基于改进残差网络的遥感图像场景分类方法技术

本发明专利技术公开了一种基于改进残差网络的遥感图像场景分类方法，包括以下步骤：(a)收集和/或下载场景图像，得到遥感场景分类数据集；(b)对遥感场景分类数据集中的图像进行增强处理，然后将遥感场景分类数据集中的图像随机划分为训练集和测试集；(c)对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练，通过训练不断优化残差网络结构，训练完成后用测试集图像测试残差网络的准确率；(d)用训练后的残差网络结构对遥感图像进行场景分类。本发明专利技术利用改进的残差网络对遥感图像进行场景分类，通过调整残差网络的结构，使得网络更适合获取难度大、背景纹理复杂的遥感图像数据集，并提高了分类的准确率。

Remote Sensing Image Scene Classification Method Based on Improved Residual Network

【技术实现步骤摘要】
基于改进残差网络的遥感图像场景分类方法
本专利技术涉及图像识别领域，具体涉及一种基于改进残差网络的遥感图像场景分类方法。
技术介绍
遥感图像场景分类是将遥感图像信息进行提取，根据图像特征对场景实行分类的研究。随着传感器技术的快速发展，遥感图像的空间分辨率不断提高，土地利用和土地场景的空间信息也不断地丰富，遥感图像场景的智能识别和分类成为一个热门且具有挑战性的课题。早期的遥感图像分类方法是对颜色、光谱、空间信息等特征进行提取，例如小波变换[1]、Gabor纹理特征[2]等，这些方法需人工设定，缺乏灵活性，泛化能力较弱。为了解决这一问题，加强图像语义特征，提出中层语义特征建模的方法，如Zhao等于2014年提出的视觉词袋(BagofVisualWords，BoVW)模型，它缩小了低层视觉特征与高层语义之间的语义鸿沟，生成中层语义表达，但对图像深层的特征提取、场景的尺度变化缺乏有效的处理措施，实际应用效果较差。近年来，深度学习方法在图像分类上取得突破性进展，利用卷积神经网络(ConvolutionalNeuralNetwork，CNN)对遥感图像分类也取得了较好的结果，典型的网络结构模型包本文档来自技高网...

【技术保护点】
1.一种基于改进残差网络的遥感图像场景分类方法，其特征在于，包括以下步骤：(a)收集和/或下载场景图像，得到遥感场景分类数据集；(b)对遥感场景分类数据集中的图像进行增强处理，然后将遥感场景分类数据集中的图像随机划分为训练集和测试集；(c)对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练，通过训练不断优化残差网络结构，训练完成后用测试集图像测试残差网络的准确率；(d)用训练后的残差网络结构对遥感图像进行场景分类。

【技术特征摘要】
1.一种基于改进残差网络的遥感图像场景分类方法，其特征在于，包括以下步骤：(a)收集和/或下载场景图像，得到遥感场景分类数据集；(b)对遥感场景分类数据集中的图像进行增强处理，然后将遥感场景分类数据集中的图像随机划分为训练集和测试集；(c)对残差网络结构进行改进，用训练集中的图像对改进后的残差网络进行训练，通过训练不断优化残差网络结构，训练完成后用测试集图像测试残差网络的准确率；(d)用训练后的残差网络结构对遥感图像进行场景分类。2.根据权利要求1所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(b)中，对图像的增强处理包括对图像进行旋转、剪切、翻转、亮度调节的方式来扩充图像的数量，增强后的数据量是原数据集的4-5倍。3.根据权利要求1所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(b)中，训练集和测试集中图像数量的比例为7:3-8:2。4.根据权利要求1所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，步骤(c)中，改进后残差网络结构具体为：先通过一个conv1卷积层，然后接一个pool1最大池化层，接着是四组bottleneck结构，即conv2_x卷积层、conv3_x卷积层、conv4_x卷积层、conv5_x卷积层，每组都由3个bottleneck结构构成，最后增加一个conv6卷积层。5.根据权利要求4所述的基于改进残差网络的遥感图像场景分类方法，其特征在于，bottleneck结构包括两个分支，其中一个分支依次为1×1的卷积层并用批量归一化算法和Relu激活函数进行处理、3×3的卷积层并用批量归一化算法和Relu激活函数进行处理、1×1的卷积层并用批量归一化算法进行...

【专利技术属性】
技术研发人员：冯海林，章晨，夏凯，周国模，
申请(专利权)人：浙江农林大学，
类型：发明
国别省市：浙江,33