[發明專利]一種基于卷積神經網絡的遙感圖像分類方法

有效

• 申請號: 202010987920.2
• 申請日: 2020-09-18
• 公開（公告）號: CN112132205B
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 路小波;陳詩坤;曹毅超
• 申請（專利權）人: 東南大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 杜靜靜

本發明公開了一種基于卷積神經網絡的遙感圖像分類方法。本發明提出的卷積神經網絡主要包括三個模塊：主干網絡模塊，多尺度融合模塊和分類頭模塊。其中主干網絡模塊把輸入的RGB遙感圖像變為不同分辨率的特征圖；多尺度融合模塊讓主干網絡產生的特征圖之間進行多尺度融合，進一步提取各分辨率特征圖中的語義信息；在分類頭模塊中，高分辨率的特征圖被下采樣至最低分辨率的特征圖，然后將特征圖送入池化層與分類器中，得到分類結果。本發明還在卷積神經網絡中引入了空間和通道維度的注意力機制，使得分類結果更加準確。本發明公開的分類方法在一個名叫USTC_SmokeRS的公開遙感數據集上取得了迄今最高的分類精度95.25％。

技術領域

本發明屬于視頻圖像處理領域，涉及一種基于卷積神經網絡的遙感圖像分類方法。

背景技術

遙感衛星的傳感器具有觀測范圍廣、成本低的優點。隨著傳感器技術的快速發展，遙感數據包含越來越多的信息且每天都能被獲取，這些數據已經被用于各種任務中。火災是一種常見的自然災害，會對人類的安全和財產造成極大的危害，對火災的檢測和報警具有十分重要的意義。隨著遙感技術的可用性和能力的不斷提高，火災監測和探測取得了重大進展。當發生火災時，衛星會捕捉火災產生的煙霧。人們把遙感圖像中的煙霧當作火災發生的信號。然而，煙的形狀和顏色受到天氣和地形等幾個因素的影響。遙感數據中的一些場景，如云、霾，與煙霧非常相似，這也會增加煙霧識別的難度。因此，在遙感影像中正確區分不同場景具有重要意義。

分類技術能夠識別不同的場景并被廣泛的研究。在以前人們從圖像中提取低層特征進行場景分類，所謂的低層次特征包括顏色、紋理等。但是，這些方法在區分煙、灰塵、霧霾、云這些顏色與紋理等都很相近的場景時可能并不適用。近年來，隨著深度學習的發展，卷積神經網絡被廣泛應用于場景分類任務中。卷積神經網絡具有類似人類大腦的能力，可以提取深層特征并區分不同的場景。大多數卷積神經網絡分類模型的結構都是串聯的，隨著網絡的深入，這些網絡中特征圖的分辨率降低。全連通層是由網絡中分辨率最低的特征圖生成的。但是，高分辨率特征圖包含更多的語義信息。在遙感數據集中，像圖像中的煙霧這樣的語義信息是決定該圖像所屬類別的決定性因素。在高分辨率表示和低分辨率表示之間進行多尺度融合將使預測結果在空間上更加精確，并包含更多的語義信息。多尺度融合網絡可以聚焦于圖像上具有較多語義信息的區域，使預測更加準確。

發明內容

本發明的目的是為了解決上述問題，提供一種基于卷積神經網絡的遙感圖像分類方法。本發明在卷積神經網絡中引入了空間和通道維度的注意力機制，使得分類結果更加準確。

為達到上述目的，本發明采用的方法是：一種基于卷積神經網絡的遙感圖像分類方法，該方法包括以下步驟：

步驟1：將遙感數據集按一定比例劃分為訓練集，驗證集和測試集。

步驟2：建立卷積神經網絡的主干網絡。

步驟3：建立卷積神經網絡的多尺度融合模塊，并在此模塊中引入注意力機制。

步驟4：建立卷積神經網絡的分類頭模塊。

步驟5：加載訓練集，對卷積神經網絡進行訓練。

步驟6：通過步驟5訓練的網絡，對遙感數據集進行分類。

作為本發明的一種改進，所述步驟1遙感數據集是一個名叫USTC_SmokeRS的公開數據集，此數據集共包含有6類場景共計6225張RGB圖片。這6類場景分別是：煙，灰塵，霧霾，云，陸地和海岸。其中前四類場景十分相似，后兩類場景陸地和海岸是前四類場景被拍攝時的背景。劃分后，訓練集包含3984張圖片，驗證集包含999張圖片，測試集包含1242張(煙：203張；灰塵：201張；霧霾：200張；云：232張；陸地：205張；海岸：201張)圖片。