[发明专利]基于高分遥感影像区域信息和卷积神经网络的分类方法

摘要

本发明公开了一种基于高分遥感影像区域信息和卷积神经网络的分类方法。针对卷积神经网络用于遥感影像分类使用固定大小窗口遍历时，影像采样窗口数量过多，导致的分类效率低下问题，本文提出一种基于影像区域特性的采样窗口确定方法，提高分类效率。首先对影像过分割得到影像的区域信息，在区域中按一定准则确定采样窗口，然后将采样窗口数据送入卷积神经网络进行分类，分类结果即为对应区域的分类结果。本发明针对现有方法在高分辨率遥感影像中的局限性，将深度学习中的卷积神经网络模型引入，使其提取影像特征，为遥感影像分类提供了新的技术方案，提高了分类的精度和效率。

主权项

基于高分遥感影像区域信息和卷积神经网络的分类方法，其特征在于，包括训练阶段和分类阶段，其中训练阶段具体包括如下步骤：步骤1.1，随机生成卷积神经网络中各层连接的权值wj和偏置bj，其中j＝1,2,...,L，j为网络层索引；步骤1.2，将训练图像及其对应标签送入卷积神经网络进行训练，得到网络输出与标签的偏差后，将该偏差逐层反向得到各层的偏差，并对神经网络的权值和偏置进行更新，从而得到卷积神经网络模型；分类阶段具体包括如下步骤：步骤2.1，使用均值漂移方法过分割高分辨率遥感影像，得到遥感影像的区域分割结果；步骤2.2，在区域分割的结果中选取影像块，将影像块送入步骤1.2中的卷积神经网络模型进行分类，影像块的分类结果即为区域的分类结果，实现方式如下，记均值漂移法分割后其中的第i个区域像素数目为Pi，区域的外接矩形总像素数为Ri，第i个区域的窗口采样影像大小为M×M的窗口影像数据，像素数目为Ci；每个区域至少包含的像素数为Np，Ci中第i个区域的像素在窗口总像素比为w，设定最小比为w0；1)若Pi≤Np，以区域中心像素为中心的M×M窗口影像作为卷积神经网络模型输入，输出作为该区域的分类结果；2)若Pi＞Np，取M×M窗口，并以区域外接矩形左上角的坐标为窗口左上点坐标，若w＞wo，取该窗口影像为窗口采样影像；否则，向下或向右滑动M×M窗口，直至w＞wo，若遍历区域后窗口采样影像中均不满足w＞wo，则取w最大的M×M窗口的影像数据作为窗口采样影像，输入卷积神经网络模型，将输出作为区域的分类结果；步骤2.3，对高分辨率遥感影像的每个区域进行步骤2.2的处理，得到整幅影像的分类结果。