[发明专利]一种基于多尺度深度特征的遥感影像分类方法

说明书

本发明属于遥感影像分类技术领域，具体涉及一种基于多尺度深度特征的遥感影像分类方法，首先，该算法能够自动建立多尺度影像金字塔；其次，借助传统卷积神经网络算法，本算法能够利用自学习算法自动提取高层影像特征；最后，将多尺度深度影像特征与光谱特征进行融合，从而提高遥感影像分类精度。本发明多尺度深度神经网络算法能够对输入的遥感影像自动构建多尺度影像金字塔，然后，提取多尺度训练样本，用于提取多尺度影像空间特征。该算法有以下两个优点：1)能够自动提取深层稳定、有效的影像特征；2)多尺度特征学习方法能够有效描述影像中复杂地物目标的多尺度效应。

技术领域

本发明属于遥感影像分类技术领域，具体涉及一种基于多尺度深度特征的遥感影像分类方法。

背景技术

遥感技术作为一种不直接接触地面目标而能够快速获取大面积地表真实情况的数据获取方式，它的出现与发展体现了人类对地理空间与地球环境感知能力的提升。土地覆盖与地表信息是遥感影像中最直接的环境信息，同时也是其他环境要素的基础数据。注意到，遥感数据具有描述范围大、能够动态获取、更新速度快等特点，因此，它能够广泛应用于社会发展与国民经济的各个领域，显示了遥感技术的强大生命力和广阔的应用潜力。

近年来，随着新型卫星传感器的应用、计算机人工智能的发展以及高分辨率遥感影像处理手段的不断进步，在高分辨率遥感影像分类领域涌现出诸多研究成果。这些研究一方面说明了高分辨率遥感影像在相关行业中的应用前景广阔，另一方面也揭示了现有的高分辨率影像分类算法所面临的一些亟待解决的问题。在这种情况下，发展高分辨率遥感影像分类算法显得尤为重要。

遥感图像分类是指将遥感图像中的每一个像素规划到其对应的地物类别中去的过程。而高分辨率遥感影像具有高度的复杂性(纹理、形状等)，如何寻找特征对高分辨率遥感影像有效描述与分类是研究的热点与难点。由于高分辨率遥感影像只含有少量波段信息，地物目标光谱存在高度的混淆性，因此，光谱特征在高分辨率遥感影像的分类的贡献有限。而高分辨遥感影像却具有详尽的地物目标的位置、形状及纹理等信息，所以，空间特征能否有效提取对高分辨率遥感影像的分类起着至关重要的作用，好的特征应具有抗噪性、旋转不变性和鲁棒性等特点。此外，由于影像特征往往具有很高的维度，如何选择最有效的影像特征并进行影像分类一直困扰着遥感影像分类领域。通常，为了达到影像分类的目的，人们提出了基于像素与基于对象的影像分类方法。

基于像素的分类方法作为传统的影像分析方式，它能够直接针对遥感影像中的单个像素进行类别标注。由于基于像素影像分类算法发展较早，在技术与应用上都十分成熟，主要是针对遥感影像解译的需求上发展而来的。该方法主要是通过提取影像光谱、纹理等特征进行分类器的训练，从而达到影像分类的目的。然而，由于高分辨率遥感影像中同质异谱、同谱异质现象明显，会在一定程度上影响图像的分类。截至目前已经提出了多种有效的空间特征计算方法，但是基于像素的影像特征与真实地理目标实体存在较大的尺度差异；也就是说，定义在像素层面上的空间特征并不能准确描述地物目标的空间上下文信息，因此，需要引入新型影像处理机制使其能客观反映出地理对象存在的空间特点。

面向对象分类方法进行信息提取时，处理的最小单元不再为单个像素，而是含有更多语义信息的多个相邻像元组成的有一定含义的对象。因此，基于对象的遥感影像分类方法更多利用了对象的几何信息及对象之间的语义信息、纹理信息和拓扑关系，而不仅仅是单个对象的光谱信息。面向对象的遥感影像分类方法的本质是以对象为分类的最小单元，从较高的语义认知层次对遥感影像进行分类，以减少传统的基于像元层次方法语义信息的损失率，使结果含有丰富的语义信息。