[发明专利]基于深度学习的高分辨率遥感影像农作物分类方法有效
申请号: | 201910551686.6 | 申请日: | 2019-06-25 |
公开(公告)号: | CN110287869B | 公开(公告)日: | 2022-03-18 |
发明(设计)人: | 顾玲嘉;杨舒婷;任瑞治 | 申请(专利权)人: | 吉林大学 |
主分类号: | G06V10/774 | 分类号: | G06V10/774;G06V10/764;G06V20/10;G06K9/62 |
代理公司: | 长春吉大专利代理有限责任公司 22201 | 代理人: | 李泉宏 |
地址: | 130012 吉*** | 国省代码: | 吉林;22 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 高分辨率 遥感 影像 农作物 分类 方法 | ||
本发明公开了一种基于深度学习的高分辨率遥感影像农作物分类方法,属于卫星遥感图像处理与应用的技术领域。本发明目的是解决现有高分辨率遥感影像在对农作物分类中存在的地物边界模糊、算法复杂度高与忽略特征波段信息等缺点,以及目前神经网络方法无法对高分辨率遥感图像进行农作物分类的问题。本发明采用36波段的组合方式,结合本发明所设计分VGG神经网络结果,利用VGG神经网络的深度学习,通过多次迭代达到了对10m分辨率的高分辨遥感影像中的农作物地块进行准确的分类。
技术领域
本发明属于卫星遥感图像处理与应用的技术领域。
背景技术
农作物分类信息的获取在农业资源调查、土地利用现状分析、农作物估产和灾害评估等诸多领域中都具有十分重要的意义,近年来也成为了遥感领域的研究热点之一。在诸多遥感图像的分类方法中,基于深度学习的图像分类方法自提出以来就备受关注,它为图像的识别与分类开拓了新的方向。近年来,国内外的研究学者提出了许多基于深度学习的图像分类方法。代表研究如下:
不同于传统的图像分类方法,神经网络算法的加入对图像分类准确率有明显提高, Krizhevsky等人提出训练CNN模型运用于图像的分类,并在ImageNet比赛中取得了很好的分类结果(参见Krizhevsky A,Sutskever I,Hinton G E,Imagenet classificationwith deep convolutional neural networks,Advances in neural informationprocessing systems,1097-1105 (2012))。Chen等人用DBN模型提取高分辨率遥感影像中的飞机,利用DBN能够学习特征和利用BP调整参数的特点证实了比传统特征分类器的提取方法更好(参见Chen X,Xiang S, Liu C L,Aircraft detection by deep beliefnets,20132nd IAPR Asian Conference on Pattern Recognition.IEEE,54-58(2013))。Romero等人提出非监督的神经网络用于对高光谱遥感影像的分析,避免了有监督方法训练时高光谱影像的Hudge现象和小样本造成的过拟合问题,但是相比监督分类不能有效地提取影像特征(参见Romero A,Gatta C,Camps-Valls G, Unsupervised deep featureextraction for remote sensing image classification,IEEE Transactions onGeoscience and Remote Sensing,54(3):1349-1362(2016))。Chen等人提出了有监督的3D-CNN模型能够同时提取影像的光谱和空间特征,使分类精度进一步提升(参见Chen Y,Jiang H,Li C,Deep feature extraction and classification of hyperspectralimages based on convolutional neural networks,IEEE Transactions onGeoscience and Remote Sensing,54(10): 6232-6251(2016))。Marco Castelluccio等人对比了GoogLeNet与CaffeNet对遥感影像进行分类(参见Castelluccio M,Poggi G,Sansone C,Land use classification in remote sensing images by convolutionalneural networks,arXiv preprint arXiv:1508.00092(2015))。Chen等人提出用全卷积网络对SAR影像进行自动目标识别和分类,有效地缓解了由于样本有限造成的过拟合问题(参见Chen S,Wang H,Xu F,Target classification using the deep convolutionalnetworks for SAR images,IEEE Transactions on Geoscience and Remote Sensing,54(8):4806-4817(2016))。Xiaodong Xu等人将CNN应用到多源遥感数据中,实现结果的精确分类(参见Xu X,Li W,Ran Q,Multisource remote sensing data classificationbased on convolutional neural network,IEEE Transactions on Geoscience andRemote Sensing,56(2):937-949(2018))。随着深度学习的不断发展,神经网络逐渐被应用到遥感影像中,包括建筑物提取,目标检测与土地利用等方面。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于吉林大学,未经吉林大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910551686.6/2.html,转载请声明来源钻瓜专利网。