[发明专利]一种影像分类方法和系统

说明书

本申请公开了一种影像分类方法和系统，其中所述方法包括：将待分类的原始影像输入训练好的卷积神经网络得到一融合特征；其中，所述卷积神经网络包括多个特征提取处理级和多个特征保留处理级；所述卷积神经网络将所述多个特征保留处理级分别输出的多个输出特征以及所述多个特征提取处理级最终输出的最终输出特征的尺寸调节为与所述原始影像的尺寸一致，对尺寸调节后的所述多个输出特征以及最终输出特征进行特征融合得到所述融合特征；根据训练好的特征与类别之间的对应关系，确定所述融合特征所对应的所述原始影像所属的类别。本发明能实现中高分辨率遥感影像的全自动、高效率、高精度分类。

技术领域

本申请涉及图像处理领域，尤其涉及一种影像分类方法和系统。

背景技术

随着高分辨率遥感卫星与微小卫星不断投入使用，十几米～几米的中高分辨率遥感影像的获取效率越来越高，价格也越来越低，部分甚至可以免费获取。而且数据兼顾类似中低分辨率的空间宏观信息和一定的对局部区域精细观测能力，所以在国土、环境、农林、规划等领域受到广泛关注与应用。但是基于数据特点，使得侧重于关注光谱信息而在中低分辨率数据处理中广泛使用的面向像素分类方法和增强空间语义信息考虑的广泛应用于高分辨数据处理的面向对象分类方法，均不能很好的适用于中高分辨率的数据处理。

针对遥感影像的分类可以主要分为面向像素和面向对象两类方法。面向像素方法强调每个像素处的光谱信息，而中低分辨率数据中的一个像素通常反应空间中一片较大区域的共同特征，所以像素间光谱的相似性基本可以表征实际地物间的相似性，，所以该方法在中低分辨率影像处理中得到广泛应用。在高分辨率影像中，一个地物通常占据多个像素，而这些像素的光谱信息却不完全一致甚至有较大差异，所以首先使用超像素分割将影像变为若干区域然后分类的面向对象方法获得更多应用。而对于中高分辨率影像，面向像素方法在同物异谱现象上表现较差，不能准确分类得到完整的地物信息；而面向对象的方法在该类分辨率数据上很难实现理想分割，进而影像全过程分类效果，同时它仍需要大量人工交互，在效率、精度上都很难令人满意。

发明内容

本申请的目标在于提供一种对中高分辨率影像实现全自动、高效率、高精度分类的方法和系统。

本申请的目标由一种影像分类方法实现，该方法包括：

将待分类的原始影像输入训练好的卷积神经网络得到一融合特征；其中，所述卷积神经网络包括依次对所述影像至少进行卷积处理的多个特征提取处理级，部分特征提取处理级之间还分别连接一个步长不为1的中间池化层；所述卷积神经网络还包括分别对所述原始影像以及每个步长不为1的所述中间池化层输出的输出特征至少进行卷积处理的多个特征保留处理级；所述卷积神经网络将所述多个特征保留处理级分别输出的多个输出特征以及所述多个特征提取处理级最终输出的最终输出特征的尺寸调节为与所述原始影像的尺寸一致，对尺寸调节后的所述多个输出特征以及最终输出特征进行特征融合得到所述融合特征；

根据训练好的特征与类别之间的对应关系，确定所述融合特征所对应的所述原始影像所属的类别。

本申请的目标还由一种影像分类系统实现，该系统包括：

融合特征获取模块，用于将待分类的原始影像输入训练好的卷积神经网络得到一融合特征；其中，所述卷积神经网络包括依次对所述影像至少进行卷积处理的多个特征提取处理级，部分特征提取处理级之间还分别连接一个步长不为1的中间池化层；所述卷积神经网络还包括分别对所述原始影像以及每个步长不为1的所述中间池化层输出的输出特征至少进行卷积处理的多个特征保留处理级；所述卷积神经网络将所述多个特征保留处理级分别输出的多个输出特征以及所述多个特征提取处理级最终输出的最终输出特征的尺寸调节为与所述原始影像的尺寸一致，对尺寸调节后的所述多个输出特征以及最终输出特征进行特征融合得到所述融合特征；

分类模块，用于根据训练好的特征与类别之间的对应关系，确定所述融合特征所对应的所述原始影像所属的类别。