[发明专利]一种基于深度学习的遥感地块识别方法

说明书

本发明公开了一种基于深度学习的遥感地块识别方法，包括：标注遥感地块影像，构建深度学习所需数据集；对深度学习所需数据集进行数据增强处理；将增强处理后的数据集进行图像压缩和预处理；将数据集进行划分，获得不同波段图像组合的数据集；进行分类模型的训练，根据训练结果，获得最佳波段组合结果；将制作好的抗干扰数据集在最佳波段组合结果中继续训练分类模型；通过训练好的分类模型对陌生遥感地块影像进行识别。本发明在U‑Net框架结构中融合了金字塔池化模块对跳跃连接层进行改造，并使用全连接条件随机场进一步处理框架尾部输出，可以更好地表征遥感图像中复杂的细节信息，从而提高识别结果精度和效果。

技术领域

本发明属于图像处理和模式识别领域，涉及遥感地块识别技术，具体涉及一种基于深度学习的遥感地块识别方法。

背景技术

我国自古以来农业用地复杂丰富，近年来，人口的不断增长和耕地资源的减少，促使我国现代化农业生产向集约化、精准化方向发展，因此及时了解农作物空间分布、长势、产量以及农业灾害等信息，对于实现科学管理和农作物增产、辅助政府决策者宏观掌握粮食生产和调控农产品贸易具有重要意义。但基于传统方法的图像处理技术很难在多波段，高分辨率的遥感影像中取得较好的结果。

传统遥感影像的分类方法有非监督分类和监督分类两种。其中被广泛使用的方法主要有：支持向量机的高光谱遥感图像分类方法、基于极大似然分类的高光谱遥感图像分类方法和基于随机森林的高光谱遥感图像分类方法。

2015年Long等人设计了全卷积神经网络，通过上采样层将对这个特征图一层一层地恢复到输入图像的大小，最后实现对每一个像素进行分类，从而得到像素级的分类结果。

2017年Zhao等人设计了一个五层的卷积神经网络，用来得到深层次的抽象语义信息，同时还使用了面向对象的方法得到了图像的形状、拓扑结构等特征。然后对这两种特征进行了融合操作，再利用融合特征进行分类。

传统遥感影像的分类方法只设计了一两层较浅的隐藏层，所以在分类过程中输入特征向量的变换次数较少，无法完全表征图像中复杂的信息，尤其在特征差异巨大，光谱纹理复杂的高分辨遥感影像数据集中进行分类的效果有限。并且，此类方法一般都需要较多的人工参与特征选取和参数设定，在消耗大量人力的同时也无法统一量化分类标准，间接或直接的影响了分类结果的精度。

一般的卷积神经网络分类方法主要对图片的整体特征进行学习，每个图片只能包含一种地物类别，在将图像输入网络训练前，需要耗费大量的时间将遥感图像切割为只含待分类地物的小图片块，同时这种方法得到的分类结果在图片块的周围会明显的不连续，边缘往往呈锯齿状，因此普通的卷积网络并不能在边缘细节上进行完善的处理。另外，因为网络模型中的全连接层参数量固定，这种方法使得输入图像的大小也受到了限制，无法给出像素级的分类结果，高分辨率细节信息丢失问题更为严重，准确度不高。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于深度学习的遥感地块识别方法。

技术方案：为实现上述目的，本发明提供一种基于深度学习的遥感地块识别方法，包括如下步骤：

S1：标注遥感地块影像，构建深度学习所需数据集；

S2：对深度学习所需数据集进行数据增强处理；

S3：将增强处理后的数据集进行图像压缩和预处理；

S4：将步骤S3处理好的数据集进行划分，获得不同波段图像组合的数据集；

S5：将步骤S4获取的不同波段图像组合的数据分别放到搭建好的深度学习神经网络模型中进行分类模型的训练，根据训练结果，获得最佳波段组合结果；

S6：将制作好的抗干扰数据集放入到步骤S2，在最佳波段组合结果中继续训练分类模型；