一种高分辨率遥感影像的场景分类方法及装置制造方法及图纸

本发明专利技术公开一种高分辨率遥感影像的场景分类方法及装置，方法包括：获取高分辨率的遥感场景影像；对各个遥感场景影像进行预处理，确定对应的目标场景影像；利用分类模型分别对各个目标场景影像进行类别预测，输出对应的遥感场景影像的预测类别。本发明专利技术通过两次特征聚合获取多层次中间特征，增强分类中影像特征的表现力和鲁棒性；并通过多次动态路由过程的迭代实现模型低层元组与高层元组之间的空间信息传递以及模型参数的优化；基于预测概率判断场景影像所属的类别。有利于区分复杂的场景类别，进而提高场景影像的整体分类精度。进而提高场景影像的整体分类精度。进而提高场景影像的整体分类精度。

【技术实现步骤摘要】
一种高分辨率遥感影像的场景分类方法及装置


[0001]本专利技术涉及计算机遥感影像处理领域，具体涉及一种高分辨率遥感影像的场景分类方法及装置。

技术介绍

[0002]随着遥感技术的飞速发展，遥感影像分辨率快速提升，同时，数据量也成几何级数增长。针对大量的高分辨率遥感影像，传统的基于像元的分类解译已转变为基于场景的语义理解。遥感影像的场景分类方法是通过影像中的主要内容判断场景的类别，并依据给定的语义标记对影像进行分类，进而实现精准的高层语义理解。目前，高分辨率遥感影像的场景分类方法已广泛应用于城市规划、土地利用、环境污染检测以及军事目标检测等众多领域，体现出重要的实用价值，并引起了众多研究者的广泛关注。然而，现有的场景分类方法中存在的场景影像特征信息提取不充分，地理实体空间信息不全面的问题。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供了一种高分辨率遥感影像的场景分类方法及装置，解决了现有场景分类方法中存在的场景影像特征信息提取不充分，地理实体空间信息不全面的问题。
[0004]根据第一方面，本专利技术实施例提供了一种高分辨率遥感影像的场景分类方法，包括：
[0005]获取高分辨率的遥感场景影像；
[0006]对各个所述遥感场景影像进行预处理，确定对应的目标场景影像；
[0007]利用分类模型分别对各个所述目标场景影像进行类别预测，输出对应的所述遥感场景影像的预测类别。
[0008]本专利技术实施例提供的高分辨率遥感影像的场景分类方法，利用深度学习模型进行高分辨率遥感场景影像特征提取，提升网络收敛的速度，改善方法的分类性能；通过两次特征聚合获取多层次中间特征，增强分类中影像特征的表现力和鲁棒性；通过卷积特征的矢量化，表征地理实体的位置、尺寸、形变等多种空间信息，弥补卷积特征中地理实体空间信息欠考虑的不足之处，并通过多次动态路由过程的迭代实现模型低层元组与高层元组之间的空间信息传递以及模型参数的优化；基于预测概率判断场景影像所属的类别。有利于区分复杂的场景类别，进而提高场景影像的整体分类精度。
[0009]结合第一方面，在第一方面第一实施方式中，所述对各个所述遥感场景影像进行预处理，确定对应的目标场景影像，包括：
[0010]获取目标尺寸；
[0011]按照所述目标尺寸对各个所述遥感场景影像进行裁剪，确定相同尺寸的影像，其中相同尺寸的影像具有RGB三个颜色通道。
[0012]结合第一方面，在第一方面第二实施方式中，所述利用分类模型分别对各个所述
目标场景影像进行类别预测，输出对应的所述遥感场景影像的预测类别，包括：
[0013]对分类模型进行训练，确定目标分类模型；
[0014]利用所述目标分类模型对各个所述目标场景影像进行特征提取，确定多个场景的矢量特征；
[0015]将多个所述矢量特征进行融合，确定目标特征；
[0016]利用所述目标特征计算各个所述目标场景影像的类别的预测概率，输出对应的所述遥感场景影像的预测类别。
[0017]结合第一方面第二实施方式，在第一方面第三实施方式中，所述对分类模型进行训练，确定目标分类模型，包括：
[0018]通过所述目标特征构造损失函数，并利用梯度下降法进行参数优化；
[0019]根据优化后的参数及深度学习模型，确定目标分类模型。
[0020]结合第一方面第二实施方式，在第一方面第四实施方式中，所述利用所述目标分类模型对各个所述目标场景影像进行特征提取，确定多个场景的矢量特征，包括：
[0021]将所述目标分类模型的多个卷积层进行池化操作，得到具有相同尺寸的多个中间特征；
[0022]依次将多个所述中间特征进行聚合，确定卷积特征；
[0023]构建低层神经元组，将卷积特征转化为低层矢量表征，所述低层矢量表征用于标识地理实体空间信息；
[0024]构建高层神经元组，基于动态路由机制实现低层神经元组和高层神经元组之间的信息传递，并基于所述低层矢量表征确定高层的矢量特征。
[0025]结合第一方面第四实施方式，在第一方面第五实施方式中，所述高层神经元组的个数与预设预测类别的个数相同。
[0026]结合第一方面第四实施方式，在第一方面第五实施方式中，所述方法还包括：
[0027]所述高层元组的输入向量是所有低层元组特征向量的加权和；
[0028]所述高层神经元组的输出向量的长度代表场景影像类别的预测概率。
[0029]根据第二方面，本专利技术实施例提供的高分辨率遥感影像的场景分类装置，包括：
[0030]第一处理模块，用于获取高分辨率的遥感场景影像；
[0031]第二处理模块，用于对各个所述遥感场景影像进行预处理，确定对应的目标场景影像；
[0032]第三处理模块，用于利用分类模型分别对各个所述目标场景影像进行类别预测，输出对应的所述遥感场景影像的预测类别。
[0033]根据第三方面，本专利技术实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的高分辨率遥感影像的场景分类方法。
[0034]根据第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的高分辨率遥感影像的场景分类方法。
附图说明
[0035]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1是根据本专利技术实施例的高分辨率遥感影像的场景分类方法的流程图；
[0037]图2是根据本专利技术优选实施例的高分辨率遥感影像的数据集示意图；
[0038]图3是根据本专利技术实施例的变压器非电量保护的动作逻辑示意图；
[0039]图4是根据本专利技术实施例的低层神经元组与和高层神经元组之间的连接方式示意图；
[0040]图5是根据本专利技术实施例的高分遥感影像场景数据集上的应用效果示意图；
[0041]图6是根据本专利技术实施例与不同分类方法之间的分类精度及其误差对比情况图；
[0042]图7是根据本专利技术实施例的高分辨率遥感影像的场景分类装置示意图；
[0043]图8是本专利技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
[0044]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高分辨率遥感影像的场景分类方法，其特征在于，包括：获取高分辨率的遥感场景影像；对各个所述遥感场景影像进行预处理，确定对应的目标场景影像；利用分类模型分别对各个所述目标场景影像进行类别预测，输出对应的所述遥感场景影像的预测类别。2.根据权利要求1所述的方法，其特征在于，所述对各个所述遥感场景影像进行预处理，确定对应的目标场景影像，包括：获取目标尺寸；按照所述目标尺寸对各个所述遥感场景影像进行裁剪，确定相同尺寸的影像，其中相同尺寸的影像具有RGB三个颜色通道。3.根据权利要求1所述的方法，其特征在于，所述利用分类模型分别对各个所述目标场景影像进行类别预测，输出对应的所述遥感场景影像的预测类别，包括：对分类模型进行训练，确定目标分类模型；利用所述目标分类模型对各个所述目标场景影像进行特征提取，确定多个场景的矢量特征；将多个所述矢量特征进行融合，确定目标特征；利用所述目标特征计算各个所述目标场景影像的类别的预测概率，输出对应的所述遥感场景影像的预测类别。4.根据权利要求3所述的方法，其特征在于，所述对分类模型进行训练，确定目标分类模型，包括：通过所述目标特征构造损失函数，并利用梯度下降法进行参数优化；根据优化后的参数及深度学习模型，确定目标分类模型。5.根据权利要求3所述的方法，其特征在于，所述利用所述目标分类模型对各个所述目标场景影像进行特征提取，确定多个场景的矢量特征，包括：将所述目标分类模型的多个卷积层进行池化操作，得到具有相同尺寸的多个中间特征；依...

【专利技术属性】
技术研发人员：曹峰，杨宇浩，李德玉，钱宇华，白鹤翔，王文剑，
申请(专利权)人：山西大学，
类型：发明
国别省市：