[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

说明书

本发明涉及一种基于全卷积网络的遥感影像地表覆盖分类方法，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：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。该方法综合考虑了FCN和U‑Net两种不同结构的全卷积网络的特点，有利于提高遥感影像地表覆盖分类的性能。

技术领域

本发明涉及图像处理及计算机视觉领域，特别是一种基于全卷积网络的遥感影像地表覆盖分类方法。

背景技术

随着卫星遥感图像和航空遥感图像分辨率的不断提高，人们可以从遥感图像中获得更多有用的数据和信息。遥感影像的地表覆盖分类是遥感研究领域的重要内容，在国土、国防、测绘、农业、城市、防灾减灾等各个领域都有很强的应用价值，因此提高遥感影像地表覆盖分类的精度具有非常重要的意义。最先出现的遥感影像地表分类方式是图像目视解译技术，即通过人工方式对影像进行标注，虽然精度较高，需要花费大量时间且灵活性差。随着机器学习技术的发展，基于遥感影像的数字图像分析技术也得到了一定程度的发展。Lefei Zhang等人引入了块对其框架，以最佳方式线性组合光谱、纹理和形状特征等多种特征,考虑每个特征的特定统计特性以实现物理意义上的多特征的低维统一表示，进而有效的对遥感图像进行分类。佃袁勇等人采用SVM分类模型将傅里叶谱分解算法与光谱信息结合并成功应用到像素级别的高分辨率遥感影像的地表覆盖分类中，对针对以农、林为主体的高分辨率遥感影像的分类问题有很大的实用价值。

目前，关于像素级别的遥感影像地表覆盖分类的相关研究还很少，传统的基于机器学习的分类方法，为了对一个像素分类，需要使用该像素周围的一个图像的信息块作为输入用于训练和预测，相邻的像素块基本上是重复的，针对每个像素块逐个计算也有很大程度上的重复，存储开销很大、计算效率低下，需要找到一种更准确、高效的像素级别的遥感卫星地表覆盖分类方法以满足现有的应用的需求。近年来，深度学习在图像分类、目标检测和图像语义分割等领域取得了一系列突破性的进展，相比于传统的机器学习方法具有更强的特征学习和特征表达能力。随着全卷积网络的提出，将图像级别的分类进一步延伸到像素级别的分类，高效的解决了语义级别的图像分割问题。

发明内容

本发明的目的在于提供一种基于全卷积网络的遥感影像地表覆盖分类方法，该方法有利于提高遥感影像地表覆盖分类的性能。

为实现上述目的，本发明采用的技术方案是：一种基于全卷积网络的遥感影像地表覆盖分类方法，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。

进一步地，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。

进一步地，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；