[发明专利]一种基于全卷积网络的遥感影像地表覆盖分类方法

权利要求书

1.一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，包括以下步骤：

步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；

步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U-NetBN，建立遥感影像地表覆盖分类模型；

步骤S3：利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；

步骤S4：利用步骤S3训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测；

所述步骤S2中，按如下步骤建立所述遥感影像地表覆盖分类模型：

步骤S21：在FCN8s网络的基础上，加入第2层卷积层的输出，以融合更浅层的特征，建立FCN4s网络；

步骤S22：在U型全卷积网络U-Net基础上，在每个卷积层和ReLU层中间增加一个BN层，建立U-NetBN网络；

步骤S23：利用步骤S1得到的训练集，分别训练FCN4s与U-NetBN两个网络，然后通过对FCN4s和U-NetBN两个网络预测概率的加权平均进行模型融合，得到遥感影像地表覆盖分类模型；遥感影像地表覆盖分类模型预测(p,q)位置的像素点为类别c的概率为计算公式为：

其中，x表示输入图像，c是类别标记，C表示总类别数，表示FCN4s网络在权重ω_FCN4s时预测(p,q)位置的像素点为类别c的概率，表示U-NetBN网络在权重ω_U-NetBN时预测(p,q)位置的像素点为类别c的概率，β₁和β₂分别表示FCN4s网络和U-NetBN网络预测概率在遥感影像地表覆盖分类模型中所占的比重。

2.根据权利要求1所述的一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，所述步骤S1中，首先，对数据集中遥感图像进行多种不同尺度的拉伸和缩放，以增加数据的多样性；然后，将数据集中单张大图的遥感图像有重叠的划分为相同尺寸大小的图块，且每个图块生成对应的镜像图像来进一步增强数据，进而得到在数据数量和质量上满足模型训练要求的数据集。

3.根据权利要求1所述的一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，所述步骤S3中，利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，包括以下步骤：

步骤S31：在训练阶段，使用交叉熵作为FCN4s网络和U-NetBN网络的损失函数，计算公式分别为：

其中，表示在(p,q)位置的像素点是类别c的概率；

步骤S32：FCN4s网络使用动量为0.95的随机梯度下降优化方法，初始学习率设为1×10^-10，每隔两个完整训练批次下降到原来的0.7倍；ReLU6和ReLU7层后面的Dropout层的随机失活概率都设为0.5；U-NetBN网络使用动量为0.9的随机梯度下降优化方法，初始学习率设为1×10^-4，每隔三个完整训练批次下降到原来的0.3倍；采用步骤S1得到的训练集分别对FCN4s网络和U-NetBN网络进行训练，最后得到FCN4s网络和U-NetBN网络的最优参数。

4.根据权利要求3所述的一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，所述步骤S4中，将待预测图像输入到步骤S3训练好的遥感影像地表覆盖分类模型进行预测，待预测图像在(p,q)位置的预测概率最大的类别为该位置的最终预测类别，计算公式如下：

其中，P_(p,q)表示待预测图像在(p,q)位置的最大预测概率对应的类别为最终预测类别。