基于级联深度卷积神经网络的光学遥感影像林地分类方法技术

本发明专利技术公开了一种基于级联深度卷积神经网络的光学遥感影像林地分类方法，包括以下步骤：A、利用图像语义分割深度卷积网络实现影像中大颗粒度地物的分类，实现林地与非林地区域的划分；B、利用面向图像分类的深度卷积神经网络实现针对林地区域的细颗粒度精细划分。本发明专利技术能够解决现有技术的不足，可以发挥深度学习对遥感影像地物特征的有效挖掘，同时兼顾了高分辨率影像中林地精细特征的高效学习与提取，能够较好地解决高分辨率遥感影像林地精细分类问题。

【技术实现步骤摘要】
基于级联深度卷积神经网络的光学遥感影像林地分类方法
本专利技术属于遥感
，具体是一种基于级联深度卷积神经网络的光学遥感影像林地分类方法。
技术介绍
遥感影像林地精细分类是森林资源调查中非常重要的一步，具有重要应用价值。一方面它是高效的、经济的林地空间分布信息和变更信息获取手段，另一方面也是森林生物量分析的重要辅助，特别是对森林资源的可持续开发利用具有重大意义。目前，实现林地精细分类多采用传统的遥感图像分类方法，通常是基于手工设计图像特征(例如图像光谱、纹理等)结合浅层分类器学习(例如极大似然分类和支撑向量机)方法实现。但是由于地表林地覆盖的复杂性，其在高分辨率遥感影像中表现纷繁复杂，手工设计的图像特征和浅层结构模型对其进行精确分类有很大的局限性；而深层次结构模型因其复杂的多层非线性变换而具有更强的表达与建模能力，从而更适合处理复杂类型的信号。因此基于深度卷积神经网络的遥感影像分类方法是当前林地分类技术的主流研究方向。但是，针对高分辨率影像，受限于图像地物特征的复杂性和不同地物类型样本之间的不平衡性，基于单一深度神经网络模型的方法往往不能很好地解决林地精细分类问题。深度网络对影像中大颗粒地物(例如农田、城镇、水体、植被等)分类处理和小颗粒度的林地分类处理的适应性问题；特别是高分辨率遥感图像中林地地貌存在多样性和复杂性，将会导致精细分类效果不佳，具体体现在以下两个方面：1)对于语义分割深度网络来说，由于林地类型复杂多样，其不同林地类型的边界交错，导致人工标注困难，因此难以建立比较好的样本数据来训练网络；此外由于相比较农田、水域等大面积区域，精细林地类别区域都比较小，因此也会存在训练样本不平衡的问题。2)对于图像分类深度网络来说，不同于传统近景图像，由于高分辨率遥感图像中地物细节特征非常丰富，会导致类别数目过多，就从而影响样本数据的获取；此外，图像分类网络所处理的小切片(80*80左右)方式对上下文信息的利用比较少，因此也不利于大幅面、大范围的遥感图像分类处理。
技术实现思路
本专利技术要解决的技术问题是提供一种基于级联深度卷积神经网络的光学遥感影像林地分类方法，能够解决现有技术的不足，可以发挥深度学习对遥感影像地物特征的有效挖掘，同时兼顾了高分辨率影像中林地精细特征的高效学习与提取，能够较好地解决高分辨率遥感影像林地精细分类问题。本专利技术的内容包括以下步骤，A、利用图像语义分割深度卷积网络实现影像中大颗粒度地物的分类，实现林地与非林地区域的划分；B、利用面向图像分类的深度卷积神经网络实现针对林地区域的细颗粒度精细划分。作为优选，步骤A中，首先对DeepLab-V3深度网络的线下训练，然后基于DeepLab-V3深度网络在线图像分割。作为优选，对DeepLab-V3深度网络的线下训练包括以下步骤，首先在大幅面的遥感图像中裁剪多幅小幅面遥感图像，然后对这些小幅面遥感图像进行标注；接下来将小幅面遥感图像和真值标注图像进行扩充；最后输入DeepLab-V3网络进行分割模型的训练。作为优选，裁剪出的小幅面遥感图像大小为3000*2000；对小幅面遥感图像进行标注包括农田、林地、裸土、河流、城镇、道路；扩充操作包括同步随机裁剪、翻转、旋转、色度变化、明暗变化、噪声干扰；扩充结果为10万对256*256大小的遥感图像块和真值标注图像块。作为优选，基于DeepLab-V3深度网络在线图像分割包括以下步骤，对大幅面测试图像进行不同窗口大小的分块处理，并且块与块之间存在30％的重叠；然后将测试图像块输入到训练好的DeepLab-V3网络模型中进行前向运算，得到粗略的地物分类结果。作为优选，分块处理窗口的大小为256*256、300*300、500*500。作为优选，步骤B中，具体包括以下步骤，B1、线下SqueezeNet轻量化网络模型和参数的训练；B2、图像超像素处理；B3、基于SqueezeNet轻量化网络在线林地分类。作为优选，步骤B1中，首先在高分辨率影像中对已知类型的不同林地进行标记和裁剪，标记类别为乔木林、针叶林、竹林和灌木，裁剪的平均图像块尺寸约为80*80像素大小；然后对这些图像块采取随机裁剪、旋转、色度变换等手段进行数据扩充，得到8-10万幅小林地图像块用于训练深度卷积神经网络分类模型。作为优选，步骤B2中，首先对由第一阶段处理获取的林地区域进行超像素计算，得到若干相邻的图像切片；然后取每个超像素切片的最小外接矩形作为深度卷积神经网络分类模型的输入。作为优选，步骤B3中，基于SqueezeNet轻量化网络在线林地分类；对每一个超像素切片区域范围内的图像，输入到网络中进行前向运算，并对其中每一个像素赋予预测的标签类别；最后将超像素类别判别结果进行拼接合并，得到最终的大幅面图像林地精细分类结果。本专利技术的有益效果是，在本专利技术中所提出的两阶段级联深度神经网络林地精细分类处理框架，可以有效解决大幅面高分辨率遥感影像中林地精细分类问题，从而为森林资源调查、林地变更调查等遥感应用提供智能化信息服务，节约人力成本、提高调查效率；同时也能服务于国土资源调查领域。附图说明图1为本专利技术提出的林地精细分类处理流程图。图2为高分2号卫星光学遥感影像图。图3为图2的林地精细分类结果图，其中a为城镇、b为道路、c为农田、d为水体、e为裸土、f为灌木、g为乔木林、h为针叶林、i为竹林。具体实施方式本专利技术包括以下步骤，A、利用图像语义分割深度卷积网络实现影像中大颗粒度地物的分类，实现林地与非林地区域的划分；B、利用面向图像分类的深度卷积神经网络实现针对林地区域的细颗粒度精细划分。步骤A中，首先对DeepLab-V3深度网络的线下训练，然后基于DeepLab-V3深度网络在线图像分割。对DeepLab-V3深度网络的线下训练包括以下步骤，首先在大幅面的遥感图像中裁剪多幅小幅面遥感图像，然后对这些小幅面遥感图像进行标注；接下来将小幅面遥感图像和真值标注图像进行扩充；最后输入DeepLab-V3网络进行分割模型的训练。裁剪出的小幅面遥感图像大小为3000*2000；对小幅面遥感图像进行标注包括农田、林地、裸土、河流、城镇、道路；扩充操作包括同步随机裁剪、翻转、旋转、色度变化、明暗变化、噪声干扰；扩充结果为10万对256*256大小的遥感图像块和真值标注图像块。基于DeepLab-V3深度网络在线图像分割包括以下步骤，对大幅面测试图像进行不同窗口大小的分块处理，并且块与块之间存在30％的重叠；然后将测试图像块输入到训练好的DeepLab-V3网络模型中进行前向运算，得到粗略的地物分类结果。分块处理窗口的大小为256*256、300*300、500*500。步骤B中，具体包括以下步骤，B1、线下SqueezeNet轻量化网络模型和参数的训练；B2、图像超像素处本文档来自技高网...

【技术保护点】
1.一种基于级联深度卷积神经网络的光学遥感影像林地分类方法，其特征在于包括以下步骤，/nA、利用图像语义分割深度卷积网络实现影像中大颗粒度地物的分类，实现林地与非林地区域的划分；/nB、利用面向图像分类的深度卷积神经网络实现针对林地区域的细颗粒度精细划分。/n

【技术特征摘要】
1.一种基于级联深度卷积神经网络的光学遥感影像林地分类方法，其特征在于包括以下步骤，
A、利用图像语义分割深度卷积网络实现影像中大颗粒度地物的分类，实现林地与非林地区域的划分；
B、利用面向图像分类的深度卷积神经网络实现针对林地区域的细颗粒度精细划分。


2.如权利要求1所述的基于级联深度卷积神经网络的光学遥感影像林地分类方法，其特征在于：步骤A中，首先对DeepLab-V3深度网络的线下训练，然后基于DeepLab-V3深度网络在线图像分割。


3.如权利要求2所述的基于级联深度卷积神经网络的光学遥感影像林地分类方法，其特征在于：对DeepLab-V3深度网络的线下训练包括以下步骤，
首先在大幅面的遥感图像中裁剪多幅小幅面遥感图像，然后对这些小幅面遥感图像进行标注；接下来将小幅面遥感图像和真值标注图像进行扩充；最后输入DeepLab-V3网络进行分割模型的训练。


4.如权利要求3所述的基于级联深度卷积神经网络的光学遥感影像林地分类方法，其特征在于：裁剪出的小幅面遥感图像大小为3000*2000；对小幅面遥感图像进行标注包括农田、林地、裸土、河流、城镇、道路；扩充操作包括同步随机裁剪、翻转、旋转、色度变化、明暗变化、噪声干扰；扩充结果为10万对256*256大小的遥感图像块和真值标注图像块。


5.如权利要求2所述的基于级联深度卷积神经网络的光学遥感影像林地分类方法，其特征在于：基于DeepLab-V3深度网络在线图像分割包括以下步骤，
对大幅面测试图像进行不同窗口大小的分块处理，并且块与块之间存在30％的重叠；然后将测试图像块输入到训练好的DeepLab-V3网络模型中进行前...

【专利技术属性】
技术研发人员：李智勇，张鹏，邓志鹏，杨芳，
申请(专利权)人：湖南神帆科技有限公司，
类型：发明
国别省市：湖南;43