[发明专利]基于双向特征迭代融合的遥感图像场景分类方法

说明书

本发明公开了一种基于双向特征迭代融合的遥感图像场景分类方法属于图像处理领域。首先，以ResNet34网络模型为基础，设计一个新型深度卷积神经网络；其次，将遥感图像输入网络中进行训练，将ResNet34中除第一阶段外各阶段最后卷积层输出作为后续的输入特征，共四组；接着，新型的双向特征迭代融合网络结构中设计有Top‑Down、PostProcessor、Down‑Top三个子模块，四组输入特征分别送入该结构后生成对应尺度的输出特征；最后，将最高级别输出特征经全局平均池化层后输入全连接层，将全连接层的输出作为SoftMax层的输入，实现对遥感图像进行分类。

技术领域

本发明属于图像处理领域，尤其涉及一种基于双向特征迭代融合的遥感图像场景分类方法。

背景技术

遥感，泛指远程非接触式的探测技术。由于不同物体对同一波段电磁波的波谱效应具有明显差异，遥感技术设备根据此原理分析物体波谱图，从而实现对远距离物体的识别。通用的遥感技术可以分为多光谱、高光谱、合成孔径雷达，生成的遥感图像具有不同的空间分辨率、光谱分辨率和时间分辨率。空间分辨率，是指遥感图像上能够详细区分的最小单元的尺寸或大小。随着遥感技术的不断发展，遥感图像的空间分辨率呈级数提高：2012年发射的法国SPOT-6卫星可提供全色1.5m分辨率的高清晰地面图像；2014年发射的美国WorldView-3卫星可以提供全色0.3m分辨率的高清晰地面图像。近年来，我国遥感技术取得长足发展，地面像元分辨率最高可达亚米级：2018年我国发射的GF-11卫星能够实现10cm或更小的地面图像分辨率。

高空间分辨率遥感图像具有丰富的地物纹理信息，常应用于国土普查、地物分类和变化检测等领域，为重大计划的实施提供信息保障。目前，由于高分遥感图像数据量巨大，如何更准确无误地将遥感图像根据职能划分为不同种类是学术界尤为关注的课题。实际上，样本特征提取的有效性、独特性对高分遥感图像分类精度有极其重要的影响。

公开号CN110443143A一种多分支卷积神经网络融合的遥感图像场景分类方法，通过将预处理后的数据分别通过对象检测网络和注意力网络获得对象掩码图和注意力图；将原图像、对象掩码图和注意力图训练集分别输入到一个CNN网络进行微调，分别获得最优分类模型；再将三组测试集作为输入分别通过最优分类模型获得Softmax层的输出，最后将三组Softmax层的输出通过决策级融合，获得最终的预测结果。但是，三组网络模型导致模型参数量大，特殊情况下较为复杂，不利于分类精度的提高。

公开号CN110555446A一种基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法，首先使用高斯金字塔算法获得多尺度的遥感影像，输入到全卷积神经网络中，提取到多尺度深度局部特征；然后将图像裁剪到CNN所需固定大小，输入网络中获得全连接层的全局特征，使用紧凑双线性池化操作编码多尺度深度局部特征和CNN获得的全局特征，通过融合两种深度特征共同表示遥感影像，增强特征之间的相互关系；最后利用迁移学习技术，结合上述两种方法，对遥感影像场景进行分类。该方法虽然融合了遥感图像的全局特征和局部特征，丰富了特征信息，但其多尺度深度局部特征的语义信息和空间信息分布不均，对分类结果而言有提高空间。

综上，现有的高分遥感图像分类方法，存在的诸多不足，主要表现在：

(1)现有的遥感图像分类方法重点关注于最后一层卷积层的高级特征，高级特征更注重语义信息，丰富的语义信息能够使网络准确的检测目标。而遥感图像场景分类不同于普通物体分类，特征物体的周围环境(体现为空间信息)也能帮助于网络分类，这导致图像分类精度不高；

(2)传统的多尺度特征提取的不同尺度的特征图对整体结果的贡献度相同，经实验验证表明对不同尺度的特征图进行加权融合可以提高分类精度。并且采用传统加权形式的网络收敛速度慢。

发明内容