[发明专利]基于深度学习的高分辨率遥感影像农作物分类方法

摘要

本发明公开了一种基于深度学习的高分辨率遥感影像农作物分类方法，属于卫星遥感图像处理与应用的技术领域。本发明目的是解决现有高分辨率遥感影像在对农作物分类中存在的地物边界模糊、算法复杂度高与忽略特征波段信息等缺点，以及目前神经网络方法无法对高分辨率遥感图像进行农作物分类的问题。本发明采用36波段的组合方式，结合本发明所设计分VGG神经网络结果，利用VGG神经网络的深度学习，通过多次迭代达到了对10m分辨率的高分辨遥感影像中的农作物地块进行准确的分类。

主权项

1.基于深度学习的高分辨率遥感影像农作物分类方法，其特征在于，该方法的具体步骤如下：步骤一、影像预处理：获取到的高分辨率遥感影像是进行过几何精校正的正射影像，对该影像进行辐射定标与大气校正，然后对处理好的遥感图像进行图像剪裁选取需要的图像区域；步骤二、图像分割：对获取到的高分辨率遥感影像的各特征波段进行分割操作；采用Felzenszwalb分割算法，对图像进行分割操作，各地物之间的边界变得清晰；步骤三、高分辨率遥感影像的特征波段组合：针对多时相遥感影像的波段信息进行特征波段组合，提出一种36波段的组合方式；基于36波段的特征波段组合里包括3景的多时相遥感影像中的红波段、绿波段、蓝波段、近红波段、3个红边波段、2个短波红外波段、归一化植被指数NDVI、归一化水指数NDWI和差值植被指数DVI；所述的归一化植被指数NDVI的公式如式(1)所示：NDVI＝(NIR‑R)/(NIR+R)                         (1)其中，NIR为近红外波段的反射值，R为红光波段的反射值；归一化水指数NDWI的公式如式(2)所示：NDVI＝(NIR‑R)/(NIR+R)  (2)其中，G为绿光波段的反射值，NIR为近红外波段的反射值；差值植被指数的缩写是DVI的公式如式(3)所示：DVI＝NIR‑R  (3)其中，NIR为近红外波段的反射值，R为红光波段的反射值；步骤四、训练集的选取：在获取到的遥感影像中根据实地考察结果和不同的作物类型表现出不同的光谱特征，为不同的作物类型选择出符合光谱特征的训练样本，并基于像素点分类，其中80％的像素点进行训练，20％的像素点进行测试；步骤五、神经网络分类算法：采用VGG算法对36个特征波段组合的遥感影像进行分类，经过1500次迭代后，得到农作物的分类结果；所述的VGG网络结构如下：(a)VGG网络的第0层为输入层，输入图像大小为6×6×1，分别代表了高分辨率遥感影像的36个波段；(b)输入层之后为VGG网络的第一部分；VGG网络的第一部分由两个相同的连续的卷积层Conv2D、激活层Activation和池化层MaxPool2D组成，卷积层设定的参数如下：滤波器的个数filters＝64，内核大小kernel_size＝2，输出特征图大小的计算方式为padding＝'SAME'，填充padding＝1，步长strides＝1，输入图像经过卷积后，即卷积层输出特征响应图的尺寸为6×6×64，两个相同的连续的卷积层Conv2D之后为激活层Activation，使用的激活函数是Relu，激活层Activation之后为池化层MaxPool2D，池化层参数如下：内核大小kernel_size＝2，输出特征图大小的计算方式为padding＝'SAME'，填充padding＝0，步长strides＝2，池化方式为最大池化，即池化层输出特征响应图的尺寸为3×3×64；(c)VGG网络的第二部分由两个相同的连续的卷积层、激活层和池化层组成，卷积层参数具体如下：滤波器的个数filters＝128，内核大小kernel_size＝2，输出特征图大小的计算方式为padding＝'SAME'，填充padding＝1，步长strides＝1，输入图像经过卷积后，即卷积层输出特征响应图的尺寸为3×3×128，激活层使用的激活函数是Relu，池化层参数具体如下：内核大小kernel_size＝2，输出特征图大小的计算方式为padding＝'SAME'，填充padding＝1，步长strides＝2，池化方式为最大池化，即池化层输出特征响应图的尺寸为2×2×128；(d)VGG网络的第三部分由三个相同的连续的卷积层、激活层和池化层组成；卷积层参数具体如下：滤波器的个数filters＝256，内核大小kernel_size＝2，输出特征图大小的计算方式为padding＝'SAME'，填充padding＝1，步长strides＝1，输入图像经过卷积后，即卷积层输出特征响应图的尺寸为2×2×256，激活层使用的激活函数是Relu，池化层的参数具体如下：内核大小kernel_size＝2，输出特征图大小的计算方式为padding＝'SAME'，填充padding＝0，步长strides＝2，池化方式为最大池化，即池化层输出特征响应图的尺寸为1×1×256；(e)VGG网络的第四部分由两个连续的全连接层Dense组成，两个全连接层Dense的神经元个数均为1024个，其中，第一个全连接层Dense的输入个数为1×1×256，经扁平化后变为1×256，权重系数w为256×1024，偏置b为1024，输出个数为1×1024；第二个全连接层Dense的输入个数为1×1024，权重系数w为1024×1024，偏置b为1024，输出个数为1×1024；(f)构建VGG网络的第5部分；其中，第5部分为输出层，神经元个数是4个，输入个数为1×1024，权重系数为1024×4，偏置b为4，输出个数为4，输出的结果为四类作物的可能概率，概率值最大的索引值对应该像素点的作物分类。