[發(fā)明專(zhuān)利]一種基于三維密集卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910730211.3
• 申請(qǐng)日: 2019-08-08
• 公開(kāi)（公告）號(hào): CN110647909A
• 公開(kāi)（公告）日: 2020-01-03
• 發(fā)明（設(shè)計(jì)）人: 程良倫;李慧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/04
• 代理公司: 44102 廣州粵高專(zhuān)利商標(biāo)代理有限公司
• 代理人: 林麗明

本發(fā)明提出一種基于三維密集卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)方法，包括以下步驟：獲取原始遙感數(shù)據(jù)集，對(duì)其進(jìn)行數(shù)據(jù)增廣，然后劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；構(gòu)建三維密集卷積神經(jīng)網(wǎng)絡(luò)；將訓(xùn)練數(shù)據(jù)依次輸入三維密集卷積神經(jīng)網(wǎng)絡(luò)中，將其輸出的特征映射輸入分類(lèi)器中進(jìn)行分類(lèi)訓(xùn)練，重復(fù)本步驟至網(wǎng)絡(luò)參數(shù)權(quán)重收斂或所有訓(xùn)練數(shù)據(jù)完成分類(lèi)時(shí)，保存三維密集卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)權(quán)重；將測(cè)試數(shù)據(jù)依次輸入完成訓(xùn)練的三維密集卷積神經(jīng)網(wǎng)絡(luò)，將其輸出的特征映射輸入分類(lèi)器中進(jìn)行分類(lèi)測(cè)試，判斷其分類(lèi)精度是否滿(mǎn)足要求；將待分類(lèi)的遙感圖像輸入上述完成訓(xùn)練的三維密集卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，將其輸出的特征映射通過(guò)分類(lèi)器得到遙感圖像分類(lèi)結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)字圖像處理與分類(lèi)技術(shù)領(lǐng)域，更具體地，涉及一種基于三維密集卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)方法。

背景技術(shù)

目前，高分辨率遙感技術(shù)被廣泛的應(yīng)用在很多不同的領(lǐng)域，例如礦業(yè)、天文學(xué)、化學(xué)成像、農(nóng)業(yè)、環(huán)境科學(xué)、荒地火災(zāi)跟蹤和生物威脅檢測(cè)。高分辨率遙感技術(shù)的進(jìn)步為我們提供了包含豐富地物信息和復(fù)雜空間關(guān)系的圖像，它具有以下特點(diǎn)：空間分辨率高，可精確到1米以?xún)?nèi)；地物信息清晰、豐富，可以更好的提取圖像不同的特征或地物屬性進(jìn)行解譯；數(shù)據(jù)量大，提供了更多的信息有助于選擇性研究。

然而，由于圖像特征維度高、信息冗余，會(huì)產(chǎn)生維度災(zāi)難，導(dǎo)致分類(lèi)精度的下降，泛化能力減弱，且存在同譜異物和同物異譜的現(xiàn)象較多的問(wèn)題，使得遙感數(shù)據(jù)呈非線(xiàn)性結(jié)構(gòu)。此外，由于遙感圖像存在“Hughes現(xiàn)象”的問(wèn)題，而應(yīng)用于遙感圖像分類(lèi)的傳統(tǒng)算法只能通過(guò)獲取光譜信息實(shí)現(xiàn)圖像分類(lèi)，因此容易出現(xiàn)分類(lèi)精度隨維度增加而降低的現(xiàn)象。

發(fā)明內(nèi)容

本發(fā)明為克服上述現(xiàn)有技術(shù)所述的遙感圖像分類(lèi)精度低的缺陷，提供一種基于三維密集卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)方法。

為解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案如下：

一種基于三維密集卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)方法，包括以下步驟：

S1：獲取原始遙感數(shù)據(jù)集，對(duì)所述原始遙感數(shù)據(jù)集進(jìn)行數(shù)據(jù)增廣，然后劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

S2：構(gòu)建三維密集卷積神經(jīng)網(wǎng)絡(luò)，其中所述三維密集卷積神經(jīng)網(wǎng)絡(luò)包括三維卷積層、三維池化層、密集模塊、轉(zhuǎn)換層、全連接層；

S3：將所述訓(xùn)練數(shù)據(jù)集中的訓(xùn)練數(shù)據(jù)依次輸入所述三維密集卷積神經(jīng)網(wǎng)絡(luò)中，將其輸出的特征映射輸入分類(lèi)器中進(jìn)行分類(lèi)訓(xùn)練，重復(fù)本步驟至所述三維密集卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)權(quán)重收斂或訓(xùn)練數(shù)據(jù)集中的所有訓(xùn)練數(shù)據(jù)完成分類(lèi)，保存所述三維密集卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)權(quán)重；

S4：將所述測(cè)試數(shù)據(jù)集的測(cè)試數(shù)據(jù)依次輸入所述完成訓(xùn)練的三維密集卷積神經(jīng)網(wǎng)絡(luò)，將其輸出的特征映射輸入分類(lèi)器中進(jìn)行分類(lèi)測(cè)試，判斷其分類(lèi)結(jié)果準(zhǔn)確率是否滿(mǎn)足預(yù)設(shè)的閾值，若是，則得到基于三維密集卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)模型，否則跳轉(zhuǎn)執(zhí)行S1步驟；

S5：將待分類(lèi)的遙感圖像輸入所述三維密集卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，將其輸出的特征映射通過(guò)分類(lèi)器得到遙感圖像分類(lèi)結(jié)果。

本技術(shù)方案中，將遙感圖像輸入三維密集卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取，其中三維密集卷積神經(jīng)網(wǎng)絡(luò)中包括三維卷積層、三維池化層、密集模塊、轉(zhuǎn)換層、全連接層，且轉(zhuǎn)換層設(shè)置在每?jī)蓚€(gè)密集模塊之間用于對(duì)從密集模塊輸出的特征映射進(jìn)行降維處理，然后將從三維密集卷積神經(jīng)網(wǎng)絡(luò)輸出的特征映射輸入分類(lèi)器中進(jìn)行分類(lèi)，得到相應(yīng)的遙感圖像分類(lèi)結(jié)果。

優(yōu)選地，S1步驟中，對(duì)所述原始遙感數(shù)據(jù)集進(jìn)行數(shù)據(jù)增廣的具體步驟包括：將所述原始遙感數(shù)據(jù)集在幾何角度方面進(jìn)行水平翻轉(zhuǎn)，在像素變換方面進(jìn)行顏色抖動(dòng)，然后對(duì)所述原始遙感數(shù)據(jù)集加入椒鹽噪聲和高斯噪聲。

優(yōu)選地，轉(zhuǎn)換層包括依次連接的批量歸一化層、整流線(xiàn)性單元、1*1*1卷積層和2*2*2平均池化層。