一种基于多分支网络融合模型的光学遥感图像分类方法技术

本发明专利技术涉及一种基于多分支网络融合模型的光学遥感图像分类方法，该方法包括如下步骤：S1，构建多分支网络融合模型，包含一个主分支S、至少一个旁分支{Tk，k＝1，...，K，K≥1}；S2，采集光学遥感图像作为训练图像，并对训练图像进行类别标注，利用反向传播算法从已标注的训练图像中学习出多分支网络融合模型参数；S3，图像通过主分支S中的输入层I输入到已学习好参数的多分支网络融合模型中，图像经过主分支S的逐层处理和所有旁分支{Tk}的逐层处理，最后通过主分支S中的裁剪层W输出分类得分图像。本发明专利技术利用多分支网络融合了浅层和深层图像特征，极大地提高了光学遥感图像分类精度，并且能够一次生成与输入图像相同尺寸的密集语义分割结果，提高图像分类效率。

【技术实现步骤摘要】
一种基于多分支网络融合模型的光学遥感图像分类方法
本发属于光学遥感图像分类的
，尤其涉及一种基于多分支网络融合模型的光学遥感图像分类方法。
技术介绍
随着图像传感器技术的飞速发展及广泛应用，图像数据爆发式增长，图像数据量已成为海量级。常规的人工图像分类方法已不再可行，因此目前基于计算机视觉技术的图像自动分类已经成为一个炙手可热的研究课题。近年来研究者们已经提出许多图像分类方法，但现阶段光学遥感图像分类仍面临巨大挑战：光学遥感图像中内容复杂、物体类别繁多，图像场景特征类内差异非常大。早先的浅层方法没有利用多层次结构提取图像的分层特征，仅利用浅层特征和浅层分类器实现分类，由此浅层方法的表示能力、分类能力非常有限，图像分类精度不高。近年来，随着深度学习的发展，许多基于深度学习的图像分类方法也被提出，如SAE(stackedautoencoder)、DBN(deepbeliefnetwork)、CNN(convolutionalneuralnetwork)等深度模型，虽然基于深度模型的方法相比浅层方法极大提高了图像分类精度，但是针对复杂光学遥感图像，分类精度仍然有待提高。另外大部分深度本文档来自技高网...

【技术保护点】
一种基于多分支网络融合模型的光学遥感图像分类方法，其特征在于,该方法包括如下步骤：S1，构建多分支网络融合模型，包含一个主分支S、至少一个旁分支{Tk，k＝1，...，K，K≥1}，其中K表示旁分支的条数；S2，采集光学遥感图像作为训练图像，并对训练图像进行类别标注，利用反向传播算法从已标注的训练图像中学习出多分支网络融合模型参数；S3，图像通过主分支S中的输入层I输入到已学习好参数的多分支网络融合模型中，图像经过主分支S的逐层处理和所有旁分支{Tk}的逐层处理，最后通过主分支S中的裁剪层W输出分类得分图像。

【技术特征摘要】
1.一种基于多分支网络融合模型的光学遥感图像分类方法，其特征在于,该方法包括如下步骤：S1，构建多分支网络融合模型，包含一个主分支S、至少一个旁分支{Tk，k＝1，...，K，K≥1}，其中K表示旁分支的条数；S2，采集光学遥感图像作为训练图像，并对训练图像进行类别标注，利用反向传播算法从已标注的训练图像中学习出多分支网络融合模型参数；S3，图像通过主分支S中的输入层I输入到已学习好参数的多分支网络融合模型中，图像经过主分支S的逐层处理和所有旁分支{Tk}的逐层处理，最后通过主分支S中的裁剪层W输出分类得分图像。2.根据权利要求1所述的光学遥感图像分类的方法，其特征在于，所述步骤S2为，设置光学遥感图像的种类数量，类别数为C，采集光学遥感图像作为训练图像，并根据所述光学遥感图像种类对训练图像进行类别标注，利用反向传播算法从已标注的训练图像中学习出多分支网络融合模型参数。3.根据权利要求1或2所述的光学遥感图像分类的方法，其特征在于，所述的主分支S依次包含一个输入层I、至少一个卷积层{ni，i＝1，...，N，N≥1}、至少一个激励层{lj，j＝1，...，L，L≥1}、至少一个降维层{mp，p＝1，...，M，M≥1}、至少一个上采样层{uq，q＝1，...，U，U≥1}、一个裁剪层W，当N＞1或M＞1时卷积层和降维层交叉排列，其中N表示卷积层的层数，M表示降维层的层数，L表示激励层的层数，U表示上采样层的层数。4.根据权利要求3所述的光学遥感图像分类的方法，其特征在于，在主分支S中，所述激励层lj中，每个激励层lj前面一层都为一个卷积层；主分支S中的最后一个卷积层nN的卷积核个数为所述类别数C。5.根据权利要求1所述的光学遥感图像分类的方法，其特征在于，所述的每条旁分支Tk依次包含一个卷积层ak、一个裁剪层bk、一个叠加层ck、一个上采样层dk；旁分支{Tk，k＝1，...，K，K≥1}中所有卷积层{ak，k＝1，...，K，K≥1}的卷积核个数都为所述类别数C。6.根据权利要求1所述的光学遥感图像分类的方法，其特征在于，所述步骤S3中包括：S31，所述主分支S中的输入层I接收图像输入；S32，主分支S中卷积层ni对相邻上一层的输出图像执行卷积操作，提取图像特征，并将特征图像输出；S33，主分支S中激励层lj利用纠正线性单元对相邻上一层卷积层的输出特征图像执行非线性函数计算，并将计算生成的图像进行输出；S34，主分支S中降维层mp对相邻上一层激励层lj的输出图像执行降维，并将降维图像输出；S35，主分支S中上采样层uq对相邻上一层的输出图像执行反卷积操作，实现对图像的升维，并输出升维图像；S36，从主分支S中选...

【专利技术属性】
技术研发人员：李叶，段江永，樊帅，郭丽丽，阎镇，饶骏，许乐乐，
申请(专利权)人：中国科学院空间应用工程与技术中心，
类型：发明
国别省市：北京,11