[發(fā)明專利]一種基于高分辨率遙感圖像的土地分類方法

在審

• 申請?zhí)枺?/td>: 202010417497.2
• 申請日: 2020-05-18
• 公開（公告）號: CN112001214A
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計）人: 喻梅;王新偉;于健;李雪威;劉志強;高潔;應(yīng)翔;王一帆
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62
• 代理公司: 天津盛理知識產(chǎn)權(quán)代理有限公司 12209
• 代理人: 霍慧慧

本發(fā)明涉及一種基于高分辨率遙感圖像的土地分類方法，高分辨率遙感影像的應(yīng)用能夠有效實現(xiàn)對土地利用的動態(tài)監(jiān)測，提高土地管理的科學(xué)性；使用ERFNet結(jié)合條件隨機場(Conditional random field，CRF)可以在減少計算資源的基礎(chǔ)上，進一步提高語義分割的精度，有助于更好的完成土地用途分類工作；高效的土地用途分類方法對土地利用、城市規(guī)劃、環(huán)境監(jiān)測以及軍事領(lǐng)域的發(fā)展有著重要的促進作用。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)領(lǐng)域，涉及圖像分割技術(shù)和土地用途分類算法，使用卷積神經(jīng)網(wǎng)絡(luò)作為基本工具，特別涉及一種基于高分辨率遙感圖像的土地分類方法。

背景技術(shù)

全卷積網(wǎng)絡(luò)將卷積神經(jīng)網(wǎng)絡(luò)中的全連接層替換為卷積層，與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，全卷積網(wǎng)絡(luò)的輸入圖像大小無需是固定的，這方便了卷積神經(jīng)網(wǎng)絡(luò)在語義分割方面的應(yīng)用，此外使用反卷積層進行上采樣，推廣了使用卷積網(wǎng)絡(luò)端到端進行語義分割。同時，為了改善語義分割精度，全卷積網(wǎng)絡(luò)引入跳躍連接改善上采樣的粗糙度。

空洞卷積(Dilated Convolution)是在傳統(tǒng)的卷積核中加入空洞。池化層在進一步提取抽象特征、減少訓(xùn)練參數(shù)的同時，丟棄了像素的位置信息。而語義分割需要對特征圖進行精確調(diào)整，因此需要盡可能保留舍棄的位置信息。空洞卷積可以在不增加參數(shù)的情況下增加感受野，從而進行密集預(yù)測。此外空洞卷積支持感受野的指數(shù)膨脹，且不喪失分辨率或覆蓋范圍。

殘差網(wǎng)絡(luò)(Residual Neural Network，ResNet)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)直接學(xué)習(xí)輸入輸出之間的映射不同，它學(xué)習(xí)的是輸入輸出的殘差表示。ResNet可以有效地解決當(dāng)深度神經(jīng)網(wǎng)絡(luò)增長至一定的深度后，再增加神經(jīng)網(wǎng)絡(luò)層數(shù)會導(dǎo)致的網(wǎng)絡(luò)收斂減慢、精確度下降等問題。實驗表明，引入殘差學(xué)習(xí)后，網(wǎng)絡(luò)不僅能更快地收斂，而且網(wǎng)絡(luò)模型的性能也得到了提高。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于高分辨率遙感圖像的土地分類方法，高分辨率遙感影像的應(yīng)用能夠有效實現(xiàn)對土地利用的動態(tài)監(jiān)測，提高土地管理的科學(xué)性；使用ERFNet結(jié)合條件隨機場(Conditional random field，CRF)可以在減少計算資源的基礎(chǔ)上，進一步提高語義分割的精度，有助于更好的完成土地用途分類工作；高效的土地用途分類方法對土地利用、城市規(guī)劃、環(huán)境監(jiān)測以及軍事領(lǐng)域的發(fā)展有著重要的促進作用。

本發(fā)明解決其技術(shù)問題是通過以下技術(shù)方案實現(xiàn)的：

一種基于高分辨率遙感圖像的土地分類方法，其特征在于：所述方法的步驟為：

1)將原始的遙感圖像切割為適用于網(wǎng)絡(luò)的尺寸；

2)使用ERFNet對輸入的圖像進行實時的語義分割；

3)利用條件隨機場對分割的結(jié)果進一步優(yōu)化；

4)計算語義分割的交并比。

而且，所述步驟1)中對圖像切割的具體操作為：以128像素作為步長，將圖片切割成(256，256，3)的小圖片，將掩碼同樣切割為(256，256，1)的小掩碼，獲得的圖片-掩碼對共有8401對；切割完成后，以字典的形式對小圖片和小掩碼進行存儲，圖片對應(yīng)的鍵值為“images”，掩碼對應(yīng)的鍵值為“masks”。

而且，所述圖片-掩碼對形成的數(shù)據(jù)集被分為訓(xùn)練集、驗證集及測試集，測試集取前1320對圖像－掩碼對，驗證集取1800對圖像－掩碼對，訓(xùn)練集取后5281對圖像－掩碼對。

而且，所述步驟2)語義分割的具體操作為：ERFNet架構(gòu)使用一個由跳躍連接和一維分解卷積組成的分解殘差層，在ERFNet網(wǎng)絡(luò)中這些分解殘差層按順序被堆疊起來，構(gòu)建成編碼器－解碼器體系結(jié)構(gòu)，該結(jié)構(gòu)以與輸入圖像相同的分辨率產(chǎn)生端到端的語義分割結(jié)果。