遥感图像场景识别方法及装置制造方法及图纸

本发明专利技术提供一种遥感图像场景识别方法及装置，属于图像识别技术领域。方法包括：基于预训练的深度卷积神经网络，提取遥感图像的深度特征；提取遥感图像的SIFT特征；根据SIFT特征及深度特征，确定遥感图像的场景类型。本发明专利技术通过基于预训练的深度卷积神经网络，提取遥感图像的深度特征。提取遥感图像的SIFT特征。根据SIFT特征及深度特征，确定遥感图像的场景类型。由于SIFT特征具有尺度不变性及旋转不变性，从而在识别遥感图像的场景类型时，可克服深度特征对遥感图像旋转变换或尺度变换敏感的问题，从而提高了识别遥感图像场景时的准确率。

Scene Recognition Method and Device of Remote Sensing Image

The invention provides a remote sensing image scene recognition method and device, which belongs to the field of image recognition technology. The methods include: extracting the depth features of remote sensing images based on the pre-trained depth convolution neural network; extracting the SIFT features of remote sensing images; determining the scene type of remote sensing images according to the SIFT features and depth features. The present invention extracts the depth features of remote sensing images through a depth convolution neural network based on pre-training. The SIFT feature of remote sensing image is extracted. According to SIFT and depth characteristics, the scene type of remote sensing image is determined. Because SIFT features have scale invariance and rotation invariance, the problem that depth features are sensitive to rotation or scale transformation of remote sensing images can be overcome when recognizing the scene type of remote sensing images, thus improving the accuracy of recognizing the scene of remote sensing images.

【技术实现步骤摘要】
遥感图像场景识别方法及装置
本专利技术涉及图像识别
，更具体地，涉及一种遥感图像场景识别方法及装置。
技术介绍
随着我国航天技术的发展，越来越多的高分卫星被发射到太空中以获取地球表面数据。基于高分卫星获取到的地球表面数据，可实现灾害监测、农业估产以及军事侦查。通常从高分卫星传送到地面上的数据画幅巨大，为了充分利用这些大量的巨幅高分遥感数据，场景分类是非常重要的预处理手段。通过对这些高分遥感数据进行场景分类，可对后续进一步的目标识别、变化检测、图像检索等任务有着重要帮助。遥感图像的场景识别方法分为两个方向：一是基于像素的图像识别，二是基于特征的场景识别。其中，基于像素的场景识别是基于自底而上的分层场景建模来实现场景识别。基于特征的场景识别是依照不同粒度的特征来实现场景识别。其中，特征按照不同粒度可以分为底层特征、中层特征及深度特征。对于第一个方向，在相关技术中，主要是从遥感图像像素开始分类，先对每个像素赋予一个标签，再通过迭代区域分割的方法得到遥感图像中不同区域的类型标记。最后，通过分类后的不同区域之间的空间关系，得到遥感图像的场景类型。对于第二个方向，在相关技术中，按照不同的特征粒度，可将识别遥感图像场景分为如下几种方式。第一种是基于底层特征来实现遥感图像的场景识别。其中，底层特征为人工设定的一些特征，可用来表达遥感图像的纹理、颜色及结构等。通过训练一个分类器来区分这些底层特征，可识别遥感图像的场景。第二种是基于中层特征来实现遥感图像的场景识别。其中，中层特征为对底层特征进行编码后所建立的字典，通过字典中特征组合可表达遥感图像。具体地，基于BOW(BagofWords，词包模型)的场景识别是其中一种基于中层特征的场景识别方法。该方法首先对遥感图像进行分块，提取这些图像块中的特征向量。然后对这些特征向量进行聚类，并将聚类中心作为字典。计算每幅图像的特征点与字典之间的距离，并统计落入每个字典中的特征点个数。这样可得到每幅图像的特征直方图，最后利用SVM分类器进行分类得到遥感图像的场景类型。基于主题模型的分类是另一种基于中层特征的场景识别方法，该方法最初用于文本分析领域。该方法应用在场景识别中时，可将图像特征作为文本分析中的单词。相应地，每幅图像即为文档，每幅图像的场景类别即为文档的主题，从而可得到每幅图像的场景类别。稀疏表达也是一种基于中层特征的场景识别方法，该方法首先利用稀疏字典学习方法得到一组基，然后将每幅图像的特征通过稀疏编码的方法投影到这一组基上，从而得到每幅图像的稀疏表达。最后，利用SVM分类器得到每幅遥感图像的场景类型。在实现本专利技术的过程中，发现相关技术至少存在以下问题：由于遥感图像通常具有旋转多变及尺度多变的特性，而在基于特征进行场景识别时，若遥感图像发生了旋转、尺度缩放或者亮度改变，则会影响识别结果，从而导致识别遥感图像场景时的准确率较低。
技术实现思路
由于相关技术在对遥感图像进行场景分类时，一般是基于提取到的遥感图像的特征来实现场景分类，而遥感图像通常具有旋转多变及尺度多变的特性，当遥感图像进行了旋转、尺度缩放或者亮度改变时，则会影响遥感图像的场景分类结果，从而造成场景分类的准确率较低。为了解决上述问题，本专利技术提供一种克服上述问题或者至少部分地解决上述问题的遥感图像场景识别方法及装置。根据本专利技术的第一方面，提供了一种遥感图像场景识别方法，该方法包括：步骤1，基于预训练的深度卷积神经网络，提取遥感图像的深度特征；步骤2，提取遥感图像的SIFT特征；步骤3，根据SIFT特征及深度特征，确定遥感图像的场景类型。本专利技术提供的方法，通过基于预训练的深度卷积神经网络，提取遥感图像的深度特征。提取遥感图像的SIFT特征。根据SIFT特征及深度特征，确定遥感图像的场景类型。由于SIFT特征具有尺度不变性及旋转不变性，从而在识别遥感图像的场景类型时，可克服深度特征对遥感图像旋转变换或尺度变换敏感的问题，从而提高了识别遥感图像场景时的准确率。结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，预训练的深度卷积神经网络包括卷积层、激励层、正则项、池化层及全连接层。结合第一方面的第一种可能的实现方式，在第三种可能的实现方式中，步骤3之前还包括：对提取的SIFT特征进行Fisher向量编码，得到相应编码的SIFT特征。结合第一方面的第一种可能的实现方式，在第四种可能的实现方式中，根据SIFT特征及深度特征，确定遥感图像的场景类型，包括：通过GRU(GatedRecurrentUnit，门控循环单元)神经网络模型，将SIFT特征及深度特征进行特征融合，得到融合后的图像表达特征；基于图像表达特征，确定遥感图像的场景类型。结合第一方面的第四种可能的实现方式，在第五种可能的实现方式中，通过GRU神经网络模型，将SIFT特征及深度特征进行特征融合，得到融合后的图像表达特征，包括：根据SIFT特征及深度特征，计算深度特征对应的重置率；根据SIFT特征、深度特征及重置率，计算初次融合特征；根据初次融合特征及深度特征，计算图像表达特征。结合第一方面的第五种可能的实现方式，在第六种可能的实现方式中，根据初次融合特征及深度特征，计算图像表达特征之前，还包括：根据SIFT特征及深度特征，计算初次融合特征对应的更新率；根据初次融合特征及深度特征，计算图像表达特征，包括：根据初次融合特征、深度特征及更新率，计算图像表达特征。结合第一方面的第四种可能的实现方式，在第七种可能的实现方式中，基于图像表达特征，确定遥感图像的场景类型，包括：将图像表达特征作为softmax分类器的输入量，通过softmax分类器，确定遥感图像的场景类型。根据本专利技术的第二方面，提供了一种遥感图像场景识别装置，该装置包括：第一提取模块，用于基于预训练的深度卷积神经网络，提取遥感图像的深度特征；第二提取模块，用于提取遥感图像的SIFT特征；确定模块，用于根据SIFT特征及深度特征，确定遥感图像的场景类型。根据本专利技术的第三方面，提供了一种遥感图像场景识别设备，该设备包括至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行上述第一方面或第一方面的各种可能的实现方式所提供的遥感图像场景识别方法。根据本专利技术的第四方面，提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使该计算机执行上述第一方面或第一方面的各种可能的实现方式所提供的遥感图像场景识别方法。应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本专利技术。附图说明图1为本专利技术实施例的一种遥感图像场景旋转多变以及尺度多变的示意图；图2为本专利技术实施例的一种遥感图像场景旋转多变以及尺度多变的示意图；图3为本专利技术实施例的一种遥感图像场景识别方法的流程示意图；图4为本专利技术实施例的一种遥感图像场景识别方法的流程示意图；图5为本专利技术实施例的一种深度特征提取的框架示意图；图6为本专利技术实施例的一种SIFT特征的提取过程示意图；图7为本专利技术实施例的一种遥感图像场景的识别过程示意图；图8为本专利技术实施例的一种遥感图像场景识别装置的结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实本文档来自技高网...

【技术保护点】
1.一种遥感图像场景识别方法，其特征在于，包括：步骤1，基于预训练的深度卷积神经网络，提取遥感图像的深度特征；步骤2，提取所述遥感图像的SIFT特征；步骤3，根据所述SIFT特征及所述深度特征，确定所述遥感图像的场景类型。

【技术特征摘要】
1.一种遥感图像场景识别方法，其特征在于，包括：步骤1，基于预训练的深度卷积神经网络，提取遥感图像的深度特征；步骤2，提取所述遥感图像的SIFT特征；步骤3，根据所述SIFT特征及所述深度特征，确定所述遥感图像的场景类型。2.根据权利要求1所述的方法，其特征在于，所述预训练的深度卷积神经网络包括卷积层、激励层、正则项、池化层及全连接层。3.根据权利要求1所述的方法，其特征在于，所述步骤3之前还包括：对提取的SIFT特征进行Fisher向量编码，得到相应编码的SIFT特征。4.根据权利要求1所述的方法，其特征在于，所述根据所述SIFT特征及所述深度特征，确定所述遥感图像的场景类型，包括：通过GRU神经网络模型，将所述SIFT特征及所述深度特征进行特征融合，得到融合后的图像表达特征；基于所述图像表达特征，确定所述遥感图像的场景类型。5.根据权利要求4所述的方法，其特征在于，所述通过所述GRU神经网络模型，将所述SIFT特征及所述深度特征进行特征融合，得到融合后的图像表达特征，包括：根据所述SIFT特征及所述深度特征，计算所述深度特征对应的重置率；根据所述SIFT特征、所述深度特征及所述重置率，计算初次融合特征；根据所述初次融合特征及所述深度特征，计算图像表达特征。6.根据权利要求5所述的方法，其特征...

【专利技术属性】
技术研发人员：黄欢，赵刚，
申请(专利权)人：上海荆虹电子科技有限公司，
类型：发明
国别省市：上海,31