[发明专利]一种基于图卷积神经网络的遥感影像地物识别方法

说明书

本发明公开了一种基于图卷积神经网络的遥感影像地物识别方法，对一景遥感影像进行分块处理，制作训练集和测试集；基于简单线性迭代聚类算法进行超像素分割；基于投票机制的结合策略进行超像素标签制定；基于深度卷积神经网络进行自动特征提取，制作图卷积神经网络的输入参数集；基于自适应注意力机制训练图卷积神经网络模型。本发明通过首先利用超像素分割和绝大多数投票机制来构造遥感影像地物类别特征描述集，获得关于遥感影像地物类别近似刻画，同时大规模约减了同一幅影像图谱构建的数据量，有利于处理大数据样本下的遥感影像地物分类问题；最后通过融合型特征图谱集训练图卷积神经网络，从而达到精确区分地物类型的目的。

技术领域

本发明涉及基于遥感卫星成像技术的地物类型识别领域，具体为一种基于图卷积神经网络的遥感影像地物识别方法。

背景技术

随着人工智能相关技术飞速发展，深度学习在很多领域取得突破性成果。其中卷积神经网络依靠其局部特征提取、参数共享、全局池化等特点在图像识别中取得较为突出的成绩。在遥感影像处理领域，基于卷积神经网络的遥感影像分类是目前的研究热点之一。其分类精度较高，泛化能力较强。但同时也存在一些问题。在模型构建方面，用于分类的卷积神经网络模型的网络层次结构很少被直接调整，而是采用经典卷积神经网络模型对分类样本进行特征提取，再结合传统遥感影像分类模型进行分类工作，对卷积神经网络结构调整及迁移学习在遥感影像分类中的相关研究及应用较少。由于遥感影像包含信息量较多，而且数据应用情况远滞后于其数据获取能力，所以如何把这些海量的图像进行快速的分类是加快遥感图像利用率的关键所在。近来，越来越多的研究开始将深度学习方法应用到图数据领域。近年来，受到卷积神经网络在计算机视觉领域所获巨大成功的激励，涌现出很多基于谱图数据重新定义卷积概念的方法。基于图卷积神经网络聚集近邻节点的信息，直接在图结构上执行卷积。再通过采样策略，计算可以在一个批量的节点而不是整个图中执行，可以有效提高效率。然而，如何利用基于图卷积神经网络应用于遥感影像并构建高精度分类器还亟需进一步研究与发展。因此，本发明提供了一种基于图卷积神经网络的遥感影像地物分类识别，能够根据一部分的地物真实数据精确地识别出地物类型。

发明内容

本发明的目的在于依据遥感卫星成像技术提供一种基于图卷积神经网络的遥感影像地物识别方法，基于不同遥感影像训练数据集，首先提取训练数据集中地物类型特征图谱，形成各个地物类别特征描述集，进而采用深度卷积神经网络对遥感影像地物特征描述集中各个类别特征图谱进行学习与融合，获取该地物类型节点、边等特征描述，再采用图卷积神经网络对融合后的图特征进行节点分类模型训练，确定遥感影像分类模型参数，最终实现对未标记影像地物的精确识别。

为实现上述目的，本发明提供如下技术方案：一种基于图卷积神经网络的遥感影像地物识别方法，该方法包含以下步骤：

步骤1：取一景遥感影像分别进行相关预处理操作，包括几何校正、大气校正和图像增强，将彩色遥感影像转化为XY坐标下的灰度图像或者CIELAB颜色空间，对其进行简单线性迭代聚类，初始化种子点，生成紧凑、近似均匀的超像素；

步骤2：基于生成的超像素遥感影像图，创建图谱的节点和边，对影像进行提取纹理特征、颜色特征作为图谱输入特征矩阵；

步骤3：结合集成学习的绝大多数投票机制进行标签制作，若某地物标记得票超过一半，则将超像素预测为该地物类别，否则拒绝标记，进而形成图谱的标签数据集；

步骤4：利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取，得到关于影像图的节点和边输入数据，形成关于遥感影像特征描述集；

步骤5：基于遥感影像特征描述集，训练图卷积神经网络模型，获得影像地物分类模型并对测试样本分类。

作为本发明的一种优选技术方案，所述步骤1-4中是对遥感影像提取其地物类别特征描述集，所述步骤5中提出的是基于图卷积神经网络的地物分类模型。