[发明专利]基于卷积神经网络的高分辨率遥感影像分类方法及系统

说明书

本发明提供了一种基于卷积神经网络的高分辨率遥感影像分类方法及系统，其方法包括：首先对遥感影像进行预处理，并对预处理后的遥感影像进行分割；然后对各个分割图像进行处理，以将所有的所述分割图像均处理为卷积神经网络可以接受的固定大小输入格式的图像对象；进而构建双输入并行的卷积神经网络，并对其进行训练，得到训练好的卷积神经网络；最后采用训练好的卷积神经网络对实际的遥感图像进行分类。本发明的有益效果是：使用最小外接矩形掩膜的方式处理不规则影像对象，将影像对象的几何形状信息和光谱、颜色等其他信息分开学习；提出了多输入并行卷积神经网络；减少人工干扰带来的误差，提高遥感影像分类的智能化程度。

技术领域

本发明涉及遥感影像处理与信息提取技术领域，尤其涉及一种基于卷积神经网络的高分辨率遥感影像分类方法及系统。

背景技术

遥感影像与自然场景影像存在差异，其主要差异如下：1)遥感影像具有更丰富的波段，而自然影像一般只包含三个波段；2)遥感影像中单个地物在图中所占比例一般较小，自然场景影像中单个物体所占图像比例一般很大；3)遥感影像拍摄视角一般为垂直下视，自然场景图像拍摄视角多变；4)遥感影像中地物尺度差异可以很大，自然场景图像中物体差异较小。上述异同点使得在自然场景图像处理中的深度学习方法可以借用到遥感影像处理中来，但同时也要做相应的调整来适应遥感影像的特点。

其中，深度学习技术在自然场景的图片中进行目标检测，取得了传统方法难以企及的成就。针对上述情况，如何基于深度学习的遥感影像地物目标检测模型，将基于深度学习的技术应用到遥感影像中，以提高工作效率和精度，减少人为操作，实现全自动化遥感影像地物目标检测成为了热点问题。

发明内容

为了解决上述问题，本发明提供了一种基于卷积神经网络的高分辨率遥感影像分类方法及系统；

一种基于卷积神经网络的高分辨率遥感影像分类方法，主要包括以下步骤：

S101：获取训练用的遥感影像，并对所述遥感影像进行预处理，得到预处理后的遥感影像；

S102：使用基于图论的最小生成树的分割方法对所述预处理后的遥感影像进行分割，以将所述预处理后的遥感影像分割为多个形状不规则且大小不一致的分割图像；

S103：对多个所述分割图像分别进行处理，以将所有的所述分割图像均处理为卷积神经网络可以接受的固定大小输入格式的图像对象；

S104：构建双输入并行的卷积神经网络，并利用所述的多个卷积神经网络可以接受的固定大小输入格式的图像对象作为所述双输入并行的卷积神经网络的训练数据，对所述双输入并行的卷积神经网络进行训练，得到训练好的双输入并行的卷积神经网络；

S105：采用所述训练好的双输入并行的卷积神经网络对实际的遥感图像进行分类。

进一步地，步骤S101中，预处理的具体方法如下：

将所述遥感影像的最短边缩放至600个像素大小,同时对其像素值进行归一化处理，得到预处理后的遥感影像。

进一步地，步骤S103中，对于某个所述分割图像，处理方法具体如下：

首先使用该分割图像的最小外接矩形对该分割图像进行分割，得到该分割图像对应的最小外接矩形对象，然后将所述最小外接矩形对象等比例压缩至预设的尺寸，以将其处理为卷积神经网络可以接受的固定大小输入格式的图像对象；

采用此方法对所有的所述分割图像进行处理，以将所有的所述分割图像均处理为卷积神经网络可以接受的固定大小输入格式的图像对象。

进一步地，所述最小外接矩形对象包括两种，分别为二值掩膜图像和不带掩膜图像；使用该分割图像的最小外接矩形对该分割图像进行分割，得到该分割图像对应的最小外接矩形对象，具体如下：