[发明专利]基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法

说明书

本发明针对遥感影像场景的分类问题，提出了一种基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法。本发明首先使用高斯金字塔算法获得多尺度的遥感影像，输入到全卷积神经网络中，提取到多尺度深度局部特征；然后将图像裁剪到CNN所需固定大小，输入网络中获得全连接层的全局特征，使用紧凑双线性池化操作编码多尺度深度局部特征和CNN获得的全局特征，通过融合两种深度特征共同表示遥感影像，增强特征之间的相互关系，使获得的特征更具有区分性；最后利用迁移学习技术，结合上述两种方法，对遥感影像场景进行分类。本发明卷积神经网络使用VGG16‑Net作为基础网络。

技术领域

本发明针对遥感影像场景的分类问题，提出了一种基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法。本发明首先使用高斯金字塔算法获得多尺度的遥感影像，输入到全卷积神经网络中，提取到多尺度深度局部特征；然后将图像裁剪到CNN所需固定大小，输入网络中获得全连接层的全局特征，使用紧凑双线性池化操作编码多尺度深度局部特征和CNN获得的全局特征，通过融合两种深度特征共同表示遥感影像，增强特征之间的相互关系，使获得的特征更具有区分性；最后利用迁移学习技术，结合上述两种方法，对遥感影像场景进行分类。本发明卷积神经网络使用VGG16-Net作为基础网络。

背景技术

遥感影像一般是指从飞机和卫星上获取的图像，包括地球表面不同地区各种复杂的与人类相关的场景和物体，同时具有较高的分辨率，现有的卫星遥感技术可以得到数米级空间分辨率的影像。遥感影像场景分类是通过对给定遥感影像包含的地物类别进行特征判别，以划分出不同的地物场景，是对遥感影像进行分析的重要手段，在地质勘探、城市规划、交通旅游、灾害监测等领域得到了广泛的应用。随着遥感成像技术的提高，高分辨率的遥感影像可以提供了大量形状、纹理和空间信息，能够清晰地呈现地物细节，有助于提高地物目标的定位与识别精度。但是由于空间分辨率的提高，遥感影像中出现复杂背景干扰、地物结构多变的问题，以及在成像过程中不可避免的受到光照和天气等自然条件的影响，使得地物类型难以区分，给场景分类工作带来了极大的挑战。

传统的遥感影像场景分类方法主要是采用手工特征提取和分类器相结合的方法。遥感影像的手工设计特征主要包括颜色、纹理、形状、空间等特征，特征用特征向量来表示图像，然后结合分类器实现场景分类，常用的分类器有支持向量机、K近邻算法、Softmax回归模型。但随着遥感影像技术的提升，可以得到更加精细的地物信息，传统的手工特征已经难以形成对场景复杂、目标多样的遥感影像的有效描述。近年来，深度学习技术迅猛发展，它通过从海量的数据中提取出深层次更具区分度的特征，从而获得更加优越的性能，为遥感影像场景分类提供了新的研究思路。用于提取遥感影像特征的深度学习方法主要有自动编码(Auto-Encoder,AE)、深度置信网络(Deep Belief Network,DBN)和深度卷积神经网络(Convolutional Neural Network,CNN)，其中卷积神经网络由于其在自然图像中的优异表现，因此广泛用于遥感影像的特征提取。然而，在遥感影像中，传统的CNN模型存在一定的缺陷，例如传统的CNN模型忽略了人眼在观测时产生不同尺度视角变化的情况，对场景分类精度产生一定的影响，通常的做法是对遥感影像运用高斯金字塔算法得到多尺度的遥感影像，来提高网络的分类精度。此外，传统的CNN模型没有结合全局特征和局部特征，以及忽略了特征之间的相互作用关系，一个灵活的方法是对多种特征进行融合从而加强特征关系，来获取更具代表性的遥感影像特征。更为值得一提的是，CNN模型的训练需要大量有标注的图像，而有标注信息的遥感影像数据比较缺乏，迁移学习为解决小样本学习问题提供了一个新的途径，但是目前大多数迁移学习策略是从自然图像数据集进行知识迁移学习，忽略了遥感影像独有的特征，为此，本发明将考虑采用大规模遥感影像数据集进行预训练。