[发明专利]基于高分辨率遥感图像多特征的识别方法

说明书

基于高分辨率遥感图像多特征的识别方法。涉及遥感图像处理领域，具体涉及一种基于高分辨率遥感图像多特征的识别方法。提出了一种将遥感多特征数据作为神经网络的输入源，并构建提取、融合遥感图像多尺度特征信息，添加辅助损失函数来提高模型的准确性，提高遥感图像识别精度的基于高分辨率遥感图像多特征的识别方法。本发明可以较好地挖掘遥感图像信息，来提高深度卷积网络对遥感图像的识别能力；通过设置辅助损失函数，来辅助本发明网络的训练，来提高网络的识别精度；网络结构可以提取、融合遥感图像的不同尺度信息，并能筛选有利于遥感图像识别的特征信息，提高遥感图像的识别精度；融合方法相比较，遥感图像识别总体精度可以达到1.4％。

技术领域

本发明涉及遥感图像处理领域，具体涉及一种基于高分辨率遥感图像多特征的识别方法。

背景技术

遥感图像识别是遥感研究领域中的一个基本问题，通过对地物的光谱、纹理等特征信息，对不同的地物进行识别，实现了对图像中的每一个像元进行真实地物标签分类的过程。随着遥感技术的不断发展，高分辨率遥感图像在各个领域使用得越来越频繁，对遥感图像分类技术的要求越来越高。但是随着遥感图像分辨率的提高，不同地物类型的光谱有相互重叠部分，“同物异谱、异物同谱”的现象比较严重，严重制约了高分辨率遥感图像的解译精度。虽然高分辨率遥感图像可以提供丰富的地物信息，但是数据量巨大，传统的遥感处理技术没有较好的充分挖掘其地物细节信息，产生了“数据丰富，信息贫乏”的现象。因此研究一种更加高效、高精度的高分辨率遥感图像分类方法迫在眉睫。基于深度学习技术的遥感图像识别核心思想就是对目标进行像素级别的分割，对组成不同目标物的像素进行属性的颜色标注。遥感领域的图像识别也是采用这种思想，因此基于深度学习技术的遥感图像识别技术是具有一定的研究价值。

高分辨率遥感数据与DSM数据、NDVI数据等对不同地物类型具有不同的区别能力。其中高分辨率遥感数据可以较好地表达地物的空间关系及光谱信息；DSM数据可以对高度信息敏感，对于建筑物、树木等提供辅助的识别信息；NDVI数据可以有效区分植被地物与非植被地物。因此，不同的特征数据在一定程度上可以有助于提取特定的地物信息，所以DSM和NDVI遥感数据对遥感图像识别精度的提高具有一定的帮助作用。

发明内容

本发明针对以上问题，提出了一种将遥感多特征数据作为神经网络的输入源，并构建提取、融合遥感图像多尺度特征信息，添加辅助损失函数来提高模型的准确性，提高遥感图像识别精度的基于高分辨率遥感图像多特征的识别方法。

本发明的技术方案是：包含以下数据基础：原始高分辨率遥感图像、DSM数据和地表真实标签数据；按以下步骤进行识别：

1)、对所述原始高分辨率遥感图像进行预处理；通过波段运算来获得NDVI数据的多特征遥感图像；构建包括所述原始高分辨率遥感图像、DSM数据和NDVI数据的六通道遥感图像做为全卷积网络的多特征输入源；

2)、对步骤1)得到的所述多特征遥感图像、及所述多特征遥感图像对应的所述地表真实标签数据进行数据增强，再随机裁剪构建训练样本集和测试样本集；

3)、构建多特征全卷积网络模型来提取、融合所述多特征输入源；利用深度残差网络ResNet50提取作为浅层特征的所述多特征输入源，得遥感图像识别结果一：将浅层特征经过上采样输出的一个遥感图像识别结果；和遥感图像识别结果二：利用金字塔池化结构提取ResNet50网络结构特征图的不同尺度的特征信息，将不同尺度特征信息进行融合来获取遥感图像识别结果；

4)、将步骤2)获得的训练样本集和测试样本集来训练所述多特征全卷积网络模型，通过调整参数，得最优遥感图像识别模型；

5)、将待预测图像输入所述最优遥感图像识别模型，得到遥感图像识别结果，并将所述遥感图像识别结果用全连接条件随机场进行后处理，纠正错分现象，提高图像的识别精度。

步骤1)预处理的具体过程为：