[發(fā)明專利]一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910960279.0
• 申請(qǐng)日: 2019-10-10
• 公開（公告）號(hào): CN110826597A
• 公開（公告）日: 2020-02-21
• 發(fā)明（設(shè)計(jì)）人: 蘇衛(wèi)華;李博揚(yáng);張世月;趙欣然;李秉宣;黃如強(qiáng);蹇銳;劉洋;謝鵬發(fā);李世國(guó);衛(wèi)家誠(chéng)
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍軍事科學(xué)院國(guó)防科技創(chuàng)新研究院;天津（濱海）人工智能軍民融合創(chuàng)新中心
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京豐浩知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11781
• 代理人: 董超

1.一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：它包括如下步驟，

(1)特征提取；

(2)Fisher特征編碼；

(3)特征串聯(lián)與分類。

2.如權(quán)利要求1所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的步驟(1)包括將預(yù)處理后的圖像特征輸入到經(jīng)ImageNet預(yù)訓(xùn)練得到的深度學(xué)習(xí)模型當(dāng)中，獲取多尺度圖像中的高區(qū)分性全局語義特征和局部語義特征。

3.如權(quán)利要求2所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的步驟(1)中的多尺度圖像包括第一類尺度是與預(yù)訓(xùn)練深度學(xué)習(xí)模型ResNet-50默認(rèn)尺度相同的224×224尺度，在該尺度條件下，提取其在上述網(wǎng)絡(luò)中的第一個(gè)非卷積層作為全局化描述：

4.如權(quán)利要求2所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的步驟(1)中的多尺度圖像包括第二類尺度依次為(128×128，256×256，512×512)，在該類多尺度條件下，篩選其在上述網(wǎng)絡(luò)中的中間某一層，作為與后續(xù)費(fèi)舍爾編碼相結(jié)合的最優(yōu)層，生成最優(yōu)局部化描述，經(jīng)過逐層編碼實(shí)驗(yàn)，采用ResNet-50中的第37層輸出作為待編碼深度卷積特征：

5.如權(quán)利要求4所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的步驟(1)中對(duì)第二類尺度提取特征后進(jìn)行L2正則化，即對(duì)特征L進(jìn)行特征預(yù)處理，得到去相關(guān)性后的多尺度局部化描述，

降低局部化深度卷積特征L之間的相關(guān)性，保證L特征間具有相同的方差。

6.如權(quán)利要求1所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的步驟(2)中經(jīng)過Fisher特征編碼，將上一步特征提取得到的局部語義特征進(jìn)一步優(yōu)化生成深度費(fèi)舍爾特征，提高對(duì)高精度遙感地形圖像的描述能力。

7.如權(quán)利要求6所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的Fisher編碼層對(duì)輸入的多尺度局部化描述進(jìn)行再編碼，完成遙感圖像的局部描述優(yōu)化，輸出地形遙感圖像的深度費(fèi)舍爾向量DFF，所述的Fisher編碼層使用高斯混合模型構(gòu)建單詞碼本B1

利用高斯混合模型構(gòu)建單詞碼本詞典，對(duì)輸入的單一尺度局部化描述進(jìn)行編碼表達(dá)，提取特征空間的高斯均值和方差信息：

其中，T為地形遙感圖像上的局部特征點(diǎn)數(shù)；f_t為t-th局部特征；為局部特征與高斯混合模型間的均值差異；為局部特征與高斯混合模型間的方差差異，{w_n,μ_n,σ_n}分別表示單詞碼本B1中各高斯分布的混合權(quán)重、均值與對(duì)角協(xié)方差；α_t(n)為柔性分配權(quán)重，表征著t-th準(zhǔn)局部特征相對(duì)n-th高斯混合模型的權(quán)重值，

其中，N(f_t；μ_n,σ_n)為f_t在第n個(gè)高斯分布中的數(shù)值，編碼結(jié)果為：

DFF:

8.如權(quán)利要求7所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的步驟(2)對(duì)于多尺度局部化描述中的剩余尺度也進(jìn)行上述的編碼流程，最終將各尺度的DFF相互串聯(lián)，得到多尺度費(fèi)舍爾向量I。

9.如權(quán)利要求8所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的步驟(3)采用串聯(lián)的方式將全局語義特征和深度費(fèi)舍爾向量融合得到新的特征向量，并將其輸入線性分類器當(dāng)中去，完成高精度遙感地形的分類任務(wù)。

10.如權(quán)利要求9所述的一種基于集成深度費(fèi)舍爾向量的遙感圖像分類方法，其特征在于：所述的步驟(3)具體如下，通過采用級(jí)聯(lián)的方式，將編碼結(jié)果串聯(lián)起來，再通過L2正則化處理，得到圖像的最終表述，集成深度費(fèi)舍爾特征ADFF，

ADFF＝[I,H]

其中，優(yōu)選線性支持向量機(jī)構(gòu)建分類層，具體實(shí)現(xiàn)采用LIBSVM，其懲罰參數(shù)采用十折交叉驗(yàn)證獲得，分類層輸出語義標(biāo)簽，完成地形分類。