一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法技术

本发明专利技术提供一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法，包括如下步骤：步骤1，根据已有的影像及地表覆盖矢量文件构建样本库；步骤2，构建全空洞卷积神经元网络，并利用步骤1构建的样本库对全空洞卷积神经元网络进行迭代训练直到网络模型收敛，以学习高分辨率遥感影像中的地物特征；步骤3，利用训练好网络模型对遥感影像地物类别进行预测，实现遥感影像地表覆盖的像素级分类。本发明专利技术鲁棒性强，可适应不同尺度的遥感影像地物。

【技术实现步骤摘要】
一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法
本专利技术涉及一种用于高分辨率遥感影像地表覆盖分类的深度学习方法，尤其是一种全空洞卷积神经元网络，可用于遥感影像地表覆盖分类、变化检测等。
技术介绍
遥感影像分类是遥感领域中的一个基本问题，是进行各类遥感技术应用的基础。根据分类单元的不同，传统的遥感影像分类方法可分为基于像元和面向对象的分类。基于像元的方法是以单个像元为基本处理单元，以像元的光谱特征为主要依据进行影像的分类。面向对象的分类方法是以同质像元组成的对象为分类单元，对待分类对象的光谱、纹理和形状等特征进行提取，进而对待分类对象进行分类。基于面向对象理论进行遥感影像分类的方法主要可分为三个阶段：影像分割、特征选取和影像分类。影像分割阶段将影像分割成由同质像元组成的区域，作为分类的最小单元。较为广泛使用的分割方法是基于阈值的分割算法、边缘检测分割算法以及基于区域的分割算法。特征选取最初是依据影像的低层特征如纹理、光谱、空间信息等，但它们无法充分表达对象的信息。目前的大量研究都集中在影像的特征工程上，然而特征的选择与设计需要人工参与，且越是充分、高层的特征表达越需要人工反复的设计和试验，这无疑增加了分类的复杂程度。影像分类阶段是利用分类算法(或称分类器)对提取的特征进行分类。较常用且较有效的方法是采用机器学习分类算法如支持向量机(SupportVectorMachine，SVM)、决策树(DecisionTree，DT)、随机森林(RandomForest，RF)、人工神经网络(ArtificialNeuralNetwork，ANN)等，并在此基础上延伸出集成学习的方法，即结合不同分类算法，利用分类器之间的互补提高分类精度。目前传统的遥感影像分类方法已经比较成熟，但它需要人工参与遥感影像分割参数选择，同时需要复杂的特征工程以实现对象特征的提取，耗时耗力。而且传统的机器学习分类算法是一种浅层的结构，无法得到影像高层次的特征，难以得到更高的分类精度。
技术实现思路
本专利技术主要是解决现有方法所存在的问题，提供了一种鲁棒性强，能够适应不同尺度的高分辨率遥感影像分类方法。实现本专利技术目的采用的技术方案是：步骤1，根据已有的影像及地表覆盖矢量文件构建样本库；步骤2，构建全空洞卷积神经元网络，并利用步骤1构建的样本库对全空洞卷积神经元网络(FullAtrousConvolutionalNeuralNetwork，FACNN)进行训练，学习高分辨率遥感影像中的地物特征；步骤3，网络模型训练结束后，利用训练好网络模型对遥感影像地物类别进行预测，即可实现遥感影像地表覆盖的像素级分类。进一步的，步骤1的具体实现包括如下子步骤，步骤1.1，影像拼接与裁剪；若待处理影像为分幅影像，则对分景和分幅的影像进行拼接，得到完整的影像；然后根据已有的地表覆盖文件所覆盖的区域为可用作训练的影像范围，将完整影像按地表覆盖范围进行裁剪；步骤1.2，影像重采样；以某一影像分辨率为基准，对其它影像进行重采样；步骤1.3，制作标签数据；将矢量文件进行栅格化，转换成与对应影像分辨率相同的栅格影像，栅格化的地表覆盖影像即为影像所对应的地物类型标签数据；步骤1.4，样本分割；将裁剪、重采样后的影像及对应的标签数据分割为一定大小的样本数据。进一步的，所述全空洞卷积神经网络包括编码(encodingstage)、解码(decodingstage)以及输出(output)3个部分，其中编码部分由4个卷积层(ConvolutionLayer)、3个最大池化层(MaxPoolingLayer)以及1个空洞卷积空间金字塔池化层AtrousSpatialPyramidPooling，ASPP)组成；解码部分由4个卷积层，3个反卷积层(DeconvolutionLayer)组成；输出部分由Softmax函数组成。进一步的，所述编码部分的每个卷积层由3组连续堆叠的空洞卷积(AtrousConvolution)，修正线性单元(RectifiedLinearUnit,ReLU)以及批量归一化层(BatchNormalization，BN)组成。进一步的，所述编码部分的空洞卷积空间金字塔池化层由5个并行的卷积组成，5个卷积的输出的特征图(Featuremap)经串联(Concatenate)后作为输出。进一步的，所述编码部分的最大池化层步长为2×2，经过池化层后，输出特征图的高度与宽度变为输入的二分之一。进一步的，所述解码部分的第一个卷积层由3组连续堆叠的空洞卷积(AtrousConvolution)，修正线性单元(RectifiedLinearUnit,ReLU)以及批量归一化层(BatchNormalization，BN)组成；第二个、第三个卷积层均由2组连续堆叠的卷积(Convolution)，修正线性单元(RectifiedLinearUnit,ReLU)以及批量归一化层(BatchNormalization，BN)组成；第四个卷积层由3组连续堆叠的卷积(Convolution)，修正线性单元(RectifiedLinearUnit,ReLU)以及批量归一化层(BatchNormalization，BN)组成。本专利技术具有如下优点：1)不需要复杂的特征工程，通过简单的、端到端的可训练模型，完成遥感影像地物特征提取，并实现遥感影像的地表覆盖分类。2)可复用性强，可以在附加数据上继续进行模型训练，可以用于连续在线学习，可持续不断迭代优化。3)具有可扩展性，训练好的神经网络模型经过微调，可以用于其它用途，如遥感影像目标检测、变化检测等。4)鲁棒性强，可适应不同尺度的遥感影像地物。附图说明图1是本专利技术的样本库构建流程图。图2是本专利技术的全空洞卷积神经网络结构示意图。图3是实施例中某某市2017年遥感影像及对应的地表覆盖类型。图4是实施例中训练样本块与测试样本块的分布。方框区域为测试数据区域，其余为测试数据区域。图5是本专利技术方法与其它神经网络方法分类结果对比。图6是对某某市遥感影像测试区域进行地表覆盖分类的结果。图(a)为该区域的真实地表覆盖，图(b)为本专利技术提出的方法分类结果。具体实施方式下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。本专利技术提供的一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法，包括如下步骤：步骤1，首先根据已有的影像及地表覆盖矢量文件构建样本库，包括以下子步骤；步骤1.1，影像拼接与裁剪。若待处理影像为分幅影像，则对分景和分幅的影像进行拼接，得到完整的影像，以方便后续数据处理。根据已有的地表覆盖文件所覆盖的区域为可用作训练的影像范围，将完整影像按地表覆盖范围进行裁剪。步骤1.2，影像重采样。不同时期、不同传感器源的影像的分辨率可能存在差异，考虑不同分辨率影像地物尺度差异，以某一影像分辨率为基准，对其它影像进行重采样。步骤1.3，制作标签数据。地表覆盖矢量文件包含了影像上不同区域对应的地物类型信息，但是无法直接使用矢量文件信息进行神经网络模型的训练，因此需要将矢量文件进行栅格化，转换成与对应影像分辨率相同的栅格影像。栅格化的地表覆盖影像即为影像所对应的地物类型标签数据。步骤1.4，样本分割。将裁剪、重采样后的影像及对应的标签数据分本文档来自技高网...

【技术保护点】
1.一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法，其特征在于，包括如下步骤：步骤1，根据已有的影像及地表覆盖矢量文件构建样本库；步骤2，构建全空洞卷积神经元网络，并利用步骤1构建的样本库对全空洞卷积神经元网络进行迭代训练直到网络模型收敛，以学习高分辨率遥感影像中的地物特征；步骤3，利用训练好网络模型对遥感影像地物类别进行预测，实现遥感影像地表覆盖的像素级分类。

【技术特征摘要】
1.一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法，其特征在于，包括如下步骤：步骤1，根据已有的影像及地表覆盖矢量文件构建样本库；步骤2，构建全空洞卷积神经元网络，并利用步骤1构建的样本库对全空洞卷积神经元网络进行迭代训练直到网络模型收敛，以学习高分辨率遥感影像中的地物特征；步骤3，利用训练好网络模型对遥感影像地物类别进行预测，实现遥感影像地表覆盖的像素级分类。2.根据权利要求1所述的一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法，其特征在于：步骤1的具体实现包括如下子步骤，步骤1.1，影像拼接与裁剪；若待处理影像为分幅影像，则对分景和分幅的影像进行拼接，得到完整的影像；然后根据已有的地表覆盖文件所覆盖的区域为可用作训练的影像范围，将完整影像按地表覆盖范围进行裁剪；步骤1.2，影像重采样；以某一影像分辨率为基准，对其它影像进行重采样；步骤1.3，制作标签数据；将矢量文件进行栅格化，转换成与对应影像分辨率相同的栅格影像，栅格化的地表覆盖影像即为影像所对应的地物类型标签数据；步骤1.4，样本分割；将裁剪、重采样后的影像及对应的标签数据分割为一定大小的样本数据。3.根据权利要求1或2所述的一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法，其特征在于：所述全空洞卷积神经网络包括编码(encodingstage)、解码(decodingstage)以及输出(output)3个部分，其中编码部分由4个卷积层(ConvolutionLayer)、3个最大池化层(MaxPoolingLayer)以及1个空洞卷积空间金字塔池化层AtrousSpatialPyramidPooling，ASPP)组成；解码部分由4个卷积层，3个反卷积层(DeconvolutionLa...

【专利技术属性】
技术研发人员：季顺平，张驰，罗名海，程琦，秦思娴，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42