CN107273807A - 一种遥感影像分类方法 - Google Patents

一种遥感影像分类方法 Download PDF

Info

Publication number
CN107273807A
CN107273807A CN201710355440.2A CN201710355440A CN107273807A CN 107273807 A CN107273807 A CN 107273807A CN 201710355440 A CN201710355440 A CN 201710355440A CN 107273807 A CN107273807 A CN 107273807A
Authority
CN
China
Prior art keywords
data
formula
image classification
convolutional
remote image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710355440.2A
Other languages
English (en)
Inventor
高红民
杨耀
李臣明
蔺硕
夏敏言
谢扬
张振
樊悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710355440.2A priority Critical patent/CN107273807A/zh
Publication of CN107273807A publication Critical patent/CN107273807A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种遥感影像分类方法，包括以下步骤：S1：输入数据，并采用比例混合法对输入的数据进行预处理；S2：对样本进行归一化处理，归一化范围为[‑1,1]；S3：构建深度卷积神经网络模型；S4：将预处理后的数据按照卷积通道顺序输入深层卷积网络模型进行训练和测试；S5：进行特征提取后得到输出结果，并将输出结果与真实数据进行特征匹配；S6：输出分类结果。本发明训练过程收敛速度快，分类性能较好，扩展性强，可用于大型数据集的处理。可以为不同地物标签获得高的分类精度，从而提高遥感目标检测识别的效率。

Description

一种遥感影像分类方法
技术领域
本发明涉及图像分类技术，特别是涉及一种遥感影像分类方法。
背景技术
高光谱遥感影像通常由同一场景的数百个数据通道组成。通过组合成像和光谱技术，高光谱遥感影像可以在空间和光谱上获得连续数据。由于高光谱传感器提供的详细光谱信息提高了精确分辨目标地物的效率，同时提高了分类精度，因此处理高光谱数据成为检测地球表面地物信息的重要途径。
大多数传统的分类方法只考虑单层处理，这使得对高光谱影像的学习深度不够，分类性能也有很大的局限性。相比于SVM等浅层分类器，含有多层隐含节点的神经网络能够更好地构建数据模型，且具备较好的分类性能。然而很多神经网络方法中网络在不同层之间是以完全连接形式存在，因而它们需要训练大量参数，在训练速度和分类精度上都会有很大程度影响，即其分类性能还有待提高。
发明内容
发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的遥感影像分类方法。
技术方案：本发明所述的遥感影像分类方法，包括以下步骤：
S1：输入数据，并采用比例混合法对输入的数据进行预处理；
S2：对样本进行归一化处理，归一化范围为[-1,1]；
S3：构建深度卷积神经网络模型；
S4：将预处理后的数据按照卷积通道顺序输入深层卷积网络模型进行训练和测试；
S5：进行特征提取后得到输出结果，并将输出结果与真实数据进行特征匹配；
S6：输出分类结果。
进一步，所述步骤S1中的比例混合法为：把像素点作为处理单元进行训练和测试，以像素点为单位提取后，按照统一的转换次序，将三维数据变为二维形式的数据。
进一步，所述步骤S3具体包括以下步骤：
S3.1：设计基本卷积神经网络模型，并通过堆叠若干卷积层和最大池化层形成深层架构，卷积层和最大池化层交替架构；
S3.2：提出批次规范化算法，并使批次规范化模块以间隙插入的方式参与模型中卷积神经网络的深层构造；
S3.3：在输出端使用多项对数损失模型，从而控制输出。
进一步，所述步骤S3.2中的批次规范化算法如式(1)所示：
式(1)中，xi为最小批次数据B中的激活值，且B＝{x1...m}，yi为批次规范化算法的输出，1≤i≤m；m为最小批次数据B的大小；γ为缩放参数，β为平移参数；
为归一化后的中间量，可由下式(2)得到：
式(2)中，ε是一个趋于0的常数，μB为已知最小批次数据B的均值，为已知最小批次数据B的方差。
进一步，所述步骤S3.3中的多项对数损失模型如式(3)所示：
式(3)中，l(x,c)是分类损失函数，c∈{1,...,C}H×W×1×N，c为地面真实类标签，x是表示C个不同类的后验概率的向量，后验概率p(k)＝xk，k＝1,...,C，H为输入数据的长，W为输入数据的宽，N为数据第三维的尺寸。
有益效果：本发明公开了一种遥感影像分类方法，训练过程收敛速度快，分类性能较好，扩展性强，可用于大型数据集的处理。可以为不同地物标签获得高的分类精度，从而提高遥感目标检测识别的效率。
附图说明
图1为本发明具体实施方式中方法的原理图；
图2为本发明具体实施方式中实验对象的图像；
图3为本发明具体实施方式中卷积神经网络处理流程示意图；
图4为本发明具体实施方式中批次规范化算法的操作示意图。
具体实施方式
本具体实施方式公开了一种遥感影像分类方法，包括以下步骤：
S1：输入数据，并采用比例混合法对输入的数据进行预处理，如图1所示；
本具体实施方式中采用西北印第安纳州(Indian Pines)的印度松树测试区的高光谱数据集最为实验对象。如图2所示，数据集由机载可见/红外成像光谱仪(AVIRIS)获取。其尺寸为145×145，并且在0.4-2.5μm的波长范围内具有220个光谱带。通过去除吸水带，使光谱带的数量减少到200。地面实况中提供了十六种不同的地物覆盖类别。
用比例混合法处理数据，即把像素点作为基本处理单元，进行全面的提取、混合、归类、按比例分配等步骤后，按照统一的转换次序，将三维数据变为二维形式的数据，形成训练数据和测试数据。如下表1为标签的训练、测试数据集的分配情况。
表1标签的训练、测试数据分配情况
根据以往的实验经验，过多的训练集会造成过拟合现象，而过少的训练数据会产生欠拟合现象。因此在本实施例中，首先中和两者的关系，设计出表1的训练集、测试集的比例结构图，如图1所示，将高光谱影像的像素标签分成两组，即训练和测试数据组，按照每一类的训练数据：测试数据＝1:3的比例提取，由于存在某类样本(第1、7、9、16类)不足的情况，需要足够的训练样本以实现高分类精度，特殊的按照分割比3:1来提取，以保证训练样本充足。另外必须提及的是，背景像素(标签＝0)不应被考虑用于分类目的。
为了说明本具体实施方式所提出的比例混合法的有效性，根据样本标签之间和样本标签内是否混合，提出三种数据结构形式，表2是在同等条件下，将这3种数据结构形式应用在卷积神经网络的实验结果。
表2不同数据集形式的CNN实验分类精度
其中Top1error和Top5error指的是误差。根据表格中数据可知，数据结构3无论在训练时间还是测试分类精度都远远优于其他两种结构形式，由此说明比例混合法的优势。
应说明的是，经过多次试验表明，当卷积神经网络在学习率＝0.001、训练迭代次数＝20、每一个批次的样本数量＝50的时候，系统的平均精确度最高，性能最佳。所以本实施例中此后所涉及的卷积神经网络实验默认选择上述设置。
S2：对样本进行归一化处理，归一化范围为[-1,1]；
S3：构建深度卷积神经网络模型；
S4：将预处理后的数据按照卷积通道顺序输入深层卷积网络模型进行训练和测试；
S5：进行特征提取后得到输出结果，并将输出结果与真实数据进行特征匹配；
S6：输出分类结果。
步骤S3具体包括以下步骤：
S3.1：设计基本卷积神经网络模型，设计出卷积神经网络处理流程，如图3所示：首先训练数据经过前向传播得到实际输出，将其与真实数据比较，利用SGD来修改网络结构和数据值，经过迭代形成网络结构；将测试数据输入网络模型，进行特征提取后得到输出结果与真实数据进行特征匹配；最后利用具有竞争性的模型来输出结果。如图1所示，通过堆叠若干卷积层和最大池化层以形成深层架构。
S3.2：提出批次规范化算法，按图4执行批次规范化操作，并如图1使批次规范化模块以间隙插入的方式参与模型中卷积神经网络的深层构造；
为了说明本发明所提出的批次规范化算法的有效性，设计了相应的对比实验。即控制其他条件相同的情况下，按是否在卷积神经网络中加入批次规范化操作层进行实验，表3为实验结果。
表3有无批次规范化的对比实验结果
从表3看出，加入批次规范化后，网络的训练时间缩短，对应的所有组别的错误率均降低，由此表明批次规范化对提高分类性能的重要作用。
S3.3：在输出端使用多项对数损失模型，从而控制输出。
为了验证本发明中多项对数损失模型的有效性，在控制其他条件相同的情况下，按输出端所用模型不同进行对比实验，表4即为实验所得分类结果。
表4输出端采用不同模型的CNN分类结果
可以发现，本发明所提出的多项对数损失模型在分类精度上有其它两个模型不可比拟的优势。
步骤S3.2中的批次规范化算法如式(1)所示：
式(1)中，xi为最小批次数据B中的激活值，且B＝{x1...m}，yi为批次规范化算法的输出，1≤i≤m；m为最小批次数据B的大小；缩放参数γ和平移参数β是通过训练学习得到的，用以恢复网络的表达能力；
为归一化后的中间量，可由下式(2)得到：
式(2)中，ε是一个趋于0的常数，μB为已知最小批次数据B的均值，为已知最小批次数据B的方差。
步骤S3.3中的多项对数损失模型如式(3)所示：
式(3)中，l(x,c)是分类损失函数，c∈{1,...,C}H×W×1×N，c为地面真实类标签，x是表示C个不同类的后验概率的向量，后验概率p(k)＝xk，k＝1,...,C，H为输入数据的长，W为输入数据的宽，N为数据第三维的尺寸。

Claims (5)

1.一种遥感影像分类方法，其特征在于：包括以下步骤：
S1：输入数据，并采用比例混合法对输入的数据进行预处理；
S2：对样本进行归一化处理，归一化范围为[-1,1]；
S3：构建深度卷积神经网络模型；
S4：将预处理后的数据按照卷积通道顺序输入深层卷积网络模型进行训练和测试；
S5：进行特征提取后得到输出结果，并将输出结果与真实数据进行特征匹配；
S6：输出分类结果。
2.根据权利要求1所述的遥感影像分类方法，其特征在于：所述步骤S1中的比例混合法为：把像素点作为处理单元进行训练和测试，以像素点为单位提取后，按照统一的转换次序，将三维数据变为二维形式的数据。
3.根据权利要求1所述的遥感影像分类方法，其特征在于：所述步骤S3具体包括以下步骤：
S3.1：设计基本卷积神经网络模型，并通过堆叠若干卷积层和最大池化层形成深层架构，卷积层和最大池化层交替架构；
S3.2：提出批次规范化算法，并使批次规范化模块以间隙插入的方式参与模型中卷积神经网络的深层构造；
S3.3：在输出端使用多项对数损失模型，从而控制输出。
4.根据权利要求3所述的遥感影像分类方法，其特征在于：所述步骤S3.2中的批次规范化算法如式(1)所示：
式(1)中，xi为最小批次数据B中的激活值，且B＝{x1...m}，yi为批次规范化算法的输出，1≤i≤m；m为最小批次数据B的大小；γ为缩放参数，β为平移参数；
为归一化后的中间量，可由下式(2)得到：
式(2)中，ε是一个趋于0的常数，μB为已知最小批次数据B的均值，为已知最小批次数据B的方差。
5.根据权利要求3所述的遥感影像分类方法，其特征在于：所述步骤S3.3中的多项对数损失模型如式(3)所示：
式(3)中，是分类损失函数，c∈{1,...,C}H×W×1×N，c为地面真实类标签，x是表示C个不同类的后验概率的向量，后验概率p(k)＝xk，k＝1,...,C，H为输入数据的长，W为输入数据的宽，N为数据第三维的尺寸。
CN201710355440.2A 2017-05-19 2017-05-19 一种遥感影像分类方法 Pending CN107273807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710355440.2A CN107273807A (zh) 2017-05-19 2017-05-19 一种遥感影像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710355440.2A CN107273807A (zh) 2017-05-19 2017-05-19 一种遥感影像分类方法

Publications (1)

Publication Number Publication Date
CN107273807A true CN107273807A (zh) 2017-10-20

Family

ID=60064176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710355440.2A Pending CN107273807A (zh) 2017-05-19 2017-05-19 一种遥感影像分类方法

Country Status (1)

Country Link
CN (1) CN107273807A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460342A (zh) * 2018-02-05 2018-08-28 西安电子科技大学 基于卷积网和循环神经网络的高光谱图像分类方法
CN108596213A (zh) * 2018-04-03 2018-09-28 中国地质大学（武汉） 一种基于卷积神经网络的高光谱遥感图像分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915445A (zh) * 2012-09-17 2013-02-06 杭州电子科技大学 一种改进型的神经网络高光谱遥感影像分类方法
CN105320965A (zh) * 2015-10-23 2016-02-10 西北工业大学 基于深度卷积神经网络的空谱联合的高光谱图像分类方法
CN105740894A (zh) * 2016-01-28 2016-07-06 北京航空航天大学 一种高光谱遥感图像的语义标注方法
CN105787501A (zh) * 2015-12-17 2016-07-20 武汉大学 输电线路走廊区域自动选择特征的植被分类方法
CN106023220A (zh) * 2016-05-26 2016-10-12 史方 一种基于深度学习的车辆外观部件图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915445A (zh) * 2012-09-17 2013-02-06 杭州电子科技大学 一种改进型的神经网络高光谱遥感影像分类方法
CN105320965A (zh) * 2015-10-23 2016-02-10 西北工业大学 基于深度卷积神经网络的空谱联合的高光谱图像分类方法
CN105787501A (zh) * 2015-12-17 2016-07-20 武汉大学 输电线路走廊区域自动选择特征的植被分类方法
CN105740894A (zh) * 2016-01-28 2016-07-06 北京航空航天大学 一种高光谱遥感图像的语义标注方法
CN106023220A (zh) * 2016-05-26 2016-10-12 史方 一种基于深度学习的车辆外观部件图像分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JUN YUE 等: "Spectral–spatial classification of hyperspectral images using deep convolutional neural networks", 《REMOTE SENSING LETTERS》 *
SERGEY IOFFE、CHRISTIAN SZEGEDY: "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift", 《MACHINE LEARNING》 *
徐守晶 等: "基于改进型SDA的自然图像分类与检索", 《模式识别与人工智能》 *
王华利 等: "基于深度卷积神经网络的快速图像分类算法", 《计算机工程与应用》 *
申广荣: "《资源环境信息学（第二版）》", 30 June 2016, 上海交通大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460342A (zh) * 2018-02-05 2018-08-28 西安电子科技大学 基于卷积网和循环神经网络的高光谱图像分类方法
CN108596213A (zh) * 2018-04-03 2018-09-28 中国地质大学（武汉） 一种基于卷积神经网络的高光谱遥感图像分类方法及系统

Similar Documents

Publication Publication Date Title
CN110516596B (zh) 基于Octave卷积的空谱注意力高光谱图像分类方法
CN110321963B (zh) 基于融合多尺度多维空谱特征的高光谱图像分类方法
CN110084159B (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN109754017B (zh) 基于可分离的三维残差网络和迁移学习高光谱图像分类方法
CN112052755B (zh) 基于多路注意力机制的语义卷积高光谱图像分类方法
CN104102929B (zh) 基于深度学习的高光谱遥感数据分类方法
CN106203523B (zh) 基于梯度提升决策树半监督算法融合的高光谱图像分类方法
CN106951836B (zh) 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN106845418A (zh) 一种基于深度学习的高光谱图像分类方法
CN109190491B (zh) 残差卷积神经网络sar影像海冰分类方法
CN108280396B (zh) 基于深度多特征主动迁移网络的高光谱图像分类方法
CN112308152B (zh) 基于光谱分割与同质区域检测的高光谱图像地物分类方法
CN107944483B (zh) 基于双通道dcgan和特征融合的多光谱图像分类方法
CN107145830A (zh) 基于空间信息增强和深度信念网络的高光谱图像分类方法
Marconi et al. A data science challenge for converting airborne remote sensing data into ecological information
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN108734283A (zh) 神经网络系统
CN102915445A (zh) 一种改进型的神经网络高光谱遥感影像分类方法
CN111222545B (zh) 基于线性规划增量学习的图像分类方法
CN104050507A (zh) 基于多层神经网络的超光谱图像分类方法
CN111783884B (zh) 基于深度学习的无监督高光谱图像分类方法
CN110852369B (zh) 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法
CN104680185B (zh) 基于边界点重分类的高光谱图像分类方法
CN104268579A (zh) 基于分层集成学习的高光谱遥感图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171020