[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

说明书

本发明公开了一种建立图像分类模型、图像特征分类的方法及装置，用以提高图像特征分类的准确度和鲁棒性。所述建立图像分类模型方法，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。

技术领域

本发明涉及计算机及通信技术领域，特别涉及一种建立图像分类模型、图像特征分类的方法及装置。

背景技术

随着遥感技术、模式识别和人工智能的发展，遥感影像分类研究取得快速发展。国内外学者提出多种遥感影像分类方法，如基于统计思想的最大似然法、基于机器学习的决策树法、随机森林法、支持向量机法以及BP(back propagation，后向传播)神经网络法等。相对于传统的统计方法，机器学习方法能获得更优的分类结果。但是无论是支持向量机还是BP神经网络都是属于浅层学习方法，随着样本数量的增加以及样本多样性的增强，浅层模型逐渐不适应复杂的遥感影像分类。深度学习技术的发展为遥感影像分类开辟了新的途径。深度学习作为神经网络的发展，通过建立深层的模型把原始遥感影像转变为更高层次、更加抽象的表达，从而提升分类的精度，相比前述的几种方法表现出较高的优越性。理论上模型层数越多，其结构也复杂，分类结果也精确，但是带来较长的模型训练时间。

发明内容

本发明提供一种建立图像分类模型、图像特征分类的方法及装置，用以提高图像特征分类的准确度和鲁棒性。

本发明提供一种建立图像分类模型的方法，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。

本发明的实施例提供的技术方案可以包括以下有益效果：本实施例中，利用bagging算法在每个训练样本集中增加部分像元的偏重。T个训练样本集中偏重的部分像元不同，从而训练得到T个全卷积网络模型，用于图像分类。本实施例得到多个全卷积网络模型，有助于后续分类更准确。

可选的，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。

本发明的实施例提供的技术方案可以包括以下有益效果：本实施例进行多次卷积和池化处理，使分类结果多次迭代、聚合，提高全卷积网络模型的准确度。

可选的，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。

本发明的实施例提供的技术方案可以包括以下有益效果：本实施例预先对训练样本集进行预处理，以减少图像的变形和其它干扰因素的影响，使图像更贴近标准化，有助于提高训练全卷积网络模型的准确度。

本发明提供一种图像特征分类的方法，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；