[發明專利]一種殘差網絡多光譜圖像地物分類方法

有效

• 申請號: 202010007512.6
• 申請日: 2020-01-04
• 公開（公告）號: CN111199214B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 馬文萍;趙繼樑;朱浩;武越;沈建超
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/774;G06N3/0464
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種殘差網絡多光譜圖像地物分類方法，其特征在于，從數據集中讀入多光譜圖像；對數據進行歸一化操作；對多光譜圖像進行SLIC超像素，對圖像中的邊緣像素點使用自適應鄰域選擇策略進行取塊建立數據集，建立訓練集，驗證集和測試集；構造基于全局通道交互注意力機制的殘差網絡的分類模型；用訓練數據集對分類模型進行訓練，同時使用驗證集實時驗證網絡分類精度；最后利用訓練好的分類模型對測試數據集分類；

全局通道交互注意力機制的殘差神經網絡的分類模型包括三部分，共有十八個層的殘差神經網絡，第一部分是卷積層，第二部分是由8個殘差元堆疊的中間層，每個殘差元有兩個卷積層，總共16個卷積層，第三部分是全連接層，將第17層的網絡輸出進行全局平均池化，再連接上一個輸出為8的全連接層，然后使用sigmoid函數得到最后的分類結果；

通道每層的參數如下：

初始輸入為大小32*32的MS圖塊，第1層為卷積層，輸入尺寸為32*32，輸出尺寸為32*32，卷積核個數為16，卷積核大小為5*5，步長為1；第2至5層為2個殘差元堆疊構成；輸入尺寸為32*32，輸出尺寸為16*16，卷積核個數為32，卷積核大小為3*3，步長1，第二個殘差元步長為2，每個卷積層后接一個全局通道交互注意力機制調整輸出特征圖的權重值；第6至9層為2個殘差元堆疊構成；輸入尺寸為16*16，輸出尺寸為8*8，卷積核個數為64，卷積核大小為3*3，步長為1，第二個殘差元步長為2，每個卷積層后接一個全局通道交互注意力機制調整輸出特征圖的權重值；第10至13層為2個殘差元堆疊構成；輸入尺寸為8*8，輸出尺寸為4*4，卷積核個數為128，卷積核大小為3*3，步長為1，第二個殘差元步長為2，每個卷積層后接一個全局通道交互注意力機制調整輸出特征圖的權重值；第14至17層為2個殘差元堆疊構成；輸入尺寸為4*4，輸出尺寸為2*2，卷積核個數為256，卷積核大小為3*3，步長為1，第二個殘差元步長為2，每個卷積層后接一個全局通道交互注意力機制調整輸出特征圖的權重值，全局池化輸出，輸入為2*2*256，輸出為256；第18層為全連接層，輸入為256，輸出為8；

殘差元結構如下：

第一步是卷積層，卷積核大小為3*3，步長為1；第二步是使用relu的激活函數；第三步是卷積層，卷積核大小為3*3，步長為1或2；第四步是將第三步卷積層的輸出與第一步的輸入相加，當步長為2時，先將第一步輸入進行zero?padding調整尺寸，再相加；第五步是使用relu的激活函數。

2.根據權利要求1所述的殘差網絡多光譜圖像地物分類方法，其特征在于，多光譜圖像包括QuickBird衛星數據、DEMIMOS-2衛星數據以及對應的只有部分區域的類標groundtruth圖。

3.根據權利要求1所述的殘差網絡多光譜圖像地物分類方法，其特征在于，歸一化操作具體為，采用min-max標準化，對原始數據進行線性變化，使結果值映射到0到1之間。

4.根據權利要求1所述的殘差網絡多光譜圖像地物分類方法，其特征在于，使用自適應鄰域選擇策略進行取塊具體為：

S301、對多光譜圖像使用SLIC超像素，得到超像素類標數據圖；

S302、計算每個超像素標記數據圖中每個超像素塊的質心坐標；

S303、計算超像素類標數據圖每一點的梯度，若某一個點水平梯度或豎直梯度為0，則該點為超像素圖塊邊緣點并保存像素點坐標；

S304、計算超像素標記圖中每個SLIC超像素圖塊質心與邊緣像素點的距離；

S305、將邊緣點像素坐標和當前超像素塊質心坐標相連，以豎直方向為軸，得到角度α；

S306、根據計算的得到的距離，計算邊緣像素點改變的距離，得到改變后的邊緣像素點坐標。

5.根據權利要求4所述的殘差網絡多光譜圖像地物分類方法，其特征在于，步驟S302中，超像素塊質心坐標(x_i,y_i)為：

其中，(x_k,y_k)是超像素塊中像素點坐標，n代表超像素塊中像素點個數。