[發明專利]一種基于人工智能的面向高分辨率遙感圖像的分類方法

在審

• 申請號: 201810434266.5
• 申請日: 2018-05-08
• 公開（公告）號: CN108710902A
• 公開（公告）日: 2018-10-26
• 發明（設計）人: 陳曦
• 申請（專利權）人: 江蘇云立物聯科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 上海申新律師事務所 31272
• 代理人: 閔東

本發明公開了一種基于人工智能的面向高分辨率遙感圖像的分類方法，首先將輸入圖像劃分成幾個可以直接用于分類的標準小圖像塊；然后用五個卷積層提取中層特征，捕捉圖像的語義信息；在編碼器中卷積層產生特征圖譜，采用激活函數和最大池化函數；池化層在局部區域沿著空間維度采樣；輸出的中層特征；基于輸出的中層特征，二維雙向門循環單元對中層特征的上下文依賴性建模；通過學習中層特征中蘊藏的復雜模式，得到高層語義特征表達，得到長程依賴性；最后采用常用的上采樣解碼器得到最終的像素級分類結果。本發明可以很好地捕捉大幅遙感圖像上的大范圍空間和語義依賴性，從而大幅提高分類精度，提升高分辨率遙感圖像的自動解譯程度。

技術領域

本發明屬于高分辨率遙感圖像分析技術領域，具體涉及一種基于人工智能的面向高分辨率遙感圖像的分類方法。

背景技術

高分辨率遙感圖像已經廣泛用于多種現實應用中，如災害監測等。現在常用的方法是面向對象的圖像分析方法(object-based image analysis, OBIA)。該方法首先將相似像素聚合成對象，然后提取對象特征再進行分類。該方法克服了局部層面上的特征變化，減小了光譜異質性，對地物對象有較好的表達能力。然而，這些特征是畢竟是底層特征，與高層語義之間存在語義鴻溝，而且OBIA需要先驗知識來分割圖像，否則難以得到較合適的對象，導致分類精度很難進一步提高。

最近，卷積神經網絡(convolutional neural network, CNN)在高分辨率遙感圖像分類中表現優異，受到廣泛關注。全卷積網絡(fully convolutional neural network,FCN)首先產生低分辨率的語義圖譜，然后上采樣成高分辨率的分割結果，可以用來在圖像中識別對象并找到其位置。

為了充分利用信息，還可以在在CNN后面加上條件隨機場(conditional randomfield, CRF)，可以根據空間形狀和語義內容，探索潛在的語義信息，更好地表達地物對象。然而，CNN池化層的特征不足以表征遙感圖像的語義上下文信息。為此，可以采用特征金字塔模擬人類視覺感知提取多層次特征，然后基于特征塊集成上下文表達。然而，這些方法只是面向圖幅小的自然圖像，不足以有效地解譯大幅遙感圖像。而且，使用粗粒度的特征圖譜檢測圖像對象時，很難在像素層產生精細的分類結果。

發明內容

針對上述現有技術存在的問題，本發明旨在提供了一種基于人工智能的面向高分辨率遙感圖像的分類方法。

為實現上述技術目的，達到上述技術效果，本發明通過以下技術方案實現：

一種基于人工智能的面向高分辨率遙感圖像的分類方法，包括以下步驟：

首先，將輸入圖像劃分成幾個可以直接用于分類的標準小圖像塊；

然后用五個卷積層提取標準小圖像塊的中層特征，捕捉標準小圖像塊的語義信息；

在編碼器中，卷積層產生特征圖譜，特征圖譜中每個元素都是由感受野卷積而來，然后采用激活函數如ReLU、PreLU和最大池化函數；

池化層在局部區域沿著空間維度采樣，令每個采樣小圖形塊的大小為W×H，每個輸入圖像N個通道，N為正整數，中心點位于，二維濾波器(filter)為，輸出特征圖譜大小為，卷積的步長參數為，表示卷積過程中輸入圖像或特征圖譜上的滑動距離；

假如卷積輸出的大小為，則卷積過程的定義如下：

；

其中，表示第k通道在位置處的特征圖譜值，表示第k個過濾器在位置處的值，表示第k個過濾器在位置的偏置參數；

最后激活的輸出是步長為在的池化窗口下的最大池化結果，其輸出的中層特征如下：

；