[发明专利]一种改进的基于深度学习的高分遥感影像分类方法

摘要

本发明公开了一种改进的基于深度学习的高分遥感影像分类方法，首先，基于深度学习理论，设计一个七层卷积神经网络。其次，将高分遥感影像样本输入该网络中进行网络训练，并将学习得到的最后两个全连接层输出，作为遥感影像两种不同的高层特征。接着，针对该网络第五层池化层输出，采用主成分分析进行降维，降维后的结果作为遥感影像的第三种高层特征。然后，将上述三种高层特征通过串联的形式进行融合。最后，设计一种有效的基于逻辑回归的分类器，对遥感影像进行分类。本发明基于深度学习理论对高分遥感影像进行特征提取，学习得到的特征表现力及鲁棒性强。此外，将提取到的多种高层特征进行融合并输入逻辑回归分类器中，能实现良好的分类效果。

主权项

1.一种改进的基于深度学习的高分遥感影像分类方法，包含训练阶段和测试阶段，其特征在于：所述训练阶段包括以下步骤：(1)构建多类遥感影像样本数据集，并制作相应的样本标签集合，将每类遥感影像样本数据集分为训练集Train和测试集Test；(2)搭建七层卷积神经网络，使用训练集对卷积神经网络进行训练；(3)提取卷积神经网络第五层池化层输出特征值和第六、第七两个全连接层的输出特征值；(4)针对卷积神经网络的第五层池化层输出特征值，采用主成分分析方法对其进行降维；(5)将降维后的第五层池化层特征和两个全连接层特征通过串联的形式进行特征融合；(6)在融合特征的基础上，设计基于逻辑回归的分类器；所述测试阶段包括以下步骤：(7)将测试集输入到步骤(2)中训练好的卷积神经网络中，得到每个测试样本的第五层池化层特征和两个全连接层特征；(8)利用步骤(4)中所述的主成分分析方法，对步骤(7)得到的第五层池化层特征进行降维；(9)针对步骤(7)中的两个全连接层特征和步骤(8)中的降维后的第五层池化层特征，进行串联，实现特征融合；(10)使用步骤(6)设计好的分类器对测试集进行分类识别。