[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

本發明涉及一種基于全卷積網絡的遙感影像地表覆蓋分類方法，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：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。該方法綜合考慮了FCN和U?Net兩種不同結構的全卷積網絡的特點，有利于提高遙感影像地表覆蓋分類的性能。

技術領域

本發明涉及圖像處理及計算機視覺領域，特別是一種基于全卷積網絡的遙感影像地表覆蓋分類方法。

背景技術

隨著衛星遙感圖像和航空遙感圖像分辨率的不斷提高，人們可以從遙感圖像中獲得更多有用的數據和信息。遙感影像的地表覆蓋分類是遙感研究領域的重要內容，在國土、國防、測繪、農業、城市、防災減災等各個領域都有很強的應用價值，因此提高遙感影像地表覆蓋分類的精度具有非常重要的意義。最先出現的遙感影像地表分類方式是圖像目視解譯技術，即通過人工方式對影像進行標注，雖然精度較高，需要花費大量時間且靈活性差。隨著機器學習技術的發展，基于遙感影像的數字圖像分析技術也得到了一定程度的發展。Lefei Zhang等人引入了塊對其框架，以最佳方式線性組合光譜、紋理和形狀特征等多種特征,考慮每個特征的特定統計特性以實現物理意義上的多特征的低維統一表示，進而有效的對遙感圖像進行分類。佃袁勇等人采用SVM分類模型將傅里葉譜分解算法與光譜信息結合并成功應用到像素級別的高分辨率遙感影像的地表覆蓋分類中，對針對以農、林為主體的高分辨率遙感影像的分類問題有很大的實用價值。

目前，關于像素級別的遙感影像地表覆蓋分類的相關研究還很少，傳統的基于機器學習的分類方法，為了對一個像素分類，需要使用該像素周圍的一個圖像的信息塊作為輸入用于訓練和預測，相鄰的像素塊基本上是重復的，針對每個像素塊逐個計算也有很大程度上的重復，存儲開銷很大、計算效率低下，需要找到一種更準確、高效的像素級別的遙感衛星地表覆蓋分類方法以滿足現有的應用的需求。近年來，深度學習在圖像分類、目標檢測和圖像語義分割等領域取得了一系列突破性的進展，相比于傳統的機器學習方法具有更強的特征學習和特征表達能力。隨著全卷積網絡的提出，將圖像級別的分類進一步延伸到像素級別的分類，高效的解決了語義級別的圖像分割問題。

發明內容

本發明的目的在于提供一種基于全卷積網絡的遙感影像地表覆蓋分類方法，該方法有利于提高遙感影像地表覆蓋分類的性能。

為實現上述目的，本發明采用的技術方案是：一種基于全卷積網絡的遙感影像地表覆蓋分類方法，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。

進一步地，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。

進一步地，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；