[发明专利]一种多级空间上下文特征指导的高分辨率遥感影像分类方法

说明书

本发明公开了一种多级空间上下文特征指导的高分辨率遥感影像分类方法。该方法将对象的纹理特征，几何特征和空间上下文特征作为深度学习框架的高维特征，放入到全连接分类器中进行分类训练，得到一个面向对象的多特征融合分类器，最后，使用条件随机场对对象级别的分类结果进行像素级别的空间上下文指导分类，进一步提升了分类的精度。本发明提出的多级空间上下文指导的高分辨率遥感影像分类方法，在对象分类中融入了对象的多个特征能够实现超越一般对象分类的深度学习方法，此外，还引入了像素级空间上下文指导的条件随机场方法，实现了高精度的高分辨率遥感影像分类。

发明领域

本发明属于遥感图像处理领域，涉及计算机深度学习领域，特别是涉及一种基于深度学习的面向对象高分辨率遥感图像分类方法。具体地说是一种利用深度学习网络提取多个对象特征、构建多特征融合的分类器，提高高分辨率遥感图像分类精度的方法。

背景技术

利用卫星遥感影像进行高精度分类和解译一直以来都是遥感图像处理领域一项应用价值与挑战并存的重要内容，其对城市规划以及灾难救援有着重要的科学指导意义。随着近些年来高精度传感器技术和无人机、航拍技术的快速发展，遥感图像的空间分辨率越来越高，图像的地物特征越来越精细，数据量越来越大，传统的基于人工的分类特征提取方法在高分图像上的复杂特征提取能力难以满足地物分类的要求。近些年来随着深度学习技术以及计算机视觉分析能力的提升，利用深度学习的高层次特征提取能力进行高分辨率遥感影像分类任务成为一种高效可行的方案。

目前，主流的利用深度学习进行高分辨率遥感影像分类的方法分为两类：一类是端到端的全图分类方法，该方法一般采用的网络架构是全卷积神经网络结构，即输入一张图，输出也是一张图，输出的每个点标注了相应于原图上点的类别，该方法的优点是计算量少，内存消耗低，在对每个像素点进行分类的过程中顾及到了其与周围像素点的空间关系，该方法的缺点是分类的结果边缘划分较模糊，地物的直线和直角特征容易被平滑掉，而且训练过程比较耗时，有的全卷积神经网络甚至会出现棋盘效应。另一类方法是基于对象的分类方法，该方法先对图像进行图像分割，得到每个分割后的对象，再利用固定大小的滑动窗口去裁剪每个对象，将裁剪出的图斑放入到卷积神经网络中进行分类器训练，最后将该分类器应用于每对象分类。这种取对象中的一个固定大小的图斑来进行特征抽取的方法忽略了对象的轮廓信息，且对于空间上下文特征的考虑也不足。

发明内容

本发明要解决的技术问题在于针对上述方法的不足，提出了一种综合对象纹理特征、几何特征和对象级别空间上下文特征，以及像素级别空间上下文特征的高分辨率遥感图像分类方法，实现高精度地物分类。

为解决上述问题，本发明提供了一种多级空间上下文特征指导的高分辨率遥感影像分类方法，该方法主要包括以下步骤：

步骤1，将原始遥感影像分割成多个对象；

步骤2，依次读取每个分割后的对象，使用对象的轮廓边界对其进行掩膜处理，位于对象轮廓内部的像素单元值保持不变，落在轮廓外的像素单元值赋值为0，并对每个对象进行类别标注；

步骤3，将每个对象变形为N*N的图斑，输入到一个由三个卷积层、三个最大池化层和一个金字塔池化层构建的特征提取框架中，提取纹理和几何特征；

步骤4，计算图斑的形变特征，形变指数的计算方法如公式(1)和公式(2)所示；

其中，Index_w是图斑在长度上的形变指数，计算方法为变形后的图斑长度w₀除以变形前图斑长度w₁，Index_l为图斑在宽度上的形变指数，计算方法为变形后的图斑宽度l₀除以变形前图斑宽度l₁；