[發明專利]基于卷積神經網絡的遙感圖像場景自動提取和分類方法

有效

• 申請號: 201711291714.2
• 申請日: 2017-12-08
• 公開（公告）號: CN108052966B
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 羅小波;周瑜
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 劉小紅

本發明請求保護一種基于基于卷積神經網絡的遙感圖像場景自動提取和分類方法。主要創新點在于修改了一般情況下深度神經網絡的輸入特征圖，增加了數據維度。主要解決目前遙感圖像分辨率逐步提高，對于某些容易混淆的場景如居住區、公園、道路等的分類可能會出現由于訓練樣本數量的限制造成進一步的細分類中無法有效提取特征的問題。例如居住區中細分稀疏居住區和公園、密集居住區和密集商業區。本發明先利用深度學習或其他方法對待分類遙感圖像進行逐像素基礎地物類別分類，將分類后的結果專題圖作為部分特征圖與原本的場景圖拼接輸入神經網絡進行訓練及分類，使神經網絡能夠充分學習場景特征，提高分類識別精度。

技術領域

本發明屬于遙感圖像場景分類領域。在傳統的遙感圖像場景自動分類的基礎上加入了額外信息、擴充了信息的維度使神經網絡能夠更加充分地學習到要進行分類的場景的特征上的差異，以提高分類的準確率。

背景技術

(1)卷積神經網絡

卷積神經網絡(Convolutional Neural Network,CNN)是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，對于大型圖像處理有出色表現。它包括卷積層(convolutional layer)和池化層(pooling layer)。

卷積神經網絡是近年發展起來，并引起廣泛重視的一種高效識別方法。20世紀60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經元時發現其獨特的網絡結構可以有效地降低反饋神經網絡的復雜性，繼而提出了卷積神經網絡(Convolutional Neural Networks-簡稱CNN)?，F在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域，由于該網絡避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。K.Fukushima在1980年提出的新識別機是卷積神經網絡的第一個實現網絡。隨后，更多的科研工作者對該網絡進行了改進。其中，具有代表性的研究成果是Alexander和Taylor提出的“改進認知機”，該方法綜合了各種改進方法的優點并避免了耗時的誤差反向傳播。

一般地，CNN的基本結構包括兩層，其一為特征提取層，每個神經元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關系也隨之確定下來；其二是特征映射層，網絡的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經元的權值相等。特征映射結構采用影響函數核小的sigmoid函數作為卷積網絡的激活函數，使得特征映射具有位移不變性。此外，由于一個映射面上的神經元共享權值，因而減少了網絡自由參數的個數。卷積神經網絡中的每一個卷積層都緊跟著一個用來求局部平均與二次提取的計算層，這種特有的兩次特征提取結構減小了特征分辨率。

CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。由于CNN的特征檢測層通過訓練數據進行學習，所以在使用CNN時，避免了顯示的特征抽取，而隱式地從訓練數據中進行學習；再者由于同一特征映射面上的神經元權值相同，所以網絡可以并行學習，這也是卷積網絡相對于神經元彼此相連網絡的一大優勢。卷積神經網絡以其局部權值共享的特殊結構在語音識別和圖像處理方面有著獨特的優越性，其布局更接近于實際的生物神經網絡，權值共享降低了網絡的復雜性，特別是多維輸入向量的圖像可以直接輸入網絡這一特點避免了特征提取和分類過程中數據重建的復雜度。

(2)遙感圖像場景分類

圖像場景分類是根據圖像內容自動獲取圖像所屬類別的一種技術，已經在模式識別、計算機視覺等領域中得到廣泛應用。遙感圖像的場景分類作為圖像場景分類的一個重要分支，近年來已經對遙感圖像的目標檢測、圖像檢索、圖像增強等實際問題的研究做出了很大貢獻。

遙感圖像的場景即根據語義能夠判斷出區別的地物類型如：車站、飛機場、居民區、道路、河流等。傳統的遙感圖像場景分類方法較為經典的有K近鄰(KNN)、支持向量機(SVM)、隨機森林(RF)、稀疏分類表達器(SRF)