[发明专利]一种改进的基于深度学习的高分遥感影像分类方法

说明书

本发明公开了一种改进的基于深度学习的高分遥感影像分类方法，首先，基于深度学习理论，设计一个七层卷积神经网络。其次，将高分遥感影像样本输入该网络中进行网络训练，并将学习得到的最后两个全连接层输出，作为遥感影像两种不同的高层特征。接着，针对该网络第五层池化层输出，采用主成分分析进行降维，降维后的结果作为遥感影像的第三种高层特征。然后，将上述三种高层特征通过串联的形式进行融合。最后，设计一种有效的基于逻辑回归的分类器，对遥感影像进行分类。本发明基于深度学习理论对高分遥感影像进行特征提取，学习得到的特征表现力及鲁棒性强。此外，将提取到的多种高层特征进行融合并输入逻辑回归分类器中，能实现良好的分类效果。

技术领域

本发明属于图像处理领域，尤其涉及一种改进的基于深度学习的高分遥感影像分类方法。

背景技术

在光学遥感图像处理领域中，遥感图像的空间分辨率是指能够被光学传感器辨识的单一地物或2个相邻地物间的最小尺寸。空间分辨率越高，遥感图像包含的地物形态信息就越丰富。目前已经商业化运行的光学遥感卫星的空间分辨率已经达到“亚米级”，如2016年发射的美国WorldView-4卫星能够提供0.3m分辨率的高清晰地面图像。近年来，随着我国空间技术的快速发展，特别是高空间分辨率(简称高分)对地观测系统重大专项的实施，我国的卫星遥感技术也迈入了亚米级时代，高分2号卫星(GF-2)全色谱段星下点空间分辨率达到0.8m。

高空间分辨率遥感影像包含了丰富的地物纹理、形状、结构、邻域关系等信息，可主要应用于地物分类、目标提取与识别、变化检测等。高分遥感影像分类作为其中的一个研究热点，在资源勘测、环境监测和军事目标锁定等方面有着非常重要的应用。

目前的高分遥感影像分类的研究多注重分类算法的改进,而实际上,训练样本特征提取的准确度和有效性对分类精度和效率有着非常重要的影响。

公开号CN104102928A一种基于纹理基元的遥感图像分类方法，通过选取典型地物的遥感图像的邻域特征向量并聚类形成纹理基元字典和纹理模型库，将待分类的图像划分成超像素，与纹理模型库中的模型进行比较，实现超像素的分类，进而实现图像分类。该方法虽然利用了超像素的强同质性和纹理的空间分布规律，但是，仅运用纹理特征进行分类在遥感图像地物光谱特征复杂的情况下效果不佳。

公开号CN102622607A一种基于多特征融合的遥感图像分类方法，通过提取训练样本和测试样本遥感图像的视觉词袋特征、颜色直方图特征和纹理特征，进行支持向量机训练，得到三个不同的支持向量机分类器，采用上述分类器进行类别预测，得到三组类别预测结果，然后采用加权综合法对三组类别预测结果进行综合，从而得到最终的分类结果。该方法虽然有效融合了遥感图像的视觉词袋特征、颜色直方图特征和纹理特征，使得提取到的遥感图像特征向量涵盖信息丰富，但是，需要人为提取多种特征，操作复杂。

近年来，深度学习理论在图像处理和模式识别等领域迅速发展，人们试着将其应用于图像分类问题中，获得了良好的结果。例如，黄等人在2017年北京航空航天大学学报上发表论文“基于卷积神经网络的遥感图像舰船目标检测”，该文献提出了一种将卷积神经网络与支持向量机相结合的舰船目标检测方法，利用卷积神经网络可自主提取图像特征并进行学习的优点，避免了复杂的特征选择和提取过程。但是由于该方法直接将全连接层特征输入支持向量机进行分类，未能利用卷积神经网络提取多种特征进行融合，导致分类性能受限。

综上，现有的高分遥感影像分类方法，存在的诸多局限性主要表现在：

(1)现有的遥感影像分类方法常需要遥感影像样本进行预处理，而预处理过程容易受到诸多外部因素，如大气条件、地表环境等因素的影响，这将弱化分类的性能。

(2)现有的遥感影像分类方法提取特征时需要过多的人为干预，选择不同的图像特征提取算法，提取图像的各种类型的特征，用于后续的图像分类，特征提取过程复杂。