[发明专利]一种建立图像分类模型、图像特征分类的方法及装置

权利要求书

1.一种建立图像分类模型的方法，其特征在于，包括：

利用bagging算法对已有的训练样本集进行重采样，得到T个训练样本集；其中，T为预设的训练样本集的总数；训练样本集包括像元和对应的类别标识；

将每个训练样本集中的像元和对应的类别标识以组为单位，输入到初始的全卷积网络模型，得到T个训练后的全卷积网络模型；一组像元包含卷积核所定义的图像尺寸内的所有像元。

2.如权利要求1所述的方法，其特征在于，所述将每个训练样本集中的像元和对应的类别标识以组为单位，输入到初始的全卷积网络模型，得到T个训练后的全卷积网络模型，包括：

将每个训练样本集中的像元和对应的类别标识以组为单位，输入到初始的全卷积网络模型；

通过所述全卷积网络模型，对每组像元进行至少两次的卷积和池化处理，再进行一次反卷积处理，得到T个训练后的全卷积网络模型。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

在利用bagging算法对已有的训练样本集进行重采样之前，对所述训练样本集进行预处理；所述预处理至少包括下列之一：辐射校正、几何校正、正射校正、图像镶嵌和裁剪。

4.一种图像特征分类的方法，其特征在于，包括：

将待分类图像中的像元以组为单位，输入到预先建立的T个全卷积网络模型，得到T组一级分类结果；一组像元包含卷积核所定义的图像尺寸内的所有像元；

聚合T组一级分类结果，根据投票方法，确定所述待分类图像中的每个像元的最终分类结果。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

在将待分类图像中的像元以组为单位，输入到预先建立的T个全卷积网络模型之前，对所述待分类图像进行预处理；所述预处理至少包括下列之一：辐射校正、几何校正、正射校正、图像镶嵌和裁剪。

6.如权利要求4所述的方法，其特征在于，所述聚合T组一级分类结果，根据投票方法，确定所述待分类图像中的每个像元的最终分类结果，包括：

聚合T组一级分类结果，根据投票方法，确定所述待分类图像中的每个像元的二级分类结果；

通过非线性滤波方法，对所述二级分类结果进行滤波，得到所述待分类图像中的每个像元的最终分类结果。

7.如权利要求6所述的方法，其特征在于，所述通过非线性滤波方法，对所述二级分类结果进行滤波，得到所述待分类图像中的每个像元的最终分类结果，包括：

对所述二级分类结果进行膨胀和腐蚀运算，得到所述待分类图像中的每个像元的最终分类结果。

8.一种建立图像分类模型的装置，其特征在于，包括：

重采样模块，用于利用bagging算法对已有的训练样本集进行重采样，得到T个训练样本集；其中，T为预设的训练样本集的总数；训练样本集包括像元和对应的类别标识；

训练模块，用于将每个训练样本集中的像元和对应的类别标识以组为单位，输入到初始的全卷积网络模型，得到T个训练后的全卷积网络模型；一组像元包含卷积核所定义的图像尺寸内的所有像元。

9.如权利要求8所述的装置，其特征在于，所述训练模块包括：

输入子模块，用于将每个训练样本集中的像元和对应的类别标识以组为单位，输入到初始的全卷积网络模型；

训练子模块，用于通过所述全卷积网络模型，对每组像元进行至少两次的卷积和池化处理，再进行一次反卷积处理，得到T个训练后的全卷积网络模型。

10.如权利要求8所述的装置，其特征在于，所述装置还包括：

预处理模块，用于在利用bagging算法对已有的训练样本集进行重采样之前，对所述训练样本集进行预处理；所述预处理至少包括下列之一：辐射校正、几何校正、正射校正、图像镶嵌和裁剪。