[發(fā)明專利]一種基于深度集成學(xué)習(xí)的高分辨率遙感圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010173481.1
• 申請(qǐng)日: 2020-03-13
• 公開(kāi)（公告）號(hào): CN111368776A
• 公開(kāi)（公告）日: 2020-07-03
• 發(fā)明（設(shè)計(jì)）人: 席江波;聶聰沖;孫悅鳴;姜萬(wàn)冬
• 申請(qǐng)（專利權(quán)）人: 長(zhǎng)安大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 西安睿通知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 61218
• 代理人: 惠文軒

1.一種基于深度集成學(xué)習(xí)的高分辨率遙感圖像分類方法，其特征在于，包括以下步驟：

步驟1，獲取訓(xùn)練集和測(cè)試集；并分別構(gòu)建基于像元亮度值分類的全連接網(wǎng)絡(luò)模型、基于面向?qū)ο蠓诸惖木矸e神經(jīng)網(wǎng)絡(luò)模型和基于遙感圖像分類的完全卷積網(wǎng)絡(luò)模型；

其中，所述訓(xùn)練集和測(cè)試集中的樣本分別為高分辨率遙感圖像及其DSM數(shù)據(jù)，DSM為數(shù)字表面模型；

步驟2，采用訓(xùn)練集分別對(duì)基于像元亮度值分類的全連接網(wǎng)絡(luò)模型、基于面向?qū)ο蠓诸惖木矸e神經(jīng)網(wǎng)絡(luò)模型和基于遙感圖像分類的完全卷積網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，對(duì)應(yīng)得到相應(yīng)的基分類器；采用測(cè)試集分別對(duì)三個(gè)基分類器進(jìn)行測(cè)試，對(duì)應(yīng)輸出相應(yīng)類別概率值；

步驟3，在步驟2得到的三個(gè)基分類器的輸出端設(shè)置全連接網(wǎng)絡(luò)，以三個(gè)基分類器輸出的類別概率值作為輸入特征數(shù)據(jù)，以標(biāo)簽圖為目標(biāo)類別，對(duì)全連接網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到深度集成學(xué)習(xí)網(wǎng)絡(luò)；

步驟4，采用深度集成學(xué)習(xí)網(wǎng)絡(luò)對(duì)測(cè)試集中樣本進(jìn)行分類，輸出對(duì)應(yīng)預(yù)測(cè)類別標(biāo)簽。

2.如權(quán)利要求1所述的基于深度集成學(xué)習(xí)的高分辨率遙感圖像分類方法，其特征在于，所述基于像元亮度值分類的全連接網(wǎng)絡(luò)模型由N個(gè)全連接層組成的，其中，前N-1層分別采用ReLU函數(shù)作為激活函數(shù)，最后一層采用Softmax函數(shù)作為激活函數(shù)；在最后一層全連接層之前使用Dropout層進(jìn)行正則化，防止過(guò)擬合。

3.如權(quán)利要求1所述的基于深度集成學(xué)習(xí)的高分辨率遙感圖像分類方法，其特征在于，所述基于面向?qū)ο蠓诸惖木矸e神經(jīng)網(wǎng)絡(luò)模型包含多個(gè)卷積層、最大池化層、全連接層及輸出層，每個(gè)卷積層之后為一個(gè)最大池化層，最后一個(gè)池化層之后連接多個(gè)全連接層，最后一個(gè)全連接層之后為輸出層；其中，每個(gè)卷積層和全連接層的激活函數(shù)分別為ReLU函數(shù)，輸出層的激活函數(shù)為Softmax函數(shù)；在最后一個(gè)全連接層之前使用Dropout層進(jìn)行正則化。

4.如權(quán)利要求1所述的基于深度集成學(xué)習(xí)的高分辨率遙感圖像分類方法，其特征在于，所述基于遙感圖像分類的完全卷積網(wǎng)絡(luò)模型由多個(gè)二元分類器組成，每個(gè)二元分類器包含卷積層、Dropout正則化層、池化層，及與之對(duì)稱的卷積層、融合層和上采樣層。

5.如權(quán)利要求1所述的基于深度集成學(xué)習(xí)的高分辨率遙感圖像分類方法，其特征在于，步驟2包含以下子步驟：

2.1，對(duì)訓(xùn)練集進(jìn)行預(yù)處理，得到預(yù)處理后的訓(xùn)練集；

其中，所述預(yù)處理為不平衡樣本處理、數(shù)據(jù)擴(kuò)充和歸一化；

2.2，采用預(yù)處理后的訓(xùn)練集對(duì)基于像元亮度值分類的全連接網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到全連接網(wǎng)絡(luò)對(duì)應(yīng)的基分類器；采用測(cè)試集對(duì)全連接網(wǎng)絡(luò)對(duì)應(yīng)的基分類器進(jìn)行測(cè)試，輸出相應(yīng)的類別概率；

2.3，采用預(yù)處理后的訓(xùn)練集對(duì)基于面向?qū)ο蠓诸惖木矸e神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的基分類器；采用測(cè)試集對(duì)卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的基分類器進(jìn)行測(cè)試，輸出相應(yīng)的類別概率值；

2.4，采用預(yù)處理后的訓(xùn)練集對(duì)基于遙感圖像分類的完全卷積網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到完全卷積網(wǎng)絡(luò)對(duì)應(yīng)的基分類器；采用測(cè)試集對(duì)完全卷積網(wǎng)絡(luò)對(duì)應(yīng)的基分類器進(jìn)行測(cè)試，輸出相應(yīng)的類別概率值。

6.如權(quán)利要求5所述的基于深度集成學(xué)習(xí)的高分辨率遙感圖像分類方法，其特征在于，所述不平衡樣本處理具體為：對(duì)小類別樣本進(jìn)行數(shù)據(jù)重采樣、對(duì)大類別數(shù)據(jù)進(jìn)行下采樣或者對(duì)不同類別采用不同的采樣比例；

所述數(shù)據(jù)擴(kuò)充為：將訓(xùn)練集中的原始圖像進(jìn)行水平翻轉(zhuǎn)或隨機(jī)旋轉(zhuǎn)；

所述歸一化為：對(duì)于遙感衛(wèi)星數(shù)據(jù)的近紅外、紅色、綠色三個(gè)波段的彩色影像，將灰度值從0-255縮放到0-1之間；

對(duì)于航空影像，包含近紅外、紅色、綠色三個(gè)波段的彩色影像和一個(gè)波段的DSM數(shù)據(jù)，其中，近紅外、紅色、綠色三波段的彩色影像將灰度值從0-255縮放到0-1之間；對(duì)于DSM數(shù)據(jù)，首先統(tǒng)計(jì)所有數(shù)值，找出最小值和數(shù)值區(qū)間，再將每個(gè)像素值減去該最小值后，除以數(shù)值區(qū)間的數(shù)值個(gè)數(shù)；最后將所有像素值歸一化至0-1之間。