[发明专利]多分支卷积神经网络融合的遥感图像场景分类方法

说明书

本发明公开了一种多分支卷积神经网络融合的遥感图像场景分类方法，首先将场景数据集按比例随机划分成训练集和测试集；接着对数据集进行预处理和数据扩增；将处理后的数据分别通过对象检测网络和注意力网络获得对象掩码图和注意力图；然后将原图像、对象掩码图和注意力图训练集分别输入到一个CNN网络进行微调，分别获得最优分类模型，再将三组测试集作为输入分别通过最优分类模型获得Softmax层的输出，最后将三组Softmax层的输出通过决策级融合，获得最终的预测结果。本发明可以提高分类准确性和分类效果。

技术领域

本发明涉及遥感图像场景分类技术领域，具体涉及多分支卷积神经网络融合的遥感图像场景分类方法。

背景技术

遥感图像场景分类任务作为遥感图像处理技术的重要分支，在军用和民用领域都具有重要的意义。场景分类旨在通过学习的分类器自动地为每个场景图像预测一个语义类别。然而，遥感图像场景具有不同颜色，视点，姿态，空间分辨率等丰富的变化和各种混合对象，且不同类别的若干图像场景在许多方面可能彼此相似。确切地说，由于类内多样性和类间相似性的问题，使得遥感图像场景分类依然面临挑战。

传统上的方法主要集中在手工特征提取和编码上。这些方法包括尺度不变特征变换，稀疏表示和其他空间特征提取。此外，还有基于视觉单词编码，混合高斯模型，Fisher向量编码和改进的Fisher核编码等方法，用于编码颜色、纹理、大小和结构信息的低级特征，这些方法均可以概括为中级特征方法，需要较为繁琐的参数调整，而且不是端到端的学习过程。

最近，深度学习方法越来越多地用于场景图像分类，该类方法可以进行端到端的学习，比手工特征具有更好的判别能力。目前深度学习的遥感图像场景分类方法主要有：面向网络不同学习策略的方法和判别增强的特征学习方法。K.Nogueira,O.Penatti andJ.Santos等人发表的《用于遥感场景分类的更好卷积神经网络的探索》，模式识别，vol.61，pp.539–556，2016(《Towards better exploiting convolutional neural networks forremote sensing scene classification》(Pattern Recognition,vol.61,pp.539–556,2016.))中分别采用预训练网络，微调网络和完全训练网络模式对几个常见遥感图像场景进行分类，由于采用结构简单的卷积神经网络，因此特征提取的不充分从而导致较低的分类准确率。在遥感图像上的分类缺少针对性。Q.Wang,S.Liu,J.Chanussot and X.Li等人发表的《重复注意力非常高分辨率遥感图像的场景分类》，IEEE国际地理科学与遥感学报，vol.57，no.2,pp.1155-1167,2019(《Scene classification with recurrent attentionof VHR remote sensing images》(IEEE Trans.Geoscience Remote Sensing,vol.57,no.2,pp.1155-1167,Feb.2019.))中利用多个长短期记忆模型对3个典型遥感图像场景进行多注意力区域特征提取及分类，由于注意力模型主要关注对象类型的场景并不能充分学习到自然场景的特征信息，因此模型的判别能力仍显不足。

由此可知，现有技术中的方法存在分类效果不佳的技术问题。

发明内容

有鉴于此，本发明提供了一种多分支卷积神经网络融合的遥感图像场景分类方法，用以解决或者至少部分解决现有技术中存在的分类效果不佳的技术问题。

为了解决上述技术问题，本发明提供了一种多分支卷积神经网络融合的遥感图像场景分类方法，包括：

步骤S1：将场景数据集按预设比例划分为训练集和测试集；

步骤S2：对场景数据集中的图像进行预处理；

步骤S3：对预处理后的数据集进行数据扩增；