本申请提供一种图像分类模型的训练方法、图像分类方法及装置，包括：获取预设区域在地类变化前和变化后的遥感影像；基于遥感影像的波段数和波段特征，对遥感影像进行波段增强，得到第一目标图像和第二目标图像；分别基于第一目标图像和第二目标图像，构建二分类训练集和多分类训练集；基于二分类训练集和多分类训练集，对迁移后的预训练模型进行训练，直至预训练模型的损失函数达到预设收敛条件，得到图像二分类模型和图像多分类模型，图像二分类模型用于图像变化检测，图像多分类模型用于图像地类分类。本发明专利技术能够丰富遥感影像的波段特征，提高模型精度和降低样本采集难度。提高模型精度和降低样本采集难度。提高模型精度和降低样本采集难度。
【技术实现步骤摘要】
图像分类模型的训练方法、图像分类方法及装置
[0001]本申请涉及计算机
，具体而言，涉及一种图像分类模型的训练方法、图像分类方法及装置。
技术介绍
[0002]随着遥感技术的不断深入研究，以及更高分辨率和包含更多信息的遥感影像不断产出，对遥感影像的监督分类准确度提出提高要求。遥感影像监督分类是利用人们对遥感影像的样本类别已有的先验知识，建立和训练分类器，再利用训练好的分类器完成整幅遥感影像的类型划分，将每个像元归并为相对应的一个类别。
[0003]在相关技术中，传统的监督分类方法建立在Bayes准则的基础上，偏重于集群分布的统计特性，其分类原理是假定训练样本在光谱空间的分布服从高斯正态分布规律，基于此做出样本的概率密度等值线，通过计算标本(像元)属于各组(类)的概率，将标本归属于概率最大的一组。但是由于样本采集工作量大、效率低以及人为误差的干扰，使得分类模型的精度较差。
技术实现思路
[0004]本申请实施例的目的在于提供一种图像分类模型的训练方法、图像分类方法、装置、终端设备及存储介质，旨在解决遥感影像的分类模型精度差的问题。
[0005]第一方面，本申请实施例提供了一种图像分类模型的训练方法，包括：获取预设区域在地类变化前和变化后的遥感影像；基于遥感影像的波段数和波段特征，对遥感影像进行波段增强，得到第一目标图像和第二目标图像；基于所述第一目标图像和第二目标图像，构建二分类训练集和多分类训练集；基于二分类训练集和多分类训练集，对迁移后的预训练模型进行训练，直至预训练模型的损失函数达到预设收敛条件，得到图像二分类模型和图像多分类模型，图像二分类模型用于图像变化检测，图像多分类模型用于图像地类分类。
[0006]在本实施例中，通过获取地类变化前和变化后的遥感影像，基于遥感影像的波段数和波段特征，对遥感影像进行波段增强，得到第一目标图像和第二目标图像，以丰富遥感影像的波段特征，从而使模型能够提取到更多的图像特征，提高模型精度，并且降低样本采集难度；以及分别基于第一目标图像和第二目标图像构建的二分类训练集和多分类训练集，对迁移后的预训练模型进行训练，得到图像二分类模型和图像多分类模型，以利用具有丰富波段特征的目标图像进行模型训练，提高分类模型的精度，同时预训练模型通过图像数据库构建的数据集进行预先训练得到，能够有效降低模型训练的训练样本量，降低样本采集难度。
[0007]进一步地，基于遥感影像的波段数和波段特征，对遥感影像进行波段增强，得到第一目标图像和第二目标图像，包括：
基于遥感影像的波段数和波段特征，计算遥感影像的光谱角、欧式距离和比值距离；对光谱角、欧式距离和比值距离进行归一化，得到归一化后的光谱角、欧式距离和比值距离；将归一化后的光谱角、欧式距离和比值距离拉伸至预设区间，得到目标光谱角、目标欧式距离和目标比值距离；基于遥感影像的波段特征以及目标光谱角、目标欧式距离和目标比值距离，构建第一目标图像；基于所述变化前、后遥感影像的波段数和波段特征，对所述遥感影像进行主成分分析，提取特征最明显的若干个波段构建所述第二目标图像。在本实施例中，通过计算遥感影像的光谱角、欧式距离和比值距离，以丰富遥感影像的波段特征，一方面使模型训练时模型能够提取到更多的图像特征，提高模型精度，另一方面增加训练样本数量，降低样本采集难度。
[0008]进一步地，基于第一目标图像和第二目标图像，构建二分类训练集和多分类训练集，包括：将所述第一目标图像的变化区域与非变化区域作为所述第一目标图像的第一数据标签；将所述第一数据标签、所述第一目标图像作为所述二分类训练集；设置变化前所述第二目标图像的地类为第二数据标签，以及变化后所述第二目标图像的地类为第三数据标签；将所述第二数据标签、所述第三数据标签、变化前所述第二目标图像和变化后所述第二目标图像作为多分类训练集。
[0009]在本实施例中，基于同一图像库构建多个模型的训练集，以使多个模型共享训练样本；针对不同的训练集，对变化前后的目标图像设置不同数据标签，以完成多模型训练的样本标注，进而可以针对多个模型进行训练。
[0010]进一步地，基于二分类训练集和多分类训练集，对迁移后的预训练模型进行训练，直至预训练模型的损失函数达到预设收敛条件，得到图像二分类模型和图像多分类模型，包括：基于二分类训练集，对迁移后的预训练模型进行训练，直至预训练模型的第一损失函数达到第一预设收敛条件，得到图像二分类模型，第一损失函数为加权交叉熵损失函数；基于多分类训练集，对迁移后的预训练模型进行训练，直至预训练模型的第二损失函数达到第二预设收敛条件，得到图像多分类模型，第二损失函数为多类别交叉熵损失函数。
[0011]在本实施例中，针对二分类模型和多分类模型，分别采用不同的损失函数进行训练，以提高模型精度，避免采用相同损失函数对不同模型进行训练而导致模型过拟合或泛化。
[0012]进一步地，加权交叉熵损失函数为：；
；；；其中P(Y=i|X)是预训练模型在数据标签i上的概率，i=1或0，|P|为正样本数量，|N|为负样本数量。
[0013]在本实施例中，由于在样本不均衡的情况下，二分类模型训练时损失函数会偏向样本多的一方，造成训练时损失函数很小，但是实际应用时对较少数量的图像类别的识别精度不高。因此本实施例通过给较少数量的图像类别进行加权，形成加权交叉熵，并作为二分类模型的损失函数，提高模型精度。
[0014]第二方面，本申请实施例提供了一种图像分类方法，包括：获取目标区域在地类变化前和变化后的遥感影像；对遥感影像进行波段增强，得到第一目标图像和第二目标图像；利用图像二分类模型对第一目标图像进行变化检测，得到目标图像的变化区域；利用图像多分类模型对第二目标图像进行分类检测，得到第二目标图像的地类数据，图像二分类模型和图像多分类模型基于上述第一方面的训练方法训练得到；根据第一目标图像的变化区域和第二目标图像地类数据，确定变化区域的地类。
[0015]第三方面，本申请实施例提供了一种图像分类模型的训练装置，包括：第一获取模块，用于获取预设区域在地类变化前和变化后的遥感影像；第一增强模块，用于对遥感影像进行波段增强，得到第一目标图像和第二目标图像；构建模块，用于基于第一目标图像，构建二分类训练集，基于第二目标图像，构建多分类训练集；训练模块，用于基于二分类训练集和多分类训练集，对迁移后的预训练模型进行训练，直至预训练模型的损失函数达到预设收敛条件，得到图像二分类模型和图像多分类模型，图像二分类模型用于图像变化检测，图像多分类模型用于图像地类分类。
[0016]第四方面，本申请实施例提供了一种图像分类装置，包括：第二获取模块，用于获取目标区域在地类变化前和变化后的遥感影像；第二增强模块，用于对遥感影像进行波段增强，得到第一目标图像和第二目标图像；变化检测模块，用于利用图像二分类模型对第一目标图像进行变化检测，得到第一目标图像的变化区域；分类检测模块，用于利用图像多分类模型对第二目标图像进行分类检测，得到第二目标图像的地类数本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像分类模型的训练方法，其特征在于，包括：获取预设区域在地类变化前和变化后的遥感影像；基于所述遥感影像的波段数和波段特征，对所述遥感影像进行波段增强，得到第一目标图像和第二目标图像；基于所述第一目标图像和第二目标图像，构建二分类训练集和多分类训练集；基于所述二分类训练集和所述多分类训练集，对迁移后的预训练模型进行训练，直至所述预训练模型的损失函数达到预设收敛条件，得到图像二分类模型和图像多分类模型，所述图像二分类模型用于图像变化检测，所述图像多分类模型用于图像地类分类。2.根据权利要求1所述的图像分类模型的训练方法，其特征在于，所述基于所述遥感影像的波段数和波段特征，对所述遥感影像进行波段增强，得到第一目标图像和第二目标图像，包括：基于所述遥感影像的波段数和波段特征，计算所述遥感影像的光谱角、欧式距离和比值距离；对所述光谱角、所述欧式距离和所述比值距离进行归一化，得到归一化后的所述光谱角、所述欧式距离和所述比值距离；将归一化后的所述光谱角、所述欧式距离和所述比值距离拉伸至预设区间，得到目标光谱角、目标欧式距离和目标比值距离；基于所述遥感影像的波段特征以及所述目标光谱角、目标欧式距离和目标比值距离，构建所述第一目标图像；基于所述遥感影像的波段数和波段特征，对所述遥感影像进行主成分分析，提取特征最明显的若干个波段构建所述第二目标图像。3.根据权利要求1所述的图像分类模型的训练方法，其特征在于，基于所述第一目标图像和第二目标图像，构建二分类训练集和多分类训练集，包括：将所述第一目标图像的变化区域与非变化区域作为所述第一目标图像的第一数据标签；将所述第一数据标签和所述第一目标图像作为所述二分类训练集；设置变化前所述第二目标图像的地类为第二数据标签，以及变化后所述第二目标图像的地类为第三数据标签；将所述第二数据标签、所述第三数据标签、变化前所述第二目标图像和变化后所述第二目标图像作为多分类训练集。4.根据权利要求1所述的图像分类模型的训练方法，其特征在于，所述基于所述二分类训练集和所述多分类训练集，对迁移后的预训练模型进行训练，直至所述预训练模型的损失函数达到预设收敛条件，得到图像二分类模型和图像多分类模型，包括：基于所述二分类训练集，对迁移后的预训练模型进行训练，直至所述预训练模型的第一损失函数达到第一预设收敛条件，得到所述图像二分类模型，所述第一损失函数为加权交叉熵损失函数；基于所述多分类训练集，对迁移后的预训练模型进行训练，直至所述预训练模型的第二损失函数达到第二预设收敛条件，得到所述图像多分类模型，所述第二损失函数为多类别交叉熵损失函...
【专利技术属性】
技术研发人员：王昊，周晓媛，王梦涵，刘思奥，宗继彪，魏纬，王宇翔，廖通逵，
申请(专利权)人：航天宏图信息技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。