[发明专利]一种基于深度学习的建筑垃圾遥感影像识别方法

说明书

一种基于深度学习的建筑垃圾遥感影像识别方法，属于遥感图像识别领域。现有的遥感图像识别方法易受干扰，且这些不能挖掘整体信息，导致识别精度低。一种基于深度学习的建筑垃圾遥感影像识别方法，对获取的遥感图像进行预处理，得到遥感图像数据集；对遥感图像数据集样本进行扩充，在神经网络的第七层加入L2正则化惩罚项，利用扩充后的数据集对加入L2正则化惩罚项的网络模型进行训练，获取目标识别模型；通过计算DeepLab的语义分割方法中真实值和预测值两个集合的交集和并集之mIOU比，实现语义分割算法的改进；利用改进的识别模型以及算法进行图像识别。本发明方法识别精度稿，可以监测违规堆放的处理进度，实现动态跟踪监测净化城市环境。

技术领域

本发明涉及一种基于深度学习的建筑垃圾遥感影像识别方法。

背景技术

遥感图像识别的大致经历了如下几个过程：传统基于象元的遥感图像识别方法，如最大似然法、K-Means均值法，但图像光谱亮度信息易受干扰，且这些不能挖掘整体信息，易产生“椒盐噪声”，现在只作为对比项或预处理方法使用；基于面向对象的遥感识别方法，虽然发挥了多边形对象属性特征丰富的优势，但易过分割或欠分割，且分割的尺度不容易确定；同样基于象元的图像语义分割成为了当今遥感图像识别的热门研究方向，其自学习能力和容错能力强的特点源自于深度学习，也奠定了如今成千上万分类方法的研究与实现。

不过深度学习方法的有效性也很大程度上取决于训练数据的丰富程度，大量的样本数据成为了研究必备条件。样本扩充可使用翻转等简单数据增强方法获得，也可以用生成对抗网络等机器学习方法进行图片合成来获得。另外，深度学习相关研究方法常常要求训练数据和测试数据特征分布相似，但在实际项目应用中这个要求很难达到，因此深度学习方法因其数据要求，很难在工程项目中被应用。迁移学习作为深度学习研究方法的分支，是目前的一大研究热点。

发明内容

本发明的目的是为了解决现有的遥感图像识别方法易受干扰，且这些不能挖掘整体信息，导致识别精度低的问题，而提出一种基于深度学习的建筑垃圾遥感影像识别方法。

一种基于深度学习的建筑垃圾遥感影像识别方法，所述方法通过以下步骤实现：

步骤一、对获取的遥感图像进行预处理，得到遥感图像数据集；

步骤二、对遥感图像数据集样本进行扩充，在神经网络的第七层加入L2正则化惩罚项，利用扩充后的数据集对加入L2正则化惩罚项的网络模型进行训练，获取目标识别模型；

步骤三、通过计算DeepLab的语义分割方法中真实值和预测值两个集合的交集和并集之mIOU比，实现语义分割算法的改进；

步骤四、利用改进的识别模型以及算法进行图像识别。

优选地，步骤一所述的对获取的遥感图像进行预处理，得到遥感图像数据集的步骤包括：

采用ENVI平台对遥感图像进行正射校正、影像融合的遥感图像预处理操作，并对其结果数据进行直方图均值化操作。

优选地，步骤二所述的对遥感图像数据集样本进行扩充的步骤采用改进生成对抗网络的方式融合多个图像的特征，具体步骤包括：

GAN在原有数据集的基础上生成新的数据，GAN生成对抗网络包括两个模型：生成模型和判别模型，这两个模型的代表符号分别是G和D；利用这两个模型的博弈实现生成对抗网络，

其中，GAN的基本模型:设z为随机噪声，x为真实数据，生成式网络和判别式网络以分别用G和D表示，其中D可以看作一个二分类器，那么采用交叉熵表示，写作:

minmaxV＝Ex～pdata(x)[logD(x)]+Ez～pz(z)[log(1-D(G(z)))]