[发明专利]基于深度学习的遥感图像要素识别方法

说明书

本发明公开了一种基于深度学习的遥感图像要素识别方法，采用深度神经网络对遥感影像训练集进行训练，对训练好的深度神经网络添加一个分类层，再对该深度神经网络进行调整，得到最优的深度神经网络,通过该最优的深度神经网络对遥感图像进行地物要素自动识别。本发明能快速和准确的完成遥感图像特征提取，提高特征对遥感图像光照、角度、尺度和背景等复杂变化的适应性，进而提高遥感图像要素识别的准确率和效率。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于深度学习的遥感图像要 素识别方法。

背景技术

地物要素识别是卫星遥感图像处理领域中最基础的任务之一，是一种重要 的遥感应用技术，具有广泛的应用价值。在国防建设方面，利用遥感图像要素 识别技术，可以获取敌方军事目标的空间分布、地理坐标等重要情报信息等； 在民用方面，能够辅助政府部门制定城市建设和规划方案等。传统的识别方法 通常需要依靠复杂的人工设计特征以及大量的先验知识，在特定情况下取得了 很好的效果。但是周期长，耗时多。尤其是近年来，海量数据的积累以及云计 算技术的发展，使得用更加复杂的神经网络模型来模拟人脑进行智能识别成为 可能。

遥感图像地物要素识别任务主要分为两个阶段，特征表达阶段和分类阶段。 常用的特征，如SIFT特征、灰度统计特征、形状特征、纹理特征等底层特征以 及BOW特征、HOG特征等属于中层特征，直接使用这些特征来进行地物要素识别， 往往难以区分不同要素之间的差异。基于此发展出多特征联合提取的方法来丰 富特征描述，能够在一定程度上提高识别精度。但其采用的底层特征和中层语 义特征无法表达所需的抽象语义特征，导致其识别性能产生瓶颈。近年来，随 着深度学习的发展，特征学习的概念随之发展起来，最具代表性的是卷积神经 网络提取的特征。与传统的人工设计的特征相比，具有高层语义抽象能力，并 且在方法上具有通用性。针对不同形式的输入图像，卷积神经网络可以采用相 同的网络模型来提取特征，避免了复杂的人工特征设计。

因此，亟需要一种避免复杂的人工特征设计的遥感图像要素识别方法。

发明内容

本发明提供一种基于深度学习的遥感图像要素识别方法，针对不同形式的 输入图像，卷积神经网络可以采用相同的网络模型来提取特征，避免了复杂的 人工特征设计。

根据本发明的一个方面，提供一种基于深度学习的遥感图像要素识别方法， 其特征在于，包括如下步骤：

构建深度神经网络模型；

使用遥感图像训练集对所述深度神经网络模型进行特征学习，并对地物要 素进行分类；

使用所述深度神经网络识别遥感图像的地物要素。

在其中一个实施例中，所述构建深度神经网络模型的步骤，包括如下步骤：

使用卷积神经网络进行特征提取；

构建分类层，以及使用所述分类层进行地物要素分类。

在其中一个实施例中，还包括对具有分类层的深度神经网络进行参数调整， 获取最优的深度神经网络的步骤。

在其中一个实施例中，所述获取最优的深度神经网络的步骤进一步包括如 下步骤：

将遥感影像训练集输入至深度神经网络模型时，得到实际输出与指定要素 标签之间的误差值，计算第k个图像输出误差值E_k：

计算权值调整量：