[发明专利]基于深度联合卷积激活的遥感图像场景分类方法

说明书

本发明公开了基于深度联合卷积激活的遥感图像场景分类方法，包括：利用至少两个卷积层中的卷积激活图进行特征提取，得到图像浅层纹理信息；利用图像浅层纹理信息和全连接层进行拼接，得到对应遥感场景图像的特征向量；基于遥感场景图像的特征向量训练分类器，得到遥感场景图像分类模型；获取测试遥感场景图像的特征向量，将测试遥感场景图像的特征向量输入至遥感场景图像分类模型，得到遥感场景图像分类结果。通过卷积激活图和全连接层进行特征表示，能够将图像浅层纹理信息和图像深层语义信息有效地结合到训练遥感场景图像的特征向量中，达到有效挖掘图像显著特征信息和几何结构信息的目的，从而提高遥感图像场景分类的正确率。

技术领域

本发明属于模式识别技术领域，更具体地，涉及一种基于深度联合卷积激活的遥感图像场景分类方法。

背景技术

遥感图像场景分类在模式识别领域扮演着重要的角色，它可以直接应用到自然灾害监测、土地使用和土地覆盖、地理空间物体检测等领域。在实际应用中，遥感图像场景分类是一个很有挑战性的研究方向，因为遥感图像场景存在类内差异性和类间相似性，还受到视角、空间分辨率多样性和复杂的背景等因素的影响。

近几十年遥感图像场景分类被广泛研究，一些早期的方法利用人工设计的特征结合各种分类器进行遥感图像场景分类。如Yang和Newsam等人从图像中提取SIFT(scaleinvariant feature transform，SIFT)描述子，并利用词包模型(bag of visual words，BOVW)获取图像最终的特征向量。但是，人工设计的特征有很大的局限性，只能获取单一的图像特征信息，不适用于复杂的场景。

随着深度学习技术的突破，大量基于深度学习技术的遥感图像场景分类方法被提出，并取得了很大的进步。其中，最有代表性的工作是基于卷积神经网络的遥感图像场景分类方法，如Cheng等人提出由交叉熵损失、权重衰减和度量学习正则项三部分组成的目标函数来训练一个判别性的卷积神经网络(discriminative convolutional neuralnetworks，D-CNNs)，以解决遥感场景图像类内差异性和类间相似性等问题。D-CNNs将卷积神经网络中的最后一个全连接层中的值作为图像的特征向量，获取了较好的遥感图像场景分类性能。为了挖掘更加完备的图像信息，研究者提出从卷积神经网络的卷积层挖掘互补的深层特征信息，如Cao等人利用注意力层对卷积神经网络的卷积层进行加权，以获取显著的图像特征信息，并进一步的利用支持向量机(super vector machine，SVM)获取遥感图像场景分类结果。He等人提取多层叠加协方差池化(multilayer stacked covariancepooling，MSCP)方法进行遥感图像场景分类。虽然以上方法取得了较大的成功，但是大部分方法仅仅使用单一卷积层中的卷积激活图进行特征表示而忽略了其他卷积层提供的信息，所以不能够充分保留图像显著特征信息和几何结构信息，从而影响了遥感图像场景分类的正确性。

发明内容

有鉴于此，本发明提供了一种基于深度联合卷积激活的遥感图像场景分类方法。

技术方案如下：一种基于深度联合卷积激活的遥感图像场景分类方法，其特征在于，该方法包括以下步骤：

S1，输入训练遥感场景图像到卷积神经网络，得到卷积激活图和全连接层；

S2，利用至少两个卷积层中的卷积激活图进行特征提取，得到图像浅层纹理信息；

S3，利用所述图像浅层纹理信息和所述全连接层进行拼接，得到对应遥感场景图像的特征向量；

S4，基于所述遥感场景图像的特征向量训练分类器，得到遥感场景图像分类模型；

S5，按照所述步骤S1-S3获取测试遥感场景图像的特征向量，将所述测试遥感场景图像的特征向量输入至所述遥感场景图像分类模型，得到遥感场景图像分类结果。

优选的，所述步骤S1中输入训练遥感场景图像到卷积神经网络，得到卷积激活图和全连接层包括：