[发明专利]一种遥感影像分类方法

权利要求书

1.一种遥感影像分类方法，其特征在于：包括以下步骤：

S1：输入数据，并采用比例混合法对输入的数据进行预处理；

S2：对样本进行归一化处理，归一化范围为[-1,1]；

S3：构建深度卷积神经网络模型；

S4：将预处理后的数据按照卷积通道顺序输入深层卷积网络模型进行训练和测试；

S5：进行特征提取后得到输出结果，并将输出结果与真实数据进行特征匹配；

S6：输出分类结果。

2.根据权利要求1所述的遥感影像分类方法，其特征在于：所述步骤S1中的比例混合法为：把像素点作为处理单元进行训练和测试，以像素点为单位提取后，按照统一的转换次序，将三维数据变为二维形式的数据。

3.根据权利要求1所述的遥感影像分类方法，其特征在于：所述步骤S3具体包括以下步骤：

S3.1：设计基本卷积神经网络模型，并通过堆叠若干卷积层和最大池化层形成深层架构，卷积层和最大池化层交替架构；

S3.2：提出批次规范化算法，并使批次规范化模块以间隙插入的方式参与模型中卷积神经网络的深层构造；

S3.3：在输出端使用多项对数损失模型，从而控制输出。

4.根据权利要求3所述的遥感影像分类方法，其特征在于：所述步骤S3.2中的批次规范化算法如式(1)所示：

式(1)中，x_i为最小批次数据B中的激活值，且B＝{x_1...m}，y_i为批次规范化算法的输出，1≤i≤m；m为最小批次数据B的大小；γ为缩放参数，β为平移参数；

为归一化后的中间量，可由下式(2)得到：

式(2)中，ε是一个趋于0的常数，μ_B为已知最小批次数据B的均值，为已知最小批次数据B的方差。

5.根据权利要求3所述的遥感影像分类方法，其特征在于：所述步骤S3.3中的多项对数损失模型如式(3)所示：

式(3)中，是分类损失函数，c∈{1,...,C}^H×W×1×N，c为地面真实类标签，x是表示C个不同类的后验概率的向量，后验概率p(k)＝x_k，k＝1,...,C，H为输入数据的长，W为输入数据的宽，N为数据第三维的尺寸。