[发明专利]一种面向小数据集的高分辨率遥感影像场景分类的方法

说明书

本发明实施例公开了一种面向小数据集的高分辨率遥感影像场景分类的方法，建立了一个三个尺度、三个通道的端对端多尺度卷积联合神经网络模型。本方法共分为三个步骤，步骤一将图像尺寸大小为N×N的遥感影像，按照三个尺度进行随机子区域提取，提取后图像子区域大小分别为N/2×N/2、N/4×N/4和N/8×N/8，作为多通道卷积特征提取器输入；步骤二，建立一种融合多尺度和多通道的特征联合网络，将不同尺度的特征进行两两融合增强，实现高层特征的联合增强表达；步骤三，联合损失函数对场景的联合增强的高层特征进行分类。本发明实现在小样本训练集上的高精度分类，在小样本数据集中的高层特征表达能力和计算速度显著提高。

技术领域

本发明涉及高分辨率遥感影像场景分类技术领域，具体涉及一种基于多尺度卷积联合神经网络模型的高分辨率遥感影像场景分类的方法。

背景技术

随着IKONOS(伊科诺斯)、QuickBird(快鸟)等高分遥感卫星的发射，遥感卫星获取影像的分辨率不断提升。这些高分辨率的影像相比原来中低分辨率的影像所包含的信息更加丰富，而其中由于遥感影像场景中地物目标具有多样可变性、分布复杂性等特点，所包含的场景语义信息很难从中获取。近年来，深度学习由于对高层特征的良好表达，在遥感场景分类中取得了较高的识别精度。然而，它需要依赖于大量的训练数据集来优化网络参数。相关技术中，利用显著性采样获得包含影像主要信息的块，从而增强数据集大小和整体特性，再利用卷积神经网络提取高层特征，最后使用SVM分类器对场景进行分类，分类精度较好。

但是，基于深度学习方法的遥感影像场景识别技术中，良好的识别精度往往是依赖于大量的训练数据，不适用于简单的小数据集上的分类。

发明内容

针对上述技术问题，本发明提供了一种有限数据集下多尺度联合深度学习的高分辨率遥感影像场景分类的方法。该方法可以在不经过任何数据增强的情况下，获得很好的分类效果。

一种面向小数据集的高分辨率遥感影像场景分类的方法，包括以下步骤：

(1)数据预处理，对一张尺寸大小为N×N的待分类的高分辨率遥感影像随机提取0.875N×0.875N大小的图像区域，并对其进行对比度和亮度的调节；然后在所提取的图像区域再随机提取三个不同尺度不同位置的子区域块，尺寸大小分别为N/2×N/2、N/4×N/4、N/8×N/8；

(2)构建多尺度卷积联合神经网络(JMCNN)模型，所述联合多尺度卷积神经网络模型包括多通道的特征提取器、三个尺度的特征融合器和联合损失函数三部分；

(3)基于所述多尺度卷积联合神经网络(JMCNN)模型的高分遥感场景识别，对上述特征提取器、特征融合器分别进行参数设置；并将步骤(1)中提取的待识别的遥感影像输入所述特征提取器中进行卷积特征提取，提取的特征输入特征融合器得到融合增强特征，利用上述联合损失函数对所述融合增强特征进行分类，即得到遥感影像的分类结果。

进一步地，所述多通道的特征提取器由3个特征通道构成，每个所述特征通道为一个单特征提取器。

进一步地，所述多尺度特征融合器包含两个特征融合器进行特征联合；将上述N/2×N/2和N/4×N/4的图像尺寸输入上述多通道特征提取器中得到对应的两个特征，将这两个特征利用第一个特征融合器进行联合，得到一个新的联合特征；将上述N/8×N/8的图像尺寸输入上述多通道特征提取器中得到对应的特征，将这个特征与上述新的联合特征利用第二个特征融合器再次进行联合，得到最终的高层融合增强特征表达。

进一步地，所述联合损失函数为交叉熵损失与正则化项之和，对遥感影像的高层融合增强特征进行分类，得到遥感影像的分类结果。