[发明专利]顾及空间邻域关系的双路卷积神经网络遥感分类方法

摘要

本发明公开了一种顾及空间邻域关系的双路卷积神经网络遥感分类方法，包括如下步骤：数据获取；数据预处理；专题图制作；多尺度分割；目视解译；获取第一级邻域；选取实验样本集；选取patch大小；生成训练数据；转成mat格式；构建卷积神经网络结构；主体单路神经网络训练；第一级邻域单路神经网络训练；互补性分析；顾及空间邻域关系的双路卷积神经网络训练。本发明的目的是提供一种在相同尺度下，将主体和主体的第一级邻域作为输入影像数据，通过增加样本的邻域信息，实现对样本信息的加强，来减少其他类别样本带来的干扰的方法，从而实现分类精度的提高，为分类决策提供参考。

主权项

一种顾及空间邻域关系的双路卷积神经网络遥感分类方法，其特征在于，所述的空间邻域关系为：主体样本与主体相邻的样本构成的区域，通过预训练，分别从主体样本和带有邻域信息的样本中提取特征，再通过双路并行网络，利用从主体样本和带有邻域信息的样本中提取特征对样本进行重新分类；该方法包括以下步骤：获取研究地段的高分辨率遥感影像，并对其进行预处理；对预处理后的高分辨率遥感影像，以道路和河流为边界矢量化专题图层，并对其进行基于专题图层的多尺度分割；选取某一尺度的分割图层，对样本进行目视解译，添加ID字段来标识每个样本对象，保存为“原始样本图层”；获取“原始样本图层”中所有样本的第一级邻域，记作“第一级邻域图层”；从“原始样本图层”中分别随机选取一定数量的样本作为训练集和测试集，记作“主体实验数据集图层”；从“第一级邻域图层”获取“主体实验数据集图层”中样本对应的第一级邻域样本，作为“第一级邻域实验数据集图层”；获取“原始样本图层”中所有样本的最小外包正方形的边长的正太分布，根据分布曲线选取合适的patch大小m*m，m为像元个数；生成训练数据：以主体样本的中心作为patch矩形的中心，将“主体实验数据集图层”和“第一级邻域实验数据集图层”中的样本切成m*m大小，分别保存为“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”；以“patch主体实验数据集图层”和“patch第一级邻域实验数据集图层”为模板，将数据从原始影像中切出来，切出来的样本以原ID加类别来命名，最终得到“主体实验数据集”和“第一级邻域实验数据集”；分别将“主体实验数据集”和“第一级邻域实验数据集”分成测试集和训练集，转成mat格式，分别保存为“主体mat数据集”和“第一级邻域mat数据集”；搭建卷积神经网络结构，包括输入层、卷积层、下采样层、全连接层和输出层，并设置学习率参数；主体单路神经网络训练：将“主体mat数据集”作为输入数据加入卷积神经网络，进行训练，保存结果及训练完成后的卷积神经网络结构的各层的权重；第一级邻域单路神经网络训练：将“第一级邻域mat数据集”作为输入数据加入卷积神经网络，进行训练，保存结果及训练完成后的卷积神经网络结构的各层的权重；对两次训练得到的分类器进行互补性分析，保证两个分类器存在互补性；双路训练：将之前训练好的主体和邻域的卷积神经网络的各层权重输入到双路并行卷积神经网络中，将“主体mat数据集”和“第一级邻域mat数据集”加入双路并行卷积神经网络进行训练，训练完毕后保存通过双路训练后的分类结果。