[發明專利]一種基于深度集成學習的高分辨率遙感圖像分類方法

在審

• 申請號: 202010173481.1
• 申請日: 2020-03-13
• 公開（公告）號: CN111368776A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 席江波;聶聰沖;孫悅鳴;姜萬冬
• 申請（專利權）人: 長安大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

本發明公開了一種基于深度集成學習的高分辨率遙感圖像分類方法，其思路為：首先使用像元亮度值作為分類特征進行全連接網絡分類實驗；其次使用面向對象分割，再以重心為中心提取卷積塊進行卷積神經網絡分類；再將原始圖像全部裁剪為圖像塊，使用U?Net完全卷積網絡進行one vs all多元分類；最后，在前三個深度網絡基分類器的分類結果上訓練一個全連接網絡進行概率組合，實現了較好的分類性能。本發明通過使用深度集成學習方法，能夠有效結合光譜和空間等信息改善分類準確率，且綜合基分類器的優勢，在高分辨率遙感圖像分類的單個類別和總體分類精度上都能得到比單一分類器更好的分類精度。

技術領域

本發明屬于遙感圖像分析技術領域，特別涉及一種基于深度集成學習的高分辨率遙感圖像分類方法。

背景技術

遙感圖像分類經歷了從目視解譯到計算機自動分類的過程，傳統計算機分類主要包括基于像元的監督分類和非監督分類，分類所依據的特征主要是光譜特征，依據像元亮度值的差異進行分類；隨著遙感圖像空間分辨率的提高，同種地物之間的像元亮度值差異較大，傳統的基于像元亮度值分類的方法難以滿足高分辨率遙感圖像所需的分類精度。

自從2012年Alex Krizhevsky設計的卷積神經網絡一舉摘下ILSVRC視覺競賽的桂冠，掀起了深度學習的熱潮，其應用范圍越來越廣，并且隨著網絡深度的加深，準確率也越來越高。將卷積神經網絡應用于高空間分辨率遙感圖像分類，應用卷積層和池化層進行特征的自動提取，依據訓練損失不斷修正權值，從而提取出適合于特定場景的有效特征，進而進行分類器分類。與傳統計算機分類相比，其更加注重前期的特征提取，而不是一味的進行分類器參數優化來提高分類精度。

但是，針對高分辨率遙感圖像，單一的分類器總是存在一定問題，無法將其光譜信息和空間信息相結合，分類精度有待進一步改善。

發明內容

針對傳統高分辨率遙感圖像分類方法的不足，本發明提供了一種基于深度集成學習的高分辨率遙感圖像分類方法。該方法采用基于全連接網絡的像元亮度值分類、基于卷積神經網絡的面向對象分類以及基于完全卷積網絡的遙感圖像分類三種方法的深度集成學習，有效結合高分辨率遙感圖像的光譜和空間信息，改善其分類準確率；改善了高分辨率遙感圖像分類的單個類別和總體分類的分類精度，實現了較好的分類性能。

為達到上述技術目的，本發明采用如下技術方案予以實現。

一種基于深度集成學習的高分辨率遙感圖像分類方法，包括以下步驟：

步驟1，獲取訓練集和測試集；并分別構建基于像元亮度值分類的全連接網絡模型、基于面向對象分類的卷積神經網絡模型和基于遙感圖像分類的完全卷積網絡模型；

其中，所述訓練集和測試集中的樣本分別為高分辨率遙感圖像及其DSM數據，DSM為數字表面模型；

步驟2，采用訓練集分別對基于像元亮度值分類的全連接網絡模型、基于面向對象分類的卷積神經網絡模型和基于遙感圖像分類的完全卷積網絡模型進行訓練，對應得到相應的基分類器；采用測試集分別對三個基分類器進行測試，對應輸出相應類別概率值；

步驟3，在步驟2得到的三個基分類器的輸出端設置全連接網絡，以三個基分類器輸出的類別概率值作為輸入特征數據，以標簽圖為目標類別，對全連接網絡進行訓練，得到深度集成學習網絡；

步驟4，采用深度集成學習網絡對測試集中樣本進行分類，輸出對應預測類別標簽。

本發明與現有技術相比具有以下優點：

(1)本發明可以針對特定的應用，構建不同的基分類器，并在基分類器上取得良好的準確率，進而通過合適的組合策略對基分類器進行集成，得到比單一分類器更好的分類精度。