[發明專利]一種AlexNet和SVM相結合的衛星遙感影像土地利用變化檢測方法

在審

• 申請號: 202010045757.8
• 申請日: 2020-01-16
• 公開（公告）號: CN111274905A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 付青;羅文浪;郭晨
• 申請（專利權）人: 井岡山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州拓云知識產權代理事務所(普通合伙) 32344
• 代理人: 王云峰

1.一種AlexNet和SVM相結合的衛星遙感影像土地利用變化檢測方法，其特征在于包括以下步驟：

步驟1，構建深度卷積神經網絡AlexNet模型；

步驟2，在AlexNet模型的基礎上，利用卷積神經網絡AlexNet進行深層特征提取，然后利用支持向量機SVM進行分類；

步驟3，在上述分類的基礎上，通過影像配準和差值計算，實現土地利用變化檢測方法。

2.根據權利要求1一種AlexNet和SVM相結合的衛星遙感影像土地利用變化檢測方法，其特征在于：所述步驟1，構建深度卷積神經網絡AlexNet模型中，AlexNet是一種典型的深度卷積神經網絡模型，該結構為8層卷積神經網絡，包括5個卷積層和3個全連接層，且網絡前端為輸入圖像的原始像素，最后端為圖像的分類結果。

3.根據權利要求2一種AlexNet和SVM相結合的衛星遙感影像土地利用變化檢測方法，其特征在于：在圖像分類過程中，該模型包括卷積conv、池pool、規范化norm操作和Dropout策略，包括以下步驟：

以卷積神經網絡的輸入為原始圖像P，用F_i表示第i層的特征圖，F_i＝P為輸入層，F₁-F₅為5個卷積層，F₆＝F_c6，F₇＝F_c7，最后一層為輸出層；

步驟1.1，假設F_i(1≤i≤5)表示卷積層，Fi的生成過程可以表示如下：

式中，Wi表示第i層卷積核的權向量，bi表示第i層的偏移向量，通過卷積核對第i-1層特征圖的卷積運算。最后利用非線性激活函數f得到第i層的特征圖F_i，AlexNet模型用ReLU激活函數代替傳統的Sigmoid和tanh函數作為神經元的非線性激活函數；

步驟1.2，ReLU激活函數的數學表達式如下：

f(x)＝max(0,x)

式中，x是前一層卷積運算的結果；非線性映射是通過ReLU激活函數來實現的，與傳統的Sigmoid激活函數相比，ReLU激活函數克服了sigmoid激活函數的梯度飽和問題，在反向傳播計算過程中，緩解了梯度彌散問題，進而加快了模型的收斂速度；

步驟1.3，Pool表示池化操作：

池化層之后通常是卷積層，特征映射根據一定的下采樣規則進行下采樣；池化可以對特征圖降維，并在一定程度上保持特征的尺度不變性，同時可以防止過度擬合。如果F_i是池化層，那么池化的操作如下：

F_i＝sub_sampling(F_i-1)

式中，sub_sampling是下采樣函數，包括最大池化、平均池化或隨機池化；AlexNet僅在模型的Conv1、Conv2和Conv5的3個卷積層后進行最大值池化；

步驟1.4，Norm表示局部響應的規范化：

AlexNet所采用的局部響應的規范化本質上是一個平滑的操作，即：

式中，表示輸入的(x,y)位置做第i次卷積，并通過ReLU元素的結果；n表示在同一位置的第i次前后附近的n次卷積，N是總卷積次數；k,α,β是預設的超級參數，式中k＝2,n＝5,α＝10^-4,β＝0.75；即原始激活除一個歸一化權重(分母部分)生成了新的激活這相當于在相同位置(x,y)的不同特征映射上平滑激活；

步驟1.5，Dropout策略，以50％的概率將每個隱藏層的輸出設置為0，并且不再在前向或后向過程中起任何作用；

步驟1.6，Softmax分類器，在神經網絡的輸出層經常使用Softmax函數，它將神經元的輸出轉化為概率的形式，從而確定分類類別；Softmax的公式如下：

式中，K為最后一層神經元數，即分類類別數；x_j為第i類神經元數的預測結果；引入Softmax的結果是取每個x_j取指數變成非負，然后除以所有項的和并將其歸一化；現在每個σ_i都可以解釋為輸入數據屬于i類的概率。

4.根據權利要求1一種AlexNet和SVM相結合的衛星遙感影像土地利用變化檢測方法，其特征在于：所述步驟2主要包括以下四個階段：

(1)遙感圖像預處理階段，首先對原始圖像進行主成分分析PCA變換，實現數據壓縮和降維，并將前三個主分量作為輸入圖像進行特征提取，將預先訓練好的AlexNet網絡模型作為特征提取器，要求輸入圖像為3個波段；

(2)深層特征提取階段，將以待分類像素為中心的鄰域插值到224×224像素，采用最近鄰插值方法，保留遙感影像的光譜信息；歸一化過程是從插值的鄰域圖像中減去訓練樣本集的平均圖像，然后將其輸入到預訓練的AlexNet中，提取卷積層或全連接層的深度特征；對于鄰域信息不完整的邊緣像素，復制并填充鄰域信息，得到完整的鄰域信息；

(3)分類階段，該階段包括訓練部分和分類部分，所述訓練部分將從訓練樣本提取的深層特征送入SVM分類器中，對SVM分類器進行訓練，得到訓練好的SVM分類器；所述分類部分將待分類像元的深度特征輸入到訓練好的SVM分類器中進行分類，將分類結果的類別標簽賦給中心像元，依次遍歷整個影像完成土地利用分類；SVM的分類算法取自LIBSVM工具箱，核函數為線性核函數，參數選取采用最常用的網格選取方式尋找最優解；

(4)變化檢測階段，通過影像配準和差值計算，實現土地利用變化檢測。