[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

本發明公開了一種殘差網絡多光譜圖像地物分類方法，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。本發明采用了全局通道交互注意力機制，在網絡訓練的過程中，不斷地加強對分類有幫助的特征通道，抑制對分類無用的特征通道，這與普通的卷積神經網絡相比魯棒性更強，穩定性更高，大大提高了分類精度。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種基于全局通道交互注意力機制的殘差網絡的多光譜圖像地物分類方法。

背景技術

在遙感應用中，通過遙感圖像分析與解譯來識別各種地物是遙感圖像處理的最終目的。分類問題也是遙感圖像信息提取中的最基本的問題之一。無論地物提取、土地動態變化監測，還是專題地圖制作和遙感圖像庫的建立都離不開分類，許多方面的應用都會涉及分類。通過遙感圖像的分類識別后可以更加精確地描述地物的屬性和特征，在農作物估產、土地利用、環境監測、工程勘測、自然災害監測、基礎設施布局、交通規劃管理、旅游開發以及各類資源的調查研究都會產生積極的作用，從而更好的為這些領域服務。

卷積神經網絡的布局是最接近實體生物大腦的神經網絡，在處理任務時具有優越性。與一般的神經網絡相比較，卷積神經網絡在進行圖像處理方面有著突出的表現：

(1)通過神經元的局部連接和權值共享模式減少了網絡的連接數和訓練參數，提高了運行效率，同時簡單的網絡結構更能夠適應多種分類任務；

(2)統一層的權值共享利于網絡的并行運算；

(3)網絡拓撲結構適合圖像數據的輸入，可以直接對圖像的二維矩陣進行處理；

(4)特征提取過程和模式分類過程可在訓練過程中同時進行，回避了復雜的、隨機的、不靠譜的顯式的特征提取過程。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種殘差網絡多光譜圖像地物分類方法，首先使用了一種自適應鄰域選擇策略，自適應的調整中心點的鄰域像素區域，而不是以往的固定滑窗取塊，生成更具有辨別性的樣本塊，使得網絡能提取出更魯棒的特征；同時利用全局交互通道注意力機制生成注意力權重，對特征通道進行權重調整，加強對分類有幫助的通道，抑制對分類沒有幫助的通道；訓練出更穩定、判別性更強的分類網絡。

本發明采用以下技術方案：

一種殘差網絡多光譜圖像地物分類方法，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。

具體的，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ground?truth圖。

具體的，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。

具體的，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；