[发明专利]一种基于集成深度费舍尔向量的遥感图像分类方法

权利要求书

1.一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：它包括如下步骤，

(1)特征提取；

(2)Fisher特征编码；

(3)特征串联与分类。

2.如权利要求1所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的步骤(1)包括将预处理后的图像特征输入到经ImageNet预训练得到的深度学习模型当中，获取多尺度图像中的高区分性全局语义特征和局部语义特征。

3.如权利要求2所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的步骤(1)中的多尺度图像包括第一类尺度是与预训练深度学习模型ResNet-50默认尺度相同的224×224尺度，在该尺度条件下，提取其在上述网络中的第一个非卷积层作为全局化描述：

4.如权利要求2所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的步骤(1)中的多尺度图像包括第二类尺度依次为(128×128，256×256，512×512)，在该类多尺度条件下，筛选其在上述网络中的中间某一层，作为与后续费舍尔编码相结合的最优层，生成最优局部化描述，经过逐层编码实验，采用ResNet-50中的第37层输出作为待编码深度卷积特征：

5.如权利要求4所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的步骤(1)中对第二类尺度提取特征后进行L2正则化，即对特征L进行特征预处理，得到去相关性后的多尺度局部化描述，

降低局部化深度卷积特征L之间的相关性，保证L特征间具有相同的方差。

6.如权利要求1所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的步骤(2)中经过Fisher特征编码，将上一步特征提取得到的局部语义特征进一步优化生成深度费舍尔特征，提高对高精度遥感地形图像的描述能力。

7.如权利要求6所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的Fisher编码层对输入的多尺度局部化描述进行再编码，完成遥感图像的局部描述优化，输出地形遥感图像的深度费舍尔向量DFF，所述的Fisher编码层使用高斯混合模型构建单词码本B1

利用高斯混合模型构建单词码本词典，对输入的单一尺度局部化描述进行编码表达，提取特征空间的高斯均值和方差信息：

其中，T为地形遥感图像上的局部特征点数；f_t为t-th局部特征；为局部特征与高斯混合模型间的均值差异；为局部特征与高斯混合模型间的方差差异，{w_n,μ_n,σ_n}分别表示单词码本B1中各高斯分布的混合权重、均值与对角协方差；α_t(n)为柔性分配权重，表征着t-th准局部特征相对n-th高斯混合模型的权重值，

其中，N(f_t；μ_n,σ_n)为f_t在第n个高斯分布中的数值，编码结果为：

DFF:

8.如权利要求7所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的步骤(2)对于多尺度局部化描述中的剩余尺度也进行上述的编码流程，最终将各尺度的DFF相互串联，得到多尺度费舍尔向量I。

9.如权利要求8所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的步骤(3)采用串联的方式将全局语义特征和深度费舍尔向量融合得到新的特征向量，并将其输入线性分类器当中去，完成高精度遥感地形的分类任务。

10.如权利要求9所述的一种基于集成深度费舍尔向量的遥感图像分类方法，其特征在于：所述的步骤(3)具体如下，通过采用级联的方式，将编码结果串联起来，再通过L2正则化处理，得到图像的最终表述，集成深度费舍尔特征ADFF，

ADFF＝[I,H]

其中，优选线性支持向量机构建分类层，具体实现采用LIBSVM，其惩罚参数采用十折交叉验证获得，分类层输出语义标签，完成地形分类。