[发明专利]一种基于全卷积神经网络的大尺度遥感图像楼房分类方法

说明书

本发明公开了一种基于全卷积神经网络的大尺度遥感图像楼房分类方法。首先，通过在计算网络模型的每层池化层前，融合上一层池化前的特征改善池化造成的图像信息丢失问题；其次，考虑大尺度遥感图像楼房分类的不平衡问题，改进常规的交叉熵损失函数，提出基于FocalLoss损失函数的加权损失函数WFL(Weighted FocalLoss)。本发明公开的一种基于全卷积神经网络的大尺度遥感图像楼房分类方法能够高效准确的生成与原始图像具有同样尺寸大小的二值分类映射图，在大尺度遥感图像楼房分类领域具有重要的实际应用意义，可以为城镇规划、演变提供可靠的技术支持。

技术领域

本发明涉及图像处理和深度学习领域，尤其涉及一种基于全卷积神经网络的大尺度遥感图像楼房分类方法。

背景技术

随着卫星遥感图像和航空遥感图片分辨率的不断提高,人们可以从遥感图像中获得更多的有用的数据和信息。 伴随着“数字地球”概念的提出,越来越多的民用场合需要用到遥感图像,包括资源调查,自然灾害观测、大气气象预报等。由于不同场合遥感图像的应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节——图像分类也就显得尤为重要,经过多年的努力,形成了许多经典的分类方法和算法。

近年来，深度学习在图像处理、自然语言理解和语音识别等领域取得了突破性进展，已经成为了人工智能的一个热潮。深度学习旨在建立一个模型来模拟人类大脑的神经连接结构，在处理图像、声音、文本等信号的时候，通过多个变换阶段分层对数据特征进行描述，从而给出数据的解释。在深度学习中，底层特征的不同组合能够形成更加抽象的高层特征、属性或者是其他分类，再进一步给出不同层的数据特征表示。将深度学习应用到遥感图像的房屋检测中，能够更好地处理大尺度遥感图像，并对遥感图像的丰富信息特征进行学习，从而使得楼房定位更加精确。将深度学习与遥感技术相结合，具有非常现实的意义，能够为地理信息系统等应用带来更好的应用体验。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于全卷积神经网络的大尺度遥感图像楼房分类方法。可高效准确的生成与原始图像具有同样尺寸大小的二值分类映射图。

为了解决上述技术问题，本发明实施例提供了一种基于全卷积神经网络的大尺度遥感图像楼房分类方法，包括以下步骤：

S1：将输入数据为图像和标签，将所述图像依次经过至少三个跳跃基本单元，

S2：将上述输出结果交替输入三个融合层、两个上采样层得到预测映射；

S3：将所述预测映射与所述标签计算基于Focal Loss损失函数的加权损失函数；

S4：通过反向传播修正网络权重，迭代训练，直到训练结束；

S5：输入数据为图像经过上述步骤依次处理，将原始图像切割成适用于网络的小图像块，将预测的小图像块映射拼接，得到原始大尺度遥感图像的楼房分布预测。

进一步地，所述跳跃基本单元利用步长为2的多卷积核，将池化层前的输入数据进行空间上的降维以及深度上的升维，并将计算得到的特征与池化层和卷积层计算后的输出特征融合作为跳跃基本单元的输出。

更进一步地，所述基于Focal Loss损失函数的加权损失函数公式为：

其中，m为图像中背景的像素总数，n为图像中房屋的像素总数，且。:当时，加权损失函数退化为加权交叉熵损失；当时，加权损失函数能够降低正确分类的那些像素对损失的贡献。

实施本发明实施例，具有如下有益效果：本发明能够高效准确的生成与原始图像具有同样尺寸大小的二值分类映射图，在大尺度遥感图像楼房分类领域具有重要的实际应用意义，可以为城镇规划、演变提供可靠的技术支持。

附图说明

图1为工作流程图；

图2为跳跃融合基本单元；