[发明专利]一种残差网络多光谱图像地物分类方法

说明书

本发明公开了一种残差网络多光谱图像地物分类方法，从数据集中读入多光谱图像；对数据进行归一化操作；对多光谱图像进行SLIC超像素，对图像中的边缘像素点使用自适应邻域选择策略进行取块建立数据集，建立训练集，验证集和测试集；构造基于全局通道交互注意力机制的残差网络的分类模型；用训练数据集对分类模型进行训练，同时使用验证集实时验证网络分类精度；最后利用训练好的分类模型对测试数据集分类。本发明采用了全局通道交互注意力机制，在网络训练的过程中，不断地加强对分类有帮助的特征通道，抑制对分类无用的特征通道，这与普通的卷积神经网络相比鲁棒性更强，稳定性更高，大大提高了分类精度。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于全局通道交互注意力机制的残差网络的多光谱图像地物分类方法。

背景技术

在遥感应用中，通过遥感图像分析与解译来识别各种地物是遥感图像处理的最终目的。分类问题也是遥感图像信息提取中的最基本的问题之一。无论地物提取、土地动态变化监测，还是专题地图制作和遥感图像库的建立都离不开分类，许多方面的应用都会涉及分类。通过遥感图像的分类识别后可以更加精确地描述地物的属性和特征，在农作物估产、土地利用、环境监测、工程勘测、自然灾害监测、基础设施布局、交通规划管理、旅游开发以及各类资源的调查研究都会产生积极的作用，从而更好的为这些领域服务。

卷积神经网络的布局是最接近实体生物大脑的神经网络，在处理任务时具有优越性。与一般的神经网络相比较，卷积神经网络在进行图像处理方面有着突出的表现：

(1)通过神经元的局部连接和权值共享模式减少了网络的连接数和训练参数，提高了运行效率，同时简单的网络结构更能够适应多种分类任务；

(2)统一层的权值共享利于网络的并行运算；

(3)网络拓扑结构适合图像数据的输入，可以直接对图像的二维矩阵进行处理；

(4)特征提取过程和模式分类过程可在训练过程中同时进行，回避了复杂的、随机的、不靠谱的显式的特征提取过程。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种残差网络多光谱图像地物分类方法，首先使用了一种自适应邻域选择策略，自适应的调整中心点的邻域像素区域，而不是以往的固定滑窗取块，生成更具有辨别性的样本块，使得网络能提取出更鲁棒的特征；同时利用全局交互通道注意力机制生成注意力权重，对特征通道进行权重调整，加强对分类有帮助的通道，抑制对分类没有帮助的通道；训练出更稳定、判别性更强的分类网络。

本发明采用以下技术方案：

一种残差网络多光谱图像地物分类方法，从数据集中读入多光谱图像；对数据进行归一化操作；对多光谱图像进行SLIC超像素，对图像中的边缘像素点使用自适应邻域选择策略进行取块建立数据集，建立训练集，验证集和测试集；构造基于全局通道交互注意力机制的残差网络的分类模型；用训练数据集对分类模型进行训练，同时使用验证集实时验证网络分类精度；最后利用训练好的分类模型对测试数据集分类。

具体的，多光谱图像包括QuickBird卫星数据、DEMIMOS-2卫星数据以及对应的只有部分区域的类标ground truth图。

具体的，归一化操作具体为，采用min-max标准化，对原始数据进行线性变化，使结果值映射到0到1之间。

具体的，使用自适应邻域选择策略进行取块具体为：

S301、对多光谱图像使用SLIC超像素，得到超像素类标数据图；

S302、计算每个超像素标记数据图中每个超像素块的质心坐标；

S303、计算超像素类标数据图每一点的梯度，若某一个点水平梯度或竖直梯度为0，则该点为超像素图块边缘点并保存像素点坐标；