[發明專利]一種基于全卷積網絡的遙感影像地表覆蓋分類方法

有效

• 申請號: 201810342795.2
• 申請日: 2018-04-17
• 公開（公告）號: CN108537192B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 牛玉貞;陳培坤;郭文忠
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種基于全卷積網絡的遙感影像地表覆蓋分類方法，其特征在于，包括以下步驟：

步驟S1：對數據數量有限的數據集進行數據增強，生成數據數量和質量達到訓練要求的訓練集；

步驟S2：融合改進的全卷積網絡FCN4s與改進的U型全卷積網絡U-NetBN，建立遙感影像地表覆蓋分類模型；

步驟S3：利用步驟S1生成的訓練集和步驟S2建立的模型，通過隨機梯度下降來最小化交叉熵損失，學習模型的最優參數，得到訓練好的遙感影像地表覆蓋分類模型；

步驟S4：利用步驟S3訓練好的遙感影像地表覆蓋分類模型對待預測的遙感影像進行像素級別的分類預測；

所述步驟S2中，按如下步驟建立所述遙感影像地表覆蓋分類模型：

步驟S21：在FCN8s網絡的基礎上，加入第2層卷積層的輸出，以融合更淺層的特征，建立FCN4s網絡；

步驟S22：在U型全卷積網絡U-Net基礎上，在每個卷積層和ReLU層中間增加一個BN層，建立U-NetBN網絡；

步驟S23：利用步驟S1得到的訓練集，分別訓練FCN4s與U-NetBN兩個網絡，然后通過對FCN4s和U-NetBN兩個網絡預測概率的加權平均進行模型融合，得到遙感影像地表覆蓋分類模型；遙感影像地表覆蓋分類模型預測(p,q)位置的像素點為類別c的概率為計算公式為：

其中，x表示輸入圖像，c是類別標記，C表示總類別數，表示FCN4s網絡在權重ω_FCN4s時預測(p,q)位置的像素點為類別c的概率，表示U-NetBN網絡在權重ω_U-NetBN時預測(p,q)位置的像素點為類別c的概率，β₁和β₂分別表示FCN4s網絡和U-NetBN網絡預測概率在遙感影像地表覆蓋分類模型中所占的比重。

2.根據權利要求1所述的一種基于全卷積網絡的遙感影像地表覆蓋分類方法，其特征在于，所述步驟S1中，首先，對數據集中遙感圖像進行多種不同尺度的拉伸和縮放，以增加數據的多樣性；然后，將數據集中單張大圖的遙感圖像有重疊的劃分為相同尺寸大小的圖塊，且每個圖塊生成對應的鏡像圖像來進一步增強數據，進而得到在數據數量和質量上滿足模型訓練要求的數據集。

3.根據權利要求1所述的一種基于全卷積網絡的遙感影像地表覆蓋分類方法，其特征在于，所述步驟S3中，利用步驟S1生成的訓練集和步驟S2建立的模型，通過隨機梯度下降來最小化交叉熵損失，學習模型的最優參數，包括以下步驟：

步驟S31：在訓練階段，使用交叉熵作為FCN4s網絡和U-NetBN網絡的損失函數，計算公式分別為：

其中，表示在(p,q)位置的像素點是類別c的概率；

步驟S32：FCN4s網絡使用動量為0.95的隨機梯度下降優化方法，初始學習率設為1×10^-10，每隔兩個完整訓練批次下降到原來的0.7倍；ReLU6和ReLU7層后面的Dropout層的隨機失活概率都設為0.5；U-NetBN網絡使用動量為0.9的隨機梯度下降優化方法，初始學習率設為1×10^-4，每隔三個完整訓練批次下降到原來的0.3倍；采用步驟S1得到的訓練集分別對FCN4s網絡和U-NetBN網絡進行訓練，最后得到FCN4s網絡和U-NetBN網絡的最優參數。

4.根據權利要求3所述的一種基于全卷積網絡的遙感影像地表覆蓋分類方法，其特征在于，所述步驟S4中，將待預測圖像輸入到步驟S3訓練好的遙感影像地表覆蓋分類模型進行預測，待預測圖像在(p,q)位置的預測概率最大的類別為該位置的最終預測類別，計算公式如下：

其中，P_(p,q)表示待預測圖像在(p,q)位置的最大預測概率對應的類別為最終預測類別。