[发明专利]基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法以及遥感图像分类方法

权利要求书

1.基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法，其特征在于，包括：

步骤S1：获取遥感图像数据集，将数据集平均分成两个不重叠的子数据集，分别用于训练和交叉验证；

步骤S2：加载在ImageNet数据集上预训练好的ResNet-50网络模型，并将ResNet-50网络模型的最后一层全连接层的输出维数修改为与图像类别对应的维数，并在遥感图像数据集上采用随机梯度下降和反向传播算法进行微调，通过反复的迭代学习得到在数据集上收敛的ResNet-50深度模型；

步骤S3：基于深度学习的思想优化手工特征LBP，得到阈值可学习的LBP方法，然后将阈值可学习方法作为LBP层与在ImageNet数据集上预训练好的ResNet-50网络模型串联，得到阈值可学习的局部网络LBPNet；

步骤S4：将步骤S2中在数据集上收敛的ResNet-50深度模型与步骤S3中阈值可学习的局部网络LBPNet并联，构建基于纹理描述和深度学习的阈值可学习局部二进制网络TLBPNet。

2.如权利要求1所述的方法，其特征在于，步骤S3中阈值可学习的LBP方法具体包括：

步骤S3.1：通过引入LBP阈值核参数以及修改阶跃函数对图像进行阈值化处理；

步骤S3.2：对阈值化的结果进行加权，并对加权后的结果求和作为中心元素阈值可学习的LBP编码值，提取出LBP编码图像；

步骤S3.3：对提取出来的LBP编码图像进行像素值的统计，并得到统计直方图作为结果。

3.如权利要求2所述的方法，其特征在于，引入的LBP阈值核参数为t_p(p＝0,1,…,7)，LBP阈值核是一个3×8的核，对输入的RGB三通道图像的每一个通道，各有对应的8个阈值参数需要学习，初始值为均设为1，修改后的阶跃函数为步骤S3.1具体包括：根据中心像素的像素值与阈值参数的乘积t_px_c以及h(x)函数来阈值化中心像素的邻域值x_p，得到阈值化处理的结果h(x_p-t_px_c)。

4.如权利要求3所述的方法，其特征在于，步骤S3.2具体包括：

利用2^p对阈值化处理的结果h(x_p-t_px_c)进行加权，其中，p＝0,1,…,7。

5.如权利要求4所述的方法，其特征在于，中心元素阈值可学习的LBP编码值y_c的计算方式为：

x_c表示中心像素的像素值。

6.如权利要求2所述的方法，其特征在于，步骤S3.3中统计直方图表达形式为：

其中，

其中，图片尺寸为I×J，k表示256种编码值，H(k)表示是特征图中编码值k的统计数量，y(i,j)表示是编码特征图中(i,j)位置的编码值，int()函数为取整的函数。

7.如权利要求1所述的方法，其特征在于，步骤S4具体包括：

删除ResNet-50深度模型的最后一层用于分类的全连接层和阈值可学习的局部网络LBPNet的最后一层用于分类的全连接层，分别作为两个特征提取器分别提取遥感图像数据集的图像特征；

采用随机梯度下降和反向传播算法用全连接层对融合后的特征进行学习直到收敛，从而得到训练好的基于纹理描述和深度学习的阈值可学习局部二进制网络TLBPNet。

8.一种遥感图像分类方法，其特征在于，包括：将待分类的遥感图像输入如权利要求1至7任一项权利要求所构建的基于纹理描述和深度学习的阈值可学习局部二进制网络TLBPNet中，得到图像分类结果。