[发明专利]一种基于卷积神经网络的遥感图像分类方法

说明书

本发明公开了一种基于卷积神经网络的遥感图像分类方法。本发明提出的卷积神经网络主要包括三个模块：主干网络模块，多尺度融合模块和分类头模块。其中主干网络模块把输入的RGB遥感图像变为不同分辨率的特征图；多尺度融合模块让主干网络产生的特征图之间进行多尺度融合，进一步提取各分辨率特征图中的语义信息；在分类头模块中，高分辨率的特征图被下采样至最低分辨率的特征图，然后将特征图送入池化层与分类器中，得到分类结果。本发明还在卷积神经网络中引入了空间和通道维度的注意力机制，使得分类结果更加准确。本发明公开的分类方法在一个名叫USTC_SmokeRS的公开遥感数据集上取得了迄今最高的分类精度95.25％。

技术领域

本发明属于视频图像处理领域，涉及一种基于卷积神经网络的遥感图像分类方法。

背景技术

遥感卫星的传感器具有观测范围广、成本低的优点。随着传感器技术的快速发展，遥感数据包含越来越多的信息且每天都能被获取，这些数据已经被用于各种任务中。火灾是一种常见的自然灾害，会对人类的安全和财产造成极大的危害，对火灾的检测和报警具有十分重要的意义。随着遥感技术的可用性和能力的不断提高，火灾监测和探测取得了重大进展。当发生火灾时，卫星会捕捉火灾产生的烟雾。人们把遥感图像中的烟雾当作火灾发生的信号。然而，烟的形状和颜色受到天气和地形等几个因素的影响。遥感数据中的一些场景，如云、霾，与烟雾非常相似，这也会增加烟雾识别的难度。因此，在遥感影像中正确区分不同场景具有重要意义。

分类技术能够识别不同的场景并被广泛的研究。在以前人们从图像中提取低层特征进行场景分类，所谓的低层次特征包括颜色、纹理等。但是，这些方法在区分烟、灰尘、雾霾、云这些颜色与纹理等都很相近的场景时可能并不适用。近年来，随着深度学习的发展，卷积神经网络被广泛应用于场景分类任务中。卷积神经网络具有类似人类大脑的能力，可以提取深层特征并区分不同的场景。大多数卷积神经网络分类模型的结构都是串联的，随着网络的深入，这些网络中特征图的分辨率降低。全连通层是由网络中分辨率最低的特征图生成的。但是，高分辨率特征图包含更多的语义信息。在遥感数据集中，像图像中的烟雾这样的语义信息是决定该图像所属类别的决定性因素。在高分辨率表示和低分辨率表示之间进行多尺度融合将使预测结果在空间上更加精确，并包含更多的语义信息。多尺度融合网络可以聚焦于图像上具有较多语义信息的区域，使预测更加准确。

发明内容

本发明的目的是为了解决上述问题，提供一种基于卷积神经网络的遥感图像分类方法。本发明在卷积神经网络中引入了空间和通道维度的注意力机制，使得分类结果更加准确。

为达到上述目的，本发明采用的方法是：一种基于卷积神经网络的遥感图像分类方法，该方法包括以下步骤：

步骤1：将遥感数据集按一定比例划分为训练集，验证集和测试集。

步骤2：建立卷积神经网络的主干网络。

步骤3：建立卷积神经网络的多尺度融合模块，并在此模块中引入注意力机制。

步骤4：建立卷积神经网络的分类头模块。

步骤5：加载训练集，对卷积神经网络进行训练。

步骤6：通过步骤5训练的网络，对遥感数据集进行分类。

作为本发明的一种改进，所述步骤1遥感数据集是一个名叫USTC_SmokeRS的公开数据集，此数据集共包含有6类场景共计6225张RGB图片。这6类场景分别是：烟，灰尘，雾霾，云，陆地和海岸。其中前四类场景十分相似，后两类场景陆地和海岸是前四类场景被拍摄时的背景。划分后，训练集包含3984张图片，验证集包含999张图片，测试集包含1242张(烟：203张；灰尘：201张；雾霾：200张；云：232张；陆地：205张；海岸：201张)图片。