[发明专利]基于注意力机制多尺度深度学习的遥感影像分类方法

说明书

本发明公开了一种基于注意力机制多尺度深度学习的遥感影像分类方法，主要解决现有技术分类准确率低的问题。其方案是：建立遥感图像库和图像库对应的类别,并从归一化处理后的每类遥感图像中随机挑选80％的遥感图像样本构建训练图像库；构建一个包括卷积网络模块、注意力模块、SCDA模块和全连接层的卷积神经网络；将训练图像库中的训练样本输入到卷积神经网络获得训练样本的分类结果，并确定卷积神经网络的损失函数；通过梯度下降方法对损失函数迭代更新直到损失值稳定，得到训练好的卷积神经网络；将待分类的遥感图片经归一化后，输入到训练好的卷积神经网络获得分类结果；本发明分类精度高，鲁棒性强，可应用于遥感图像数据的分析和管理。

技术领域

本发明属于图像处理技术领域，特别涉及一种遥感影像内容分类方法，可应用于遥感图像数据的分析和管理。

背景技术

随着卫星遥感图像和航空遥感图像分辨率不断提高,可以从遥感图像中获得更多有用的数据和信息。而针对不同场合的应用，对遥感图像的处理也有着不同的要求,所以为了有效地对这些遥感图像数据进行分析和管理，需要根据图像内容给图像贴上语义标签。而场景分类就是解决该类问题的一种重要途径。场景分类指的就是从多幅图像中区分出具有相似场景特征的图像，并正确的对这些图像进行分类。相较于自然图像，遥感图像本身有存在着自身的特点，其分类结果由于遥感图像本身的空间分辨率的限制以及同物异谱、异物同谱现象的存在，常常会造成错分的现象，这是由遥感图像本身的复杂性造成的。因此，如何更精确地对遥感图像进行分类也成为了一项挑战。

基于卷积神经网络的分类，是指将需要训练的一些图片，分批次的输入卷积神经网络当中，通过大批量数据的反复训练，使得目标优化损失函数降低。从而实现分类的目的。如今已经有很多较为成熟、著名的卷积神经被提出。如2012年，AlexKrizhevsky就提出了一种深度卷积网络模型“AlexNet”。

现有的卷积神经网络虽然能够实现图片场景分类的任务，但是在学习图片语义信息的时候仍然存在两方面的不足，一是由遥感图像复杂性导致的分类信息定位不准确，二是卷神经网络在训练时常常会陷入局部显著区域，如图1所示。这两个不足会导致在实际场景的分类的过程中存在鲁棒性差和易于产生错分的问题。

发明内容

本发明目的在于针对上述已有技术存在的问题，提出一种基于注意力机制多尺度的遥感图像分类方法，以减小遥感图像分类目标陷入局部区域的概率，扩大卷积网络注意力区域，提高遥感图像的分类准确度。

本发明的技术思路是：利用卷积神经网络获得图片的卷积特征，根据注意力机制原理，利用注意力机制获取利于分类的有用信息，从有用信息中提取多尺度的卷积层特征，并通过全连接层网络实现图像分类。

根据上述思路，本发明的实现步骤包括如下：

(1)建立遥感图像库{I₁,I₂,…I_n…,I_N}，图像库对应的类别为{Y₁,Y₂,…Y_n…,Y_N},并对建立的遥感图像库进行归一化处理，其中n代表图像库中第n个样本编号，n∈[0,N]，N代表遥感图像库的图片数目；

(2)从归一化处理后的每类图像中随机挑选80％的样本，构建训练图像库{T₁,T₂,…T_j…,T_M}，其中MN，其中T_j代表训练图像库中第j个图片，j∈[0,M]，M为训练样本的总个数；

(3)构建一个包括卷积网络模块、注意力模块、SCDA模块和全连接层的卷积神经网络；

(4)确定卷积神经网络的损失函数：