[发明专利]基于深度学习的多模态遥感影像高层特征融合分类方法

说明书

本发明涉及一种基于深度学习的多模态遥感影像高层特征融合分类方法，其包括以下步骤：多模态遥感数据集的预处理，制作高层特征提取器的训练集、验证集、测试集，用于高层特征提取器模型参数的构建；多模态高层特征提取器的模型构建，用于提取多个模态遥感影像的高层特征；多模态遥感影像高层特征的提取与存储，用于多分类器的训练、验证与测试；高层特征融合算法，用于制作分类器的训练集、验证集与测试集；分类器模型参数的构建，用于新产生的数据集的分类。本发明通过深度学习可以在遥感影像地物分类中取得显著效果，适用于复杂、海量的遥感影像分类，具有精度高、快速、高效、安全的特点，从而提高遥感影像的利用率以及遥感影像的利用价值。

技术领域

本发明涉及机器学习领域，尤其涉及深度学习领域，具体涉及一种基于深度学习的多模态遥感影像高层特征融合分类方法。

背景技术

随着遥感技术的发展，高效的将遥感技术应用于区域性土地调查、定量提取土地利用信息、监测与评价环境等具有重要的研究价值。其中，遥感影像分类技术作为遥感应用的重要支撑已广泛应用于专题信息提取、变化检测、专题地图制作以及遥感数据库的建立。

遥感影像分类是遥感应用系统中的关键技术，其主要任务是根据地物电磁波辐射信息在遥感影像上的特征，判读识别地面物体的属性及其分布状况。虽然近年来遥感影像分类算法的研究取得了较大的进展，但其在现实中，由于地表地物成分、性质、分布情况的复杂性及成像条件等因素，实际影像会出现“同物异谱”和“同谱异物”的现象；应对各种遥感影像识别方法普遍通用性较差；现存的遥感影像识别方法过程复杂，不易操作。所以，如何提高遥感影像分类算法的精读和速度以适应上述挑战仍然是目前研究聚焦的核心。

遥感影像分类领域可分为单模态分类技术和多模态分类技术。单模态分类是基于一种模态遥感影像的分类算法，单模态分类方法中，在处理“同物异谱”和“同谱异物”等复杂问题时，无法很好地应对。多模态分类方法则更好地解决了遥感影像“同物异谱”和“同谱异物”给分类带来的挑战。

多模态遥感影像分类方法层出不穷，而且这个领域的发展趋势逐渐从传统的分类方法转向机器学习和信号处理的高级方法。在处理来自多个传感器、不同分辨率以及具有不同物理表达形式的多模态遥感影像时，虽然机器学习已经广泛应用于遥感影像分类，但是这类方法依然存在以下四个问题：(1)对多种模态的选择具有限制性；(2)遥感影像具有的光谱、维度、时相、分辨率等特点，使得数据处理具有严峻的挑战；(3)如何建立多种模态之间的相互关系用于提高遥感影像的分类精度有一定的难度；(4)随着遥感技术的发展，海量的遥感影像处理面临挑战。

专利文献CN104102929A，公开日2014.10.15，公开了一种基于深度学习的高光谱遥感数据分类方法，该方法首先对高光谱原始数据进行处理获得高光谱原始数据的光谱特征向量和空间特征信息；再对所述光谱特征向量和空间特征信息进行整合；由高光谱整合数据确定标记样本，并由标记样本中选择训练样本和测试样本；使用训练样本对构成深层网络的多层限制玻尔兹曼机进行预训练；使用训练样本对多层限制玻尔兹曼机构成的网络进行有监督学习；将测试样本输入微调后的多层限制玻尔兹曼机构成的网络，实现高光谱遥感数据的分类。该方法解决了现有对蕴含非线性特征的高光谱数据进行分类的方法存在分类精度低的问题。

专利文献CN105930877A，公开日2016.09.07，公开了一种基于多模态深度学习的遥感影像分类方法，该方法包括以下步骤：首先构建多模态遥感影像数据样本集，包括不同成像原理的多模态遥感影像；基于不同的数据模态，构建数据模态敏感的特征学习深度网络，采用不同模态数据分别训练相应的特征学习深度网络；建立模态间特征关联模型生成关联共享特征并训练；采用测试样本集输入训练微调后的多模态深度网络，实现遥感影像精准分类。该发明的优点表现在：有效利用多源遥感影像，挖掘模态间互补、合作信息，整个过程自动进行，减少了人工投入与主观人为因素导致的分类精度低，提高了分类精度。