[发明专利]考虑空间关系信息的城市遥感影像场景分类方法

说明书

本发明公开了考虑空间关系信息的城市遥感影像场景分类方法，包括以下步骤：将遥感影像进行均匀无重叠裁剪成子图；对每一个子图进行视觉信息编码，获得特征图像Fsubgt;V/subgt;；将Fsubgt;V/subgt;输入交叉传递单元获得层次化空间特征；对所述的层次化空间特征进行卷积降维；对降维后的特征进行softmax模型分类，获得分类结果。本发明方法综合考虑两种空间关系信息：局部空间信息和长程空间信息在分类中的作用，在交叉传递单元中设计了三种路径的信息融合，从而获得了较好的城市遥感影像场景分类结果。

技术领域

本发明属于遥感影像分析和深度学习技术领域，涉及大尺度高分辨率遥感影像的场景分类方法，具体涉及考虑空间关系信息的城市遥感影像场景分类方法。

背景技术

随着遥感影像分辨率的不断提高，影像的分析已经从面向像素和面向对象阶段进入了面向场景阶段。城市场景的准确提取分类对城市规划、交通运输等方面发挥着重要的作用。自2012年以来深度学习在数字图像处理中的迅速发展，国内外许多研究人员已经开始将深度学习技术与遥感影像分析分类结合。如：Liu等通过在卷积神经网络中引入多级金字塔结构，提出了SPP-Net+MKL模型，实现了多尺度的遥感影像分析(参考文献：LIU Q,HANGR,SONG H,et al.2017.Learning multiscale deep features for high-resolutionsatellite image scene classification.IEEE Transactions on Geoscience andRemote Sensing[J],56:117-126.)；Cheng等人则通过设计特殊的损失函数，提出了Discriminative CNNs模型，实现了对视觉上相似的不同遥感影像场景的分类(CHENG G,YANG C,YAO X,et al.2018.When deep learning meets metric learning:Remotesensing image scene classification via learning discriminative CNNs.IEEETransactions on Geoscience and Remote Sensing[J],56:2811-2821.)。与自然图片不同的是，遥感影像之间具有更加丰富的空间关系信息。由于自然图像之间几乎没有空间关系，因此基于自然图像分析的深度学习模型不能对于这种空间关系信息进行建模分析。同时，在建立用于模型训练的数据集时，往往影像与影像之间的信息会被抛弃。这两者使得深度学习模型在遥感影像上的总体表现不如其在自然图像上的表现。

发明内容

本发明的目的在于提供考虑空间关系信息的城市遥感影像场景分类方法，本发明方法综合考虑两种空间关系信息：局部空间信息(regional spatial relationship)和长程空间信息(long-range spatial relationship)在分类中的作用，从而获得了较好的城市遥感影像场景分类结果。

本发明的目的是这样实现的，包括以下步骤：

步骤1，将遥感影像进行均匀无重叠裁剪成子图；

步骤2，对每一个子图进行视觉信息编码，获得特征图像F_V；

步骤3，将F_V输入交叉传递单元获得层次化空间特征；

步骤4，对所述的层次化空间特征进行卷积降维；

步骤5，对降维后的特征进行softmax模型分类，获得分类结果；

步骤1中所述的裁剪过程为：尺寸M×N的大范围遥感影像I被均匀无重叠的滑动裁剪成m×n个子图，每个子图p_i，j的尺寸为其中，p_i，j在I中的行列号(i，j)作为空间信息保存；