[发明专利]一种基于深度集成学习的高分辨率遥感图像分类方法

说明书

本发明公开了一种基于深度集成学习的高分辨率遥感图像分类方法，其思路为：首先使用像元亮度值作为分类特征进行全连接网络分类实验；其次使用面向对象分割，再以重心为中心提取卷积块进行卷积神经网络分类；再将原始图像全部裁剪为图像块，使用U‑Net完全卷积网络进行one vs all多元分类；最后，在前三个深度网络基分类器的分类结果上训练一个全连接网络进行概率组合，实现了较好的分类性能。本发明通过使用深度集成学习方法，能够有效结合光谱和空间等信息改善分类准确率，且综合基分类器的优势，在高分辨率遥感图像分类的单个类别和总体分类精度上都能得到比单一分类器更好的分类精度。

技术领域

本发明属于遥感图像分析技术领域，特别涉及一种基于深度集成学习的高分辨率遥感图像分类方法。

背景技术

遥感图像分类经历了从目视解译到计算机自动分类的过程，传统计算机分类主要包括基于像元的监督分类和非监督分类，分类所依据的特征主要是光谱特征，依据像元亮度值的差异进行分类；随着遥感图像空间分辨率的提高，同种地物之间的像元亮度值差异较大，传统的基于像元亮度值分类的方法难以满足高分辨率遥感图像所需的分类精度。

自从2012年Alex Krizhevsky设计的卷积神经网络一举摘下ILSVRC视觉竞赛的桂冠，掀起了深度学习的热潮，其应用范围越来越广，并且随着网络深度的加深，准确率也越来越高。将卷积神经网络应用于高空间分辨率遥感图像分类，应用卷积层和池化层进行特征的自动提取，依据训练损失不断修正权值，从而提取出适合于特定场景的有效特征，进而进行分类器分类。与传统计算机分类相比，其更加注重前期的特征提取，而不是一味的进行分类器参数优化来提高分类精度。

但是，针对高分辨率遥感图像，单一的分类器总是存在一定问题，无法将其光谱信息和空间信息相结合，分类精度有待进一步改善。

发明内容

针对传统高分辨率遥感图像分类方法的不足，本发明提供了一种基于深度集成学习的高分辨率遥感图像分类方法。该方法采用基于全连接网络的像元亮度值分类、基于卷积神经网络的面向对象分类以及基于完全卷积网络的遥感图像分类三种方法的深度集成学习，有效结合高分辨率遥感图像的光谱和空间信息，改善其分类准确率；改善了高分辨率遥感图像分类的单个类别和总体分类的分类精度，实现了较好的分类性能。

为达到上述技术目的，本发明采用如下技术方案予以实现。

一种基于深度集成学习的高分辨率遥感图像分类方法，包括以下步骤：

步骤1，获取训练集和测试集；并分别构建基于像元亮度值分类的全连接网络模型、基于面向对象分类的卷积神经网络模型和基于遥感图像分类的完全卷积网络模型；

其中，所述训练集和测试集中的样本分别为高分辨率遥感图像及其DSM数据，DSM为数字表面模型；

步骤2，采用训练集分别对基于像元亮度值分类的全连接网络模型、基于面向对象分类的卷积神经网络模型和基于遥感图像分类的完全卷积网络模型进行训练，对应得到相应的基分类器；采用测试集分别对三个基分类器进行测试，对应输出相应类别概率值；

步骤3，在步骤2得到的三个基分类器的输出端设置全连接网络，以三个基分类器输出的类别概率值作为输入特征数据，以标签图为目标类别，对全连接网络进行训练，得到深度集成学习网络；

步骤4，采用深度集成学习网络对测试集中样本进行分类，输出对应预测类别标签。

本发明与现有技术相比具有以下优点：

(1)本发明可以针对特定的应用，构建不同的基分类器，并在基分类器上取得良好的准确率，进而通过合适的组合策略对基分类器进行集成，得到比单一分类器更好的分类精度。