[发明专利]基于高分遥感影像区域信息和卷积神经网络的分类方法

权利要求书

1.基于高分遥感影像区域信息和卷积神经网络的分类方法，其特征在于，包括训练阶段和分类阶段，其中训练阶段具体包括如下步骤：

步骤1.1，随机生成卷积神经网络中各层连接的权值w_j和偏置b_j，其中j＝1,2,...,L，j为网络层索引；

步骤1.2，将训练图像及其对应标签送入卷积神经网络进行训练，得到网络输出与标签的偏差后，将该偏差逐层反向得到各层的偏差，并对神经网络的权值和偏置进行更新，从而得到卷积神经网络模型；

分类阶段具体包括如下步骤：

步骤2.1，使用均值漂移方法过分割高分辨率遥感影像，得到遥感影像的区域分割结果；

步骤2.2，在区域分割的结果中选取影像块，将影像块送入步骤1.2中的卷积神经网络模型进行分类，影像块的分类结果即为区域的分类结果，实现方式如下，

记均值漂移法分割后其中的第i个区域像素数目为P_i，区域的外接矩形总像素数为R_i，第i个区域的窗口采样影像大小为M×M的窗口影像数据，像素数目为C_i；每个区域至少包含的像素数为N_p，C_i中第i个区域的像素在窗口总像素比为w，设定最小比为w₀；

1)若P_i≤N_p，以区域中心像素为中心的M×M窗口影像作为卷积神经网络模型输入，输出作为该区域的分类结果；

2)若P_i＞N_p，取M×M窗口，并以区域外接矩形左上角的坐标为窗口左上点坐标，若w＞w_o，取该窗口影像为窗口采样影像；否则，向下或向右滑动M×M窗口，直至w＞w_o，若遍历区域后窗口采样影像中均不满足w＞w_o，则取w最大的M×M窗口的影像数据作为窗口采样影像，输入卷积神经网络模型，将输出作为区域的分类结果；

步骤2.3，对高分辨率遥感影像的每个区域进行步骤2.2的处理，得到整幅影像的分类结果。

2.如权利要求1所述的基于高分遥感影像区域信息和卷积神经网络的分类方法，其特征在于：所述步骤1.2中训练图像及其对应标签通过如下步骤获得，

a.以M×M大小的窗口在高分辨率遥感影像与其对应真实类别图上滑动，固定步长，得到小块影像集S₁和对应类别集合L₁；

b.给定小块影像类别标签；首先统计小块影像集S₁中每小块影像中每类的像素个数n_k，记小块影像总像素为N，类别标签为1,2,...,k,...K共K种类别；若存在n_k＞0.6N，则该小块影像的类别标签为k，若不存在符合条件的n_k，则将该小块影像舍弃，得到数据集D₁；

c.按上述步骤a中M×M小块影像为中心取2M×2M窗口的影像，相对该窗口影像依次旋转θ∈{30°,60°,90°,120°,150°,180°}后，分别取中心M×M窗口影像，得到小块影像集S₂和对应类别集合L₂；

d.在S₂中重复步骤b，得到数据集D₂；

e.扩增数据集；将D＝D₁∪D₂中的影像都缩放到256×256像素，取每块影像的左上，右上，左下，右下，中心以及对应水平翻转影像，共十个窗口的数据作为训练样本，窗口大小为224×224。

3.如权利要求2所述的基于高分遥感影像区域信息和卷积神经网络的分类方法，其特征在于：所述训练阶段中，使用反向传播和随机梯度下降的方法对神经网络的权值和偏置进行更新。

4.如权利要求1所述的基于高分遥感影像区域信息和卷积神经网络的分类方法，其特征在于：所述步骤2.2中w₀＝0.6。