[发明专利]一种遥感影像场景分类方法及装置

说明书

本发明提供了一种遥感影像场景分类方法及装置，方法包括：基于压缩后的卷积神经网络，提取输入遥感影像图片的图片特征向量；基于所述图片特征向量，使用聚类支持向量机对所述图片进行场景分类。本发明提出的一种遥感影像场景分类方法及装置，通过对卷积神经网络进行压缩，减少了卷积神经网络的模型参数，在不降低场景分类精度的条件下显著降低了占存储空间大小，并且采用先聚类后分类的策略，加快了分类速度，提高了分类效率。

技术领域

本发明涉及信息处理技术领域，更具体地，涉及一种遥感影像场景分类方法及装置。

背景技术

随着我国航天技术的发展，越来越多的高分卫星被发射到太空中来获取地球表面数据，发射到太空中的高分卫星能起到灾害监测、农业估产以及军事侦查等作用。通常从高分卫星传送到地面上的数据画幅巨大，为了充分利用这些大量的大幅的高分遥感数据，场景分类是非常重要的预处理手段，它对后续进一步的目标识别、变化检测、图像检索等任务的有着重要帮助。

目前，遥感影像场景分类的方法主要有以下几种：基于手工特征方法，该方法采用一些已经成熟的算子提取图像的局部或全局特征，然后用特征信息代替图像原本的信息输入分类器对图像进行分类操作；基于图像统计信息的方法，该方法采用全局图像的某些统计学信息来表征图像的性质，从而实现对图像的分类操作；基于深度学习的方法，该方法采用卷积神经网络的方法在自然图像的基础上进行训练和测试。

基于深度学习的方法在高分影像场景分类的任务中取得了很好的效果。但是，对于遥感影像而言，分类精度依然达不到预期的目标，这是因为目前用于该任务的模型大多是在自然图像的数据集上训练得到的，对于遥感影像的针对性不强，并且由于遥感影像的数据集中的特征参数较少，而卷积神经网络的参数多、模型大、计算消耗大，很容易造成对遥感影像图片的过拟合，因此很难在移动设备上存储并很好地应用到实际任务中。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种遥感影像场景分类方法及装置。

根据本发明的提供的第一方面，提供一种遥感影像场景分类方法，包括：

基于压缩后的卷积神经网络，提取输入遥感影像图片的图片特征向量；

基于所述图片特征向量，使用聚类支持向量机对所述图片进行场景分类。

其中，所述压缩后的卷积神经网络中：

删除所述卷积神经网络中的全连接层；

减少所述卷积神经网络中卷积核的参数数量；

对应的减少所述卷积神经网络中卷积核的输入通道数量。

其中，所述基于所述图片特征向量，使用聚类支持向量机对所述图片进行场景分类，包括：

基于所述图片特征向量和预设的相似场景判别条件，将具有相似场景特征向量的图片聚类；

对聚类后的图片使用支持向量机进行分类。

其中，所述相似场景判别条件为：

其中，x₁,x₂为输入的第一、第二特征向量，λ为预设的相似场景判别因子。

其中，所述方法还包括：

采用遥感影像图片数据集对压缩后的卷积神经网络以及所述聚类支持向量机进行训练。

其中，所述采用遥感影像图片数据集对压缩后的卷积神经网络以及所述聚类支持向量机进行训练，还包括：

将所述遥感影像图片数据集中各个图片左右反转后的图片添加进所述遥感影像图片数据集中；