基于高分辨率遥感图像多特征的识别方法技术

基于高分辨率遥感图像多特征的识别方法。涉及遥感图像处理领域，具体涉及一种基于高分辨率遥感图像多特征的识别方法。提出了一种将遥感多特征数据作为神经网络的输入源，并构建提取、融合遥感图像多尺度特征信息，添加辅助损失函数来提高模型的准确性，提高遥感图像识别精度的基于高分辨率遥感图像多特征的识别方法。本发明专利技术可以较好地挖掘遥感图像信息，来提高深度卷积网络对遥感图像的识别能力；通过设置辅助损失函数，来辅助本发明专利技术网络的训练，来提高网络的识别精度；网络结构可以提取、融合遥感图像的不同尺度信息，并能筛选有利于遥感图像识别的特征信息，提高遥感图像的识别精度；融合方法相比较，遥感图像识别总体精度可以达到1.4％。

Recognition method based on multi features of high resolution remote sensing image

【技术实现步骤摘要】
基于高分辨率遥感图像多特征的识别方法
本专利技术涉及遥感图像处理领域，具体涉及一种基于高分辨率遥感图像多特征的识别方法。
技术介绍
遥感图像识别是遥感研究领域中的一个基本问题，通过对地物的光谱、纹理等特征信息，对不同的地物进行识别，实现了对图像中的每一个像元进行真实地物标签分类的过程。随着遥感技术的不断发展，高分辨率遥感图像在各个领域使用得越来越频繁，对遥感图像分类技术的要求越来越高。但是随着遥感图像分辨率的提高，不同地物类型的光谱有相互重叠部分，“同物异谱、异物同谱”的现象比较严重，严重制约了高分辨率遥感图像的解译精度。虽然高分辨率遥感图像可以提供丰富的地物信息，但是数据量巨大，传统的遥感处理技术没有较好的充分挖掘其地物细节信息，产生了“数据丰富，信息贫乏”的现象。因此研究一种更加高效、高精度的高分辨率遥感图像分类方法迫在眉睫。基于深度学习技术的遥感图像识别核心思想就是对目标进行像素级别的分割，对组成不同目标物的像素进行属性的颜色标注。遥感领域的图像识别也是采用这种思想，因此基于深度学习技术的遥感图像识别技术是具有一定的研究价值。高分辨率遥感数据与DSM数据、NDVI数据等对不同地物类型具有不同的区别能力。其中高分辨率遥感数据可以较好地表达地物的空间关系及光谱信息；DSM数据可以对高度信息敏感，对于建筑物、树木等提供辅助的识别信息；NDVI数据可以有效区分植被地物与非植被地物。因此，不同的特征数据在一定程度上可以有助于提取特定的地物信息，所以DSM和NDVI遥感数据对遥感图像识别精度的提高具有一定的帮助作用。
技术实现思路
本专利技术针对以上问题，提出了一种将遥感多特征数据作为神经网络的输入源，并构建提取、融合遥感图像多尺度特征信息，添加辅助损失函数来提高模型的准确性，提高遥感图像识别精度的基于高分辨率遥感图像多特征的识别方法。本专利技术的技术方案是：包含以下数据基础：原始高分辨率遥感图像、DSM数据和地表真实标签数据；按以下步骤进行识别：1)、对所述原始高分辨率遥感图像进行预处理；通过波段运算来获得NDVI数据的多特征遥感图像；构建包括所述原始高分辨率遥感图像、DSM数据和NDVI数据的六通道遥感图像做为全卷积网络的多特征输入源；2)、对步骤1)得到的所述多特征遥感图像、及所述多特征遥感图像对应的所述地表真实标签数据进行数据增强，再随机裁剪构建训练样本集和测试样本集；3)、构建多特征全卷积网络模型来提取、融合所述多特征输入源；利用深度残差网络ResNet50提取作为浅层特征的所述多特征输入源，得遥感图像识别结果一：将浅层特征经过上采样输出的一个遥感图像识别结果；和遥感图像识别结果二：利用金字塔池化结构提取ResNet50网络结构特征图的不同尺度的特征信息，将不同尺度特征信息进行融合来获取遥感图像识别结果；4)、将步骤2)获得的训练样本集和测试样本集来训练所述多特征全卷积网络模型，通过调整参数，得最优遥感图像识别模型；5)、将待预测图像输入所述最优遥感图像识别模型，得到遥感图像识别结果，并将所述遥感图像识别结果用全连接条件随机场进行后处理，纠正错分现象，提高图像的识别精度。步骤1)预处理的具体过程为：对原始高分辨率遥感图像近红外波段和红波段进行NDVI指数计算，计算公式如下：其中，NIR为遥感图像的近红外波段，Red为遥感图像的红波段，所述近红外波段和红波段根据NDVI的计算公式进行波段运算操作，提取遥感图像的NDVI特征图像，NDVI数据值得范围在[-1,1]；然后进行波段叠加，将遥感原始图像、NDVI数据和DSM数据构建为一个包含六个特征的高分辨率遥感数据。步骤2)具体为：对所述多特征遥感图像及其对应的地表真实标签进行旋转、翻转等数据变换，来提高网络模型的的泛化能力；然后将所述多特征遥感图像及其对应的地表真实标签随机裁剪为256×256像素大小的图片，其中训练数据集为20000张遥感图像和对应的标签图像，测试集5000张遥感图像和对应的标签图像。步骤3)具体为：在特征提取阶段，构建ResNet50结构来提取遥感原始波段图像特征和DSM数据、NDVI数据的浅层特征；构建SENet结构可以提取对当前任务有用的特征信息，抑制特征信息量小的特征图；将ResNet50网络提取的浅层特征和SENet结构提取的特征进行求和操作；最后上采样输出遥感图像识别结果一；构建金字塔池化结构来提取ResNet50网络浅层特征的多尺度特征信息；然后ResNet50网络浅层特征和金字塔池化结构多尺度特征进行通道叠加操作，利用SENet结构来提取信息量大的特征，将金字塔池化结构的多尺度特征和SENet结构处理的特征进行求和操作，上采样输出遥感图像识别结果二。步骤4)训练后的最优遥感图像识别模型，其中训练的参数具体为：训练的迭代次数(Epochs)为200，一次训练的图片数量(Batch_Size)为7，多特征全卷积网络模型的浅层特征识别结果和多尺度特征识别结果的损失函数都采用多分类损失函数(categorical_crossentropy)，其中浅层特征遥感图像识别结果的损失权重为0.1，最终遥感图像识别结果的损失权重为0.9。采用方向传播方法和Adam优化算法训练模型，其中Adam优化函数中学习率(Learning_Rate)为0.0005，一阶矩估计的指数衰减率(beta_1)为0.9，二阶矩估计的指数衰减率(beta_2)为0.999，直到网络收敛为止，并保存训练的最优模型参数。步骤5)中遥感图像的识别结果用全连接条件随机场具体为：假设每张遥感图像的每个像素i的属性值和地表真实标签类别值分别为xi和yi，将每个像素点作为条件随机场的节点，各个像素之间的联系作为条件随机场的边，通过每个像素的xi来预测该像素对应的类别标签值yi。根据Hammersley-Clifford定理：一个无向图模型的概率可以表示为定义在图上所有最大团上的势函数的乘积，所以标签的后验概率表示为：其中，x代表遥感图像的属性值；y代表地表真实标签类别值；Z(x,θ)为归一化函数；w为条件随机场的节点集合；Ni为节点i的相邻区域；ψi代表单位置势函数，ψij代表双位置势函数。全连接条件随机场的二元势函数描述了所有像素之间的关系，使相似的像素点分配相同类别标签，图像颜色和像素间相对距离差异程度较大的像素点分配不同类别标签，有效改善了图像分割边界不规整问题。本专利技术采用的技术方案与现有的技术相比，具有以下优点：1、本专利技术在传统的原始高分辨率图像的基础上，添加了DSM和NDVI数据，构建遥感图像多特征输入源，可以较好地挖掘遥感图像信息，来提高深度卷积网络对遥感图像的识别能力。2、本专利技术构建的网络结构有2个遥感图像识别输出，其中浅层网络特征的识别输出的损失函数的权重为0.1，最终输出结果的损失函数的权重为0.9，通过设置辅助损失函数，来辅助本专利技术网络的训练，来提高网络的识别精度。3、本本文档来自技高网...

【技术保护点】
1.基于高分辨率遥感图像多特征的识别方法，包含以下数据基础：原始高分辨率遥感图像、DSM数据和地表真实标签数据；其特征在于，按以下步骤进行识别：/n1)、对所述原始高分辨率遥感图像进行预处理；通过波段运算来获得NDVI数据的多特征遥感图像；构建包括所述原始高分辨率遥感图像、DSM数据和NDVI数据的六通道遥感图像做为全卷积网络的多特征输入源；/n2)、对步骤1)得到的所述多特征遥感图像、及所述多特征遥感图像对应的所述地表真实标签数据进行数据增强，再随机裁剪构建训练样本集和测试样本集；/n3)、构建多特征全卷积网络模型来提取、融合所述多特征输入源；利用深度残差网络ResNet50提取作为浅层特征的所述多特征输入源，得遥感图像识别结果一：将浅层特征经过上采样输出的一个遥感图像识别结果；和遥感图像识别结果二：利用金字塔池化结构提取ResNet50网络结构特征图的不同尺度的特征信息，将不同尺度特征信息进行融合来获取遥感图像识别结果；/n4)、将步骤2)获得的训练样本集和测试样本集来训练所述多特征全卷积网络模型，通过调整参数，得最优遥感图像识别模型；/n5)、将待预测图像输入所述最优遥感图像识别模型，得到遥感图像识别结果，并将所述遥感图像识别结果用全连接条件随机场进行后处理，纠正错分现象，提高图像的识别精度。/n...

【技术特征摘要】
1.基于高分辨率遥感图像多特征的识别方法，包含以下数据基础：原始高分辨率遥感图像、DSM数据和地表真实标签数据；其特征在于，按以下步骤进行识别：
1)、对所述原始高分辨率遥感图像进行预处理；通过波段运算来获得NDVI数据的多特征遥感图像；构建包括所述原始高分辨率遥感图像、DSM数据和NDVI数据的六通道遥感图像做为全卷积网络的多特征输入源；
2)、对步骤1)得到的所述多特征遥感图像、及所述多特征遥感图像对应的所述地表真实标签数据进行数据增强，再随机裁剪构建训练样本集和测试样本集；
3)、构建多特征全卷积网络模型来提取、融合所述多特征输入源；利用深度残差网络ResNet50提取作为浅层特征的所述多特征输入源，得遥感图像识别结果一：将浅层特征经过上采样输出的一个遥感图像识别结果；和遥感图像识别结果二：利用金字塔池化结构提取ResNet50网络结构特征图的不同尺度的特征信息，将不同尺度特征信息进行融合来获取遥感图像识别结果；
4)、将步骤2)获得的训练样本集和测试样本集来训练所述多特征全卷积网络模型，通过调整参数，得最优遥感图像识别模型；
5)、将待预测图像输入所述最优遥感图像识别模型，得到遥感图像识别结果，并将所述遥感图像识别结果用全连接条件随机场进行后处理，纠正错分现象，提高图像的识别精度。


2.根据权利要求1所述的基于高分辨率遥感图像多特征的识别方法，其特征在于，步骤1)预处理的具体过程为：
对原始高分辨率遥感图像近红外波段和红波段进行NDVI指数计算，计算公式如下：



其中，NIR为遥感图像的近红外波段，Red为遥感图像的红波段，所述近红外波段和红波段根据NDVI的计算公式进行波段运算操作，提取遥感图像的NDVI特征图像，NDVI数据值得范围在[-1,1]；
然后进行波段叠加，将遥感原始数据、NDVI数据和DSM数据构建为一个包含六个特征的高分辨率遥感数据。


3.根据权利要求1所述的基于高分辨率遥感图像多特征的识别方法，其特征在于，步骤2)具体为：对所述多特征遥感图像及其对应的地表真实标签进行旋转、翻转等数据变换，来提高网络模型的的泛化能力；然后将所述多特征遥感图像及其对应的地表真实标签随机裁剪为256×256像素大小的图片，其中训练数据集为20000张遥感图像和对应的标签图像，测试集5000张遥感图像和对应的标签图像。


4.根据权利要求1所述的基于高分辨率遥感图像多特征的识别方法，其特征在于，步骤3)具体为：
在特征提取阶段，构建R...

【专利技术属性】
技术研发人员：赵生银，安如，李学锡，蒋彤，胡宜娜，黄理军，王本林，朱美如，
申请(专利权)人：河海大学，江苏易图地理信息科技股份有限公司，
类型：发明
国别省市：江苏;32