一种基于全卷积网络的遥感影像地表覆盖分类方法技术

本发明专利技术涉及一种基于全卷积网络的遥感影像地表覆盖分类方法，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U‑NetBN，建立遥感影像地表覆盖分类模型；步骤S3：通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。该方法综合考虑了FCN和U‑Net两种不同结构的全卷积网络的特点，有利于提高遥感影像地表覆盖分类的性能。

A method of remote sensing image surface coverage classification based on total convolution network

The present invention relates to a surface coverage classification method for remote sensing images based on full convolution network, which comprises the following steps: (1) data enhancement for a data set with limited data quantity to generate a training set whose data quantity and quality meet the training requirements; and (2) fusion of an improved full convolution network FCN4s and an improved U-shaped full convolution. Integral network U NetBN is used to establish the classification model of remote sensing image surface coverage. Remote sensing images are classified and predicted by pixel level. This method takes into account the characteristics of two different full convolution networks, FCN and U_Net, and is helpful to improve the performance of remote sensing image surface coverage classification.

【技术实现步骤摘要】
一种基于全卷积网络的遥感影像地表覆盖分类方法
本专利技术涉及图像处理及计算机视觉领域，特别是一种基于全卷积网络的遥感影像地表覆盖分类方法。
技术介绍
随着卫星遥感图像和航空遥感图像分辨率的不断提高，人们可以从遥感图像中获得更多有用的数据和信息。遥感影像的地表覆盖分类是遥感研究领域的重要内容，在国土、国防、测绘、农业、城市、防灾减灾等各个领域都有很强的应用价值，因此提高遥感影像地表覆盖分类的精度具有非常重要的意义。最先出现的遥感影像地表分类方式是图像目视解译技术，即通过人工方式对影像进行标注，虽然精度较高，需要花费大量时间且灵活性差。随着机器学习技术的发展，基于遥感影像的数字图像分析技术也得到了一定程度的发展。LefeiZhang等人引入了块对其框架，以最佳方式线性组合光谱、纹理和形状特征等多种特征,考虑每个特征的特定统计特性以实现物理意义上的多特征的低维统一表示，进而有效的对遥感图像进行分类。佃袁勇等人采用SVM分类模型将傅里叶谱分解算法与光谱信息结合并成功应用到像素级别的高分辨率遥感影像的地表覆盖分类中，对针对以农、林为主体的高分辨率遥感影像的分类问题有很大的实用价值。目前，关于像素级别的遥感影像地表覆盖分类的相关研究还很少，传统的基于机器学习的分类方法，为了对一个像素分类，需要使用该像素周围的一个图像的信息块作为输入用于训练和预测，相邻的像素块基本上是重复的，针对每个像素块逐个计算也有很大程度上的重复，存储开销很大、计算效率低下，需要找到一种更准确、高效的像素级别的遥感卫星地表覆盖分类方法以满足现有的应用的需求。近年来，深度学习在图像分类、目标检测和图像语义分割等领域取得了一系列突破性的进展，相比于传统的机器学习方法具有更强的特征学习和特征表达能力。随着全卷积网络的提出，将图像级别的分类进一步延伸到像素级别的分类，高效的解决了语义级别的图像分割问题。
技术实现思路
本专利技术的目的在于提供一种基于全卷积网络的遥感影像地表覆盖分类方法，该方法有利于提高遥感影像地表覆盖分类的性能。为实现上述目的，本专利技术采用的技术方案是：一种基于全卷积网络的遥感影像地表覆盖分类方法，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U-NetBN，建立遥感影像地表覆盖分类模型；步骤S3：利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用步骤S3训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。进一步地，所述步骤S1中，首先，对数据集中遥感图像进行多种不同尺度的拉伸和缩放，以增加数据的多样性；然后，将数据集中单张大图的遥感图像有重叠的划分为相同尺寸大小的图块，且每个图块生成对应的镜像图像来进一步增强数据，进而得到在数据数量和质量上满足模型训练要求的数据集。进一步地，所述步骤S2中，按如下步骤建立所述遥感影像地表覆盖分类模型：步骤S21：在FCN8s网络的基础上，加入第2层卷积层的输出，以融合更浅层的特征，建立FCN4s网络；步骤S22：在U型全卷积网络U-Net基础上，在每个卷积层和ReLU层中间增加一个BN层，建立U-NetBN网络；步骤S23：利用步骤S1得到的训练集，分别训练FCN4s与U-NetBN两个网络，然后通过对FCN4s和U-NetBN两个网络预测概率的加权平均进行模型融合，得到遥感影像地表覆盖分类模型；遥感影像地表覆盖分类模型预测(p,q)位置的像素点为类别c的概率为计算公式为：其中，x表示输入图像，c是类别标记，C表示总类别数，表示FCN4s网络在权重ωFCN4s时预测(p,q)位置的像素点为类别c的概率，表示U-NetBN网络在权重ωU-NetBN时预测(p,q)位置的像素点为类别c的概率，β1和β2分别表示FCN4s网络和U-NetBN网络预测概率在遥感影像地表覆盖分类模型中所占的比重。进一步地，所述步骤S3中，利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，包括以下步骤：步骤S31：在训练阶段，使用交叉熵作为FCN4s网络和U-NetBN网络的损失函数，计算公式分别为：其中，表示在(p,q)位置的像素点是类别c的概率；步骤S32：FCN4s网络使用动量为0.95的随机梯度下降优化方法，初始学习率设为1×10-10，每隔两个完整训练批次下降到原来的0.7倍；ReLU6和ReLU7层后面的Dropout层的随机失活概率都设为0.5；U-NetBN网络使用动量为0.9的随机梯度下降优化方法，初始学习率设为1×10-4，每隔三个完整训练批次下降到原来的0.3倍；步骤S32：FCN4s网络使用动量为0.95的随机梯度下降优化方法，初始学习率设为1×10-10，每隔两个完整训练批次下降到原来的0.7倍；U-NetBN网络使用动量为0.9的随机梯度下降优化方法，初始学习率设为1×10-4，每隔三个完整训练批次下降到原来的0.3倍；采用步骤S1得到的训练集分别对FCN4s网络和U-NetBN网络进行训练，最后得到FCN4s网络和U-NetBN网络的最优参数。进一步地，所述步骤S4中，利用训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测，包括以下步骤：步骤S41：将待预测图像输入到步骤S3训练好的遥感影像地表覆盖分类模型进行预测，待预测图像在(p,q)位置的预测概率最大的类别为该位置的最终预测类别，计算公式如下：其中，P(p,q)表示待预测图像在(p,q)位置的最大预测概率对应的类别为最终预测类别。相较于现有技术，本专利技术的有益效果是：该方法综合考虑了FCN和U-Net两种不同结构的全卷积网络的特点，对FCN和U-Net网络进行改进，并结合两个网络的优点构建融合模型，以适用于遥感影像地表覆盖分类问题，从而显著提高了遥感影像地表覆盖分类的性能。该方法借助于卷积神经网络强大的特征学习能力，适用于数据分布不均衡、多种地表类型等复杂的地表覆盖分类问题，算法计算得到的分类效果接近人工标注的水平，具有很强的实用性和广阔的应用前景。附图说明图1是本专利技术方法的实现流程图。图2是本专利技术实施例中改进的FCN4s网络的结构图。图3是本专利技术实施例中改进的U-NetBN网络的结构图。图4是本专利技术实施例中遥感影像地表覆盖分类模型的结构图。具体实施方式下面结合附图及具体实施例对本专利技术作进一步的详细说明。本专利技术提供一种基于全卷积网络的遥感影像地表覆盖分类方法，如图1所示，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集。用于训练的遥感影像数据集一般是通过目视解译并人为手动勾画的方式得到的，需要耗费较大的人力，因此有必要使用一定的数据增强的方式进行增强。首先，对数据集中遥感图像进行多种不同尺度的拉伸和缩放，以增加数据的多样性；然后，将数据集中单张大图的遥感图像有重叠的划分为相同尺寸大小的图块，且每个图块生成对应的上下镜像和左右镜像图像来进一步增强数据。通过图像拉伸、图像缩放、有重叠的划本文档来自技高网...

【技术保护点】
1.一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U‑NetBN，建立遥感影像地表覆盖分类模型；步骤S3：利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用步骤S3训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。

【技术特征摘要】
1.一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U-NetBN，建立遥感影像地表覆盖分类模型；步骤S3：利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用步骤S3训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。2.根据权利要求1所述的一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，所述步骤S1中，首先，对数据集中遥感图像进行多种不同尺度的拉伸和缩放，以增加数据的多样性；然后，将数据集中单张大图的遥感图像有重叠的划分为相同尺寸大小的图块，且每个图块生成对应的镜像图像来进一步增强数据，进而得到在数据数量和质量上满足模型训练要求的数据集。3.根据权利要求2所述的一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，所述步骤S2中，按如下步骤建立所述遥感影像地表覆盖分类模型：步骤S21：在FCN8s网络的基础上，加入第2层卷积层的输出，以融合更浅层的特征，建立FCN4s网络；步骤S22：在U型全卷积网络U-Net基础上，在每个卷积层和ReLU层中间增加一个BN层，建立U-NetBN网络；步骤S23：利用步骤S1得到的训练集，分别训练FCN4s与U-NetBN两个网络，然后通过对FCN4s和U-NetBN两个网络预测概率的加权平均进行模型融合，得到遥感影像地表覆盖分类模型；遥感影像地表覆盖分类模型预测(p,q)位置的像素点为类别c的概率为计算公式为：其中，x表示输入图像，c是类别标记，C表示总类别数，表示FCN4s网络在权重ωFCN4s时预测(p,q)位置的像素点为类别c的概率，表示U-...

【专利技术属性】
技术研发人员：牛玉贞，陈培坤，郭文忠，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35