絡模型，將輸出作為區域的分類結果；

步驟2.3，對高分辨率遙感影像的每個區域進行步驟2.2的處理，得到整幅影像的分類結果。

2.如權利要求1所述的基于高分遙感影像區域信息和卷積神經網絡的分類方法，其特征在于：所述步驟1.2中訓練圖像及其對應標簽通過如下步驟獲得，

a.以M×M大小的窗口在高分辨率遙感影像與其對應真實類別圖上滑動，固定步長，得到小塊影像集S₁和對應類別集合L₁；

b.給定小塊影像類別標簽；首先統計小塊影像集S₁中每小塊影像中每類的像素個數n_k，記小塊影像總像素為N，類別標簽為1,2,...,k,...K共K種類別；若存在n_k＞0.6N，則該小塊影像的類別標簽為k，若不存在符合條件的n_k，則將該小塊影像舍棄，得到數據集D₁；

c.按上述步驟a中M×M小塊影像為中心取2M×2M窗口的影像，相對該窗口影像依次旋轉θ∈{30°,60°,90°,120°,150°,180°}后，分別取中心M×M窗口影像，得到小塊影像集S₂和對應類別集合L₂；

d.在S₂中重復步驟b，得到數據集D₂；

e.擴增數據集；將D＝D₁∪D₂中的影像都縮放到256×256像素，取每塊影像的左上，右上，左下，右下，中心以及對應水平翻轉影像，共十個窗口的數據作為訓練樣本，窗口大小為224×224。

3.如權利要求2所述的基于高分遙感影像區域信息和卷積神經網絡的分類方法，其特征在于：所述訓練階段中，使用反向傳播和隨機梯度下降的方法對神經網絡的權值和偏置進行更新。

4.如權利要求1所述的基于高分遙感影像區域信息和卷積神經網絡的分類方法，其特征在于：所述步驟2.2中w₀＝0.6。