[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

说明书

本发明公开了一种基于集成深度费舍尔向量的遥感图像分类方法，它能够解决目前遥感图像分类算法分类时间长，分类精度低的问题。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。本发明的有益效果在于：从定量的角度对本文提出的算法进行精度评价，该算法与现有的算法相比取得了极佳的分类效果，在UCM和RSSCN7上分别取得了98.81％和95.21％的准确率结果。从分类精度上来看，本发明所提出的算法能够精准地实现遥感图像分类。

技术领域

本发明属于一种图像分类方法，具体涉及一种基于集成深度费舍尔向量的遥感图像分类方法。

背景技术

随着高分辨率遥感图像采集技术的不断发展，大量高空间分辨率的遥感卫星图像变得更易获得，基于高精度遥感图像的分类与识别已经广泛运用到土地资源管理、城市规划、危险环境侦察等军民两用领域，发挥了巨大的实用性价值。

目前，针对此类问题的通用化解决办法主要包括三类：

第一类是基于手工特征的分类方案，通过采用人为设计的手工特征如HOG、LBP等，生成基于该种特征构建原理下的语义描述，而后放入预先训练好的分类器中得到分类结果。

第二类是基于端到端的分类方案，该方案摒弃了第一类方法中人为地选取特征描述子的思想，将最优化特征学习的工作交给网络自学习，通过反向传播的方法，自主地完成最优化网络迭代任务。

第三类是基于深度学习特征的分类方案，经过百万量级图像训练的深度学习模型具备对万物的泛化认知能力，通过采用预训练深度学习模型作为特征提取器，提取出较高层次的语义特征，而后放入预先训练好的分类器中进行分类。

但是经过研究目前现有技术至少存在以下缺点和不足：

第一类方法的缺点：高精度遥感地形分类任务存在着类内差异大，类间差异小以及尺度多变、几何多变、场景多变等难点，某些地形图像具有很强的视觉欺骗性，采用手工特征的分类方案面临语义层次低，难以实现高精度分类的问题。

第二类方法的缺点：现有遥感地形数据集的数据存量较小，目前主流基准化数据集仅有几千张，针对这类小样本分类问题，采用端对端的分类方案极易造成网络的过拟合，致使网络的泛化能力变差，分类精度不高。

第三类方法的缺点：现有的基于预训练深度学习模型的方案虽然较之前两种方案有较大的改进，但仍然面临运算时间长，后处理方法不足等问题，分类精度仍有待进一步提高。

因此，想进一步提高高精度遥感图像地形分类的效果，需要在深度学习特征提取方案的基础上，进一步挖掘高层次语义信息，集成多尺度图像信息、集成全局和局部语义信息、集成多样化预处理/后处理方法，进一步提升网络对于高精度遥感图像特征的语义辨识力。

发明内容

本发明的目的是提供一种基于集成深度费舍尔向量的遥感图像分类方法，它能够解决目前遥感图像分类算法分类时间长，分类精度低的问题。

本发明的技术方案如下：一种基于集成深度费舍尔向量的遥感图像分类方法，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。

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。

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：