[发明专利]基于改进残差网络的遥感图像场景分类方法

说明书

本发明公开了一种基于改进残差网络的遥感图像场景分类方法，包括以下步骤：(a)收集和/或下载场景图像，得到遥感场景分类数据集；(b)对遥感场景分类数据集中的图像进行增强处理，然后将遥感场景分类数据集中的图像随机划分为训练集和测试集；(c)对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练，通过训练不断优化残差网络结构，训练完成后用测试集图像测试残差网络的准确率；(d)用训练后的残差网络结构对遥感图像进行场景分类。本发明利用改进的残差网络对遥感图像进行场景分类，通过调整残差网络的结构，使得网络更适合获取难度大、背景纹理复杂的遥感图像数据集，并提高了分类的准确率。

技术领域

本发明涉及图像识别领域，具体涉及一种基于改进残差网络的遥感图像场景分类方法。

背景技术

遥感图像场景分类是将遥感图像信息进行提取，根据图像特征对场景实行分类的研究。随着传感器技术的快速发展，遥感图像的空间分辨率不断提高，土地利用和土地场景的空间信息也不断地丰富，遥感图像场景的智能识别和分类成为一个热门且具有挑战性的课题。早期的遥感图像分类方法是对颜色、光谱、空间信息等特征进行提取，例如小波变换[1]、Gabor纹理特征[2]等，这些方法需人工设定，缺乏灵活性，泛化能力较弱。为了解决这一问题，加强图像语义特征，提出中层语义特征建模的方法，如Zhao等于2014年提出的视觉词袋(Bag ofVisual Words，BoVW)模型，它缩小了低层视觉特征与高层语义之间的语义鸿沟，生成中层语义表达，但对图像深层的特征提取、场景的尺度变化缺乏有效的处理措施，实际应用效果较差。

近年来，深度学习方法在图像分类上取得突破性进展，利用卷积神经网络(Convolutional Neural Network，CNN)对遥感图像分类也取得了较好的结果，典型的网络结构模型包括AlexNet、VGG、GoogleNet和ResNet]。如CHENG G等人提出了遥感图像场景分类的数据集，并采用传统的分类方法与深度学习分类方法进行实验，结果显示深度学习的方法优于传统的方法，ZHAO B等人在AlexNet的基础上对模型进行改进，来提升分类结果的精确度。最近的实验证据表明，越深的网络对图像分类的能力越强，但会导致分类准确率饱和甚至下降。残差网络相比于传统的卷积神经网络，复杂度降低，同时解决了深层次网络的退化问题，并且不会出现梯度弥散。

名称为“基于深度孪生残差网络的光学遥感场景分类方法及装置”公告号为CN108805200A的中国专利公开了一种基于深度孪生残差网络的光学遥感图像分类方法，该方法在训练阶段，首先通过两个完全相同的深度残差网络，对输入的遥感图像对进行特征提取，分别得到它们的特征表示，然后结合这两个特征表示计算其在特征空间的欧氏距离，以判断输入图像对的相似程度。在测试阶段，使用训练好的任一个深度残差网络对输入图像进行场景分类。该发明可对大规模的高分辨遥感图像进行场景分类，可在自然灾害监测与评估，城市规划，环境监测等领域发挥重要作用。但该方法对背景纹理复杂的遥感图像不能进行准确的分类。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于改进残差网络的遥感图像场景分类方法。

技术方案：为实现上述目的，本发明的一种基于改进残差网络的遥感图像场景分类方法，包括以下步骤：

(a)收集和/或下载场景图像，得到遥感场景分类数据集；

(b)对遥感场景分类数据集中的图像进行增强处理，然后将遥感场景分类数据集中的图像随机划分为训练集和测试集；

(c)对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练，通过训练不断优化残差网络结构，训练完成后用测试集图像测试残差网络的准确率；

(d)用训练后的残差网络结构对遥感图像进行场景分类。