[发明专利]遥感图像识别模型、方法及系统、服务器及介质

说明书

本发明公开了一种遥感图像识别模型、方法及系统、服务器及介质，属于图像识别分类技术领域，所述遥感图像识别模型采用UNet网络结构进行分割预测，并采用多个深度残差网络作为其编码器，使用多个反卷积组作为解码器对每个像素进行类别预测，且将编码器中较浅堆叠层的特征与解码器中深度堆叠层的特征进行连接操作。将预处理后的待预测图像输入到训练后的遥感图像识别模型中，分别得到图像的所有像素在不同类别的概率，选取概率最大的类别作为在对应像素上的分类结果。通过构建语义分割深度学习框架来减轻遥感图像中某一类别的小区域发生错分的问题，从而在特征提取阶段实现有效特征的增强。

技术领域

本发明涉及图像识别分类技术领域，尤其是涉及一种遥感图像识别模型、方法及系统、服务器及介质。

背景技术

随着数字媒体和信息时代的发展，使得互联网中蕴含的内容愈加丰富，其中包括海量的文本、图像和视频。随之，数据量的大幅提升促进了基于数据驱动方法的进步，如深度学习方法。计算机视觉是机器学习领域的一个分支，但随着深度学习技术的快速发展，现在的计算机视觉技术大都使用深度神经网络方法进行实现。目前深度学习领域中主要有四种神经网络，分别为卷积神经网络、循环神经网络、深度信任网络和生成对抗网络。近年来，基于卷积神经网络 CNNs 的深度学习方法越来越流行，并在计算机视觉的各种应用中取得了巨大的成功，如图像标注、目标检测、语义分割等。基于此，本发明使用深度卷积神经网络的方法对大分辨率的农业遥感图像进行语义分割。

遥感是指利用飞行器携带的传感器对目标进行远距离的勘测，其主要表现形式为远距离成像，成像分辨率高，且维度众多。随着成像技术的进步以及深度学习、计算机视觉方法的快速发展，遥感图像的获得成本降低，并对遥感图像的识别或分割处理更加精确，使得遥感图像应用广泛。遥感图像解译广泛应用于地理国情勘测、国土资源调查、城市建设、农业生产与森林防护等领域，它已经逐渐成为人们对地球地面理解的重要方式。计算机视觉方法中图像语义分割在遥感图像解译中扮演重要角色，是低高层遥感图像处理及分析的重要衔接。若语义分割后得到的遥感图像分割效果精准，就能提高遥感图像解译的可信度。

遥感图像的好处有：

（1）遥感图像获取信息受限制条件少，用途广、效益高。很多地方自然环境恶劣或极端危险地区，人类难以到达，采用不受地面条件限制的遥感技术，可以方便及时的获取宝贵资料。

（2）遥感图像可测量大范围数据资料，具有综合、宏观的特点。居高临下的获取航空相片或卫星图像，比在地面上的视域大得多，不受地形地物阻隔的影响，提供了便利的条件。

（3）遥感图像可以应用于地籍调查、城市规划、环境评价、精细农业、军事目标识别和灾害评估等领域，使人们可以准确的理解和处理目标任务。

目前，传感器硬件的不断升级增强，促使生成的图像中地物更加细致与逼真。然而，随着各个国家不断发射新型卫星和增加空间探测活动，导致每天获取到的遥感图像呈指数性增长。一直以来，对遥感图像的应用处于可视化解译阶段，自动化程度较低。一个重要原因是遥感图像语义分割方法的效率不足以支持现有的应用。因此，如何将数量如此庞大的遥感图像数据及时地进行语义分割是遥感领域研究的热点。遥感图像分割是面向对象遥感图像分析方法的基础和关键，在遥感图像工程中处于图像处理与理解的中间环节，是面试对象遥感图像分析理论研究的突破口。图像信息提取自动化程度低是其应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。

目前遥感图像语义分割主要困难有：

（1）遥感图像分辨率逐渐提高，促使蕴含的信息增多，使数据提取越发困难。虽然最近火热的深度学习可以进行大规模的数据训练，从而提高了效率，但是模型的训练数据需要大量的带人工标注的遥感图像数据。然而进行大量的人工标注工作不符合实际，这就自然而然地陷入了一个矛盾体。目前尚无一个像 ImageNet如此大规模的有标注性的公众数据集供研究使用。