[发明专利]一种基于深度特征的高空间分辨率遥感图像迁移学习方法

说明书

本发明提供一种基于深度特征的高空间分辨率遥感图像迁移学习方法。该方法可以利用已有的遥感图像以及样本信息对新获取的遥感图像直接进行分类，从而为遥感快速监测提供支持。该方法包括以下步骤：对源域图像以及目标域图像，使用主成分变换，分别提取其前三个主成分分量；对生成的三个波段的新图像，提取每个像素为中心的图像块输入到已经训练好的多层卷积神经网络；输出卷积神经网络的最后一个全连接层，得到该像素的深度特征表示；对源域图像以及源域的训练样本，基于提取的深度特征使用支持向量机分类器训练得到一个分类器；对目标域图像，使用得到的支持向量分类器直接进行分类，完成从源域图像以及类别对应关系到目标域的迁移学习。

技术领域

本发明涉及遥感图像处理技术，具体的说，涉及一种基于深度特征的高空间分辨率遥感图像迁移学习方法，该方法可以基于已有高空间分辨率遥感图像以及样本数据，对新获取的遥感图像在没有样本的情况下进行自动分类，从而快速处理遥感图像，为遥感监测提供支持。

背景技术

遥感技术目前被广泛应用于地学应用中，如森林资源规划、农作物估产、环境评估、灾害监测等。遥感图像分类技术是把遥感图像从数据转换为信息的关键步骤。从是否需要训练样本来分，遥感图像分类方法分为监督分类和非监督分类。在遥感图像分类中最常用的是监督分类方法。监督分类方法，需要人工地确定分类体系、各个类别的训练样本等。监督分类分类方法能够保证获得比较好的分类精度，但是获取训练样本是一个耗时耗力的过程。在常规模式下，遥感卫星对某一特定地区会按照一定的重返周期进行成像，形成一系列时间序列的遥感图像。如果对每新获取的一个时相遥感图像都进行样本的采集，人工操作将是极其繁重的。尤其是对于遥感灾害应急等应用，需要在获取遥感图像的情况下快速地获得其专题分类及变化信息。因而，研究如何利用过去获得的遥感图像以及训练样本信息，对新获取的遥感图像进行自动分类 (指不需要进行样本的重新采集)具有一定的实用价值。

机器学习领域的迁移学习试图满足上述的应用需求。迁移学习利用某一个分类任务(包括原始数据以及各类别的样本数据，通常称为源域)学习得到的规则、规律对一个新的、并具有一定相关性的分类任务 (只包括原始数据，没有或者很少的样本数据，还不足以训练出一个有效的分类器，通常称为目标域)进行分类。目前迁移学习算法主要包含两大类方法：基于实例的方法以及基于特征提取的方法。在前一种方法中，其基本思想是，尽管源域的训练数据和目标域的数据多少有些不同，但是由于两个域的数据是有一定相关性的，因而源域的训练数据应该还是会存在一部分数据(比如其中一个数据子集)适合用来对目标域数据训练出一个有效的分类模型；因而该类算法的目标就是从源域中找出那些适合目标域数据的实例，并将这些实例用于辅助目标域进行分类，典型的算法如TrAdaBoost。在第二种方法中，其主要思路是通过特征降维，把源域数据和目标域数据，分降到具有最大相似性的子空间上：在共同的子空间上，源域的训练样本即可直接用于目标域进行分类器的训练，典型算法有TPLSA算法、CoCC算法等。这两类算法尽管在应用中取得了一定的效果，但其离实际应用仍有一定的距离。