[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：将待分类的影像输入训练好的卷积神经网络，得到所述影像的每一像素对应的特征，所述每一像素对应的特征视为所述每一像素属于各个预设类别的预测概率；将所述每一像素对应的特征及所述影像的原始影像通过条件随机场CRF模型处理对所述预测概率进行调整，得到影像的分类结果。本发明可实现对高分辨率遥感影像的全自动、快速、高精度分类，极大提升分类效率。

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，越来越海量的高清晰度遥感数据开始被各行业领域关注，希望从中快速精准提取所需信息，使其转变为一种新颖的信息获取方式，甚至产生巨大的商业价值。然而，制约其成为现实的最主要瓶颈便是由数据到信息的自动分类技术。

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。面向像素的方法过分关注每一个像素上的光谱信息，对像素在空间中构成的语义信息考虑不足，不能准确描述实际情况，有严重的椒盐现象，也不能处理同物异谱现象，所以在对高分辨率影像的处理上效果远差于面向对象的分类方法。目前后者的主要实现方式是首先需要进行超像素分割，将数据分割为一个个在空间上有相关性的对象，这就克服了面向像素分类方法的缺点，得到语义上相对正确的分类对象；然后在此基础上构造用于分类的特征，最后选取样本实现对影像的分类。很明显，上述方法具有很多不利因素：1)依赖超像素分割结果，而且处理不同的数据常常需要选择不同的分割方法与阈值；2)在同谱异物现象上表现仍待提高；3)需要具备相应知识：构建有效的一个或多个分类特征；4)需要人工选取样本学习特征参数、阈值等；5)普适性差：每次数据处理均得重复全过程的繁复工作。

发明内容

本申请的目标在于提供一种实现米级、亚米级高分辨率影像的全自动、快速、高精度分类的方法和系统，从而极大地释放劳动力。

本申请的目标由一种影像分类方法实现，该方法包括：

将待分类的影像输入训练好的卷积神经网络，得到所述影像的每一像素对应的特征，所述每一像素对应的特征视为所述每一像素属于各个预设类别的预测概率；

将所述每一像素对应的特征及所述影像的原始影像通过条件随机场CRF模型处理对所述预测概率进行调整，得到所述影像的分类结果。

本申请的目标还由一种影像分类系统实现，该系统包括：

影像输入及概率确定模块，用于将待分类的影像输入训练好的卷积神经网络，得到所述影像的每一像素对应的特征，所述每一像素对应的特征视为所述每一像素属于各个预设类别的预测概率；

分类确定模块，用于将所述每一像素对应的特征及所述影像的原始影像通过条件随机场CRF模型处理对所述预测概率进行调整，得到所述影像的分类结果。

本发明方法和系统利用机器学习中的CNN技术训练分类模型，使其能够获得针对影像的像素级分类结果(指对每一个像素进行类别的归属判断，相比面向对象(一个对象通常包含很多像素)的判断精度更高)，并充分考虑隐含在像素间的语意信息，实现类似面向对象方法中的准确对象信息获取；同时可重建CNN提取的特征与原始影像间的对应关系，通过插值操作实现与原始图像尺寸相同的分类预测，利用CRF技术使分类结果获得更高精度。

本发明可实现对高分辨影像的全自动、快速、高精度分类，使分类操作不需要作业人员具备相应专业知识和参与过多干预，极大提升分类效率；同时获得像素级分类精度和对象级分类效果，提升分类质量；而且模型能够在不断的应用过程中，迭代提升自身的分类能力。

本发明设计的全卷积CNN结构，在充分综合空间信息和高层语义信息的情况下，实现对影像像素级解译精度，并能实现模型端到端训练，极大程度克服传统遥感图像解译处理中面向像素和面向对象方法的不足，充分结合空间信息、光谱信息和高层语义信息，提出一种全新、高效图像解译新手段。