[发明专利]基于U-Net神经网络的土地利用类型识别方法

说明书

本发明提供一种基于U‑Net神经网络的土地利用类型识别方法，包括以下步骤：S1:对输入卫星图片进行切割；S2:将切割后标准大小图片分别输入UNET网络；S3:将图片进行特征提取；S4:将提取特征进行上采样还原；S5:将还原结果进行SOFTMAX分类；S6:将图片分类结果输出为PNG格式图片。本发明提供的提高对少量样本训练后识别该土地利用类型的准确度；使用的UNET网络参数量只有7.76M，提高了识别速度。

技术领域

本发明涉及一种基于U-Net神经网络的土地利用类型识别方法，属于深度学习图像处理领域。

背景技术

U-Net网络现被广泛应用于医学影响处理领域的二分类网络。医学影像处理具有1.图像语义较为简单、结构较为固定。2.样本数量少的特点，该特点与土地利用类型识别具有一定相似性，但不满足土地利用类型多分类要求。

基于深度学习的土地利用类型识别方法，例如：Mask R-CNN、RESNet、VGGNet等深度学习算法，这些算法主要用于卫星图中的土地利用类型识别。其原理是基于深度学习框架，设计一个或多个神经网络，用大量数据进行模型训练，最后得到合理的模型进行土地利用类型识别。如Mask R-CNN网络的实例分割，先检测出图片中的不同样本类型，再进行语义分割。

该方法存在以下缺点：

1.基于MASK-RCNN、RESNET、VGGNET神经网络的算法网络复杂，需要大量数据训练来拟合网络参数，对少量数据的训练效果不理想；

2.已有神经网络参数量大，VGG参数量140M、RESNET参数量40M，导致处理速度不理想。

另外，基于传统图像算法的土地利用类型识别方法，例如：将图像灰度化处理、高斯滤波与sobel算子结合滤除噪声，图像增强后，八邻域法去除白色空洞、四邻域检测法去除褐色小区域，水漫算法感兴趣区域分离。矢量化后平滑边缘获得连续轮廓，最后采用freeman链码轮跟踪后获得区域轮廓后用线段连接得到矢量图像。

该方法存在以下缺点：

1.基于传统图像的土地利用类型识别方法的准确率较低；

2.能够识别的类型数量有待提升，仅能识别农田林地等特征非常鲜明的土地利用类型。

还有，基于UNET网络的医学影像识别系统。例如：基于UNET网络的肿瘤边界识别、基于UNET网络的病变区域识别。输入少量样本训练模型后对图像区域进行病变区域和正常区域的分类。

该方法存在以下缺点：

1.已有UNET网络为二分类网络，只能将影像区域划分为两部分，不能满足10种土地利用类型分类要求。

发明内容

针对上述技术问题，本发明提出一种速度快并且对少量数据处理效果较好的土地利用类型识别方法。

基于U-Net神经网络的土地利用类型识别方法，包括以下步骤：

S1:对输入卫星图片进行切割；

S2:将切割后标准大小图片分别输入UNET网络；

S3:将图片进行特征提取；

S4:将提取特征进行上采样还原；

S5:将还原结果进行SOFTMAX分类；

S6:将图片分类结果输出为PNG格式图片。

其中，步骤S3，对图片进行特征提取，得到特征图像feature map，对图片进行降维提取，具体方法如下：

将输入图片进行两次卷积；卷积结构统一为3x3的卷积核，padding为0，卷积核每次移动距离striding为1pixel；