CN108710902A - 一种基于人工智能的面向高分辨率遥感图像的分类方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的面向高分辨率遥感图像的分类方法，首先将输入图像划分成几个可以直接用于分类的标准小图像块；然后用五个卷积层提取中层特征，捕捉图像的语义信息；在编码器中卷积层产生特征图谱，采用激活函数和最大池化函数；池化层在局部区域沿着空间维度采样；输出的中层特征；基于输出的中层特征，二维双向门循环单元对中层特征的上下文依赖性建模；通过学习中层特征中蕴藏的复杂模式，得到高层语义特征表达，得到长程依赖性；最后采用常用的上采样解码器得到最终的像素级分类结果。本发明可以很好地捕捉大幅遥感图像上的大范围空间和语义依赖性，从而大幅提高分类精度，提升高分辨率遥感图像的自动解译程度。

Description

一种基于人工智能的面向高分辨率遥感图像的分类方法

技术领域

本发明属于高分辨率遥感图像分析技术领域，具体涉及一种基于人工智能的面向高分辨率遥感图像的分类方法。

背景技术

高分辨率遥感图像已经广泛用于多种现实应用中，如灾害监测等。现在常用的方法是面向对象的图像分析方法(object-based image analysis, OBIA)。该方法首先将相似像素聚合成对象，然后提取对象特征再进行分类。该方法克服了局部层面上的特征变化，减小了光谱异质性，对地物对象有较好的表达能力。然而，这些特征是毕竟是底层特征，与高层语义之间存在语义鸿沟，而且OBIA需要先验知识来分割图像，否则难以得到较合适的对象，导致分类精度很难进一步提高。

最近，卷积神经网络(convolutional neural network, CNN)在高分辨率遥感图像分类中表现优异，受到广泛关注。全卷积网络(fully convolutional neural network,FCN)首先产生低分辨率的语义图谱，然后上采样成高分辨率的分割结果，可以用来在图像中识别对象并找到其位置。

为了充分利用信息，还可以在在CNN后面加上条件随机场(conditional randomfield, CRF)，可以根据空间形状和语义内容，探索潜在的语义信息，更好地表达地物对象。然而，CNN池化层的特征不足以表征遥感图像的语义上下文信息。为此，可以采用特征金字塔模拟人类视觉感知提取多层次特征，然后基于特征块集成上下文表达。然而，这些方法只是面向图幅小的自然图像，不足以有效地解译大幅遥感图像。而且，使用粗粒度的特征图谱检测图像对象时，很难在像素层产生精细的分类结果。

发明内容

针对上述现有技术存在的问题，本发明旨在提供了一种基于人工智能的面向高分辨率遥感图像的分类方法。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于人工智能的面向高分辨率遥感图像的分类方法，包括以下步骤：

首先，将输入图像划分成几个可以直接用于分类的标准小图像块；

然后用五个卷积层提取标准小图像块的中层特征，捕捉标准小图像块的语义信息；

在编码器中，卷积层产生特征图谱，特征图谱中每个元素都是由感受野卷积而来，然后采用激活函数如ReLU、PreLU和最大池化函数；

池化层在局部区域沿着空间维度采样，令每个采样小图形块的大小为W×H，每个输入图像N个通道，N为正整数，中心点位于，二维滤波器(filter)为，输出特征图谱大小为，卷积的步长参数为，表示卷积过程中输入图像或特征图谱上的滑动距离；

假如卷积输出的大小为，则卷积过程的定义如下：

；

其中，表示第k通道在位置处的特征图谱值，表示第k个过滤器在位置处的值，表示第k个过滤器在位置的偏置参数；

最后激活的输出是步长为在的池化窗口下的最大池化结果，其输出的中层特征如下：

；

基于输出的中层特征，二维双向门循环单元（GRUs）对中层特征的上下文依赖性建模；通过循环神经网络的门机制提供记忆机制；在t时刻的激活是之前激活和待定值的线性插值：

；

其中更新门限决定了单元更新的幅度或信息可接受程度；通过学习中层特征中蕴藏的复杂模式，得到高层语义特征表达，得到长程依赖性；最后采用常用的上采样解码器得到最终的像素级分类结果。

本发明的有益效果如下：

本发明提出了一个充分利用遥感图像的大范围上下文信息的新方式，用二维双向门循环单元(Gated Recurrent Units, GRUs)在中层特征中分析上下文信息。通过用二维双向门循环单元对中层特征采集大范围上下文特征，可以很好地捕捉大幅遥感图像上的大范围空间和语义依赖性，从而大幅提高分类精度，提升高分辨率遥感图像的自动解译程度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明系统总体结构图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。

参见图1所示，一种基于人工智能的面向高分辨率遥感图像的分类方法，包括以下步骤：

首先，将输入图像划分成几个可以直接用于分类的标准小图像块；

然后用五个卷积层提取标准小图像块的中层特征，捕捉标准小图像块的语义信息；

在编码器中，卷积层产生特征图谱，特征图谱中每个元素都是由感受野卷积而来，然后采用激活函数如ReLU、PreLU和最大池化函数；

池化层在局部区域沿着空间维度采样，令每个采样小图形块的大小为W×H，每个输入图像N个通道，N为正整数，中心点位于，二维滤波器(filter)为，输出特征图谱大小为，卷积的步长参数为，表示卷积过程中输入图像或特征图谱上的滑动距离；

假如卷积输出的大小为，则卷积过程的定义如下：

；

其中，表示第k通道在位置处的特征图谱值，表示第k个过滤器在位置处的值，表示第k个过滤器在位置的偏置参数；

最后激活的输出是步长为在的池化窗口下的最大池化结果，其输出的中层特征如下：

；

基于输出的中层特征，二维双向门循环单元（GRUs）对中层特征的上下文依赖性建模；通过循环神经网络的门机制提供记忆机制；在t时刻的激活是之前激活和待定值的线性插值：

；

其中更新门限决定了单元更新的幅度或信息可接受程度；通过学习中层特征中蕴藏的复杂模式，得到高层语义特征表达，得到长程依赖性；最后采用常用的上采样解码器得到最终的像素级分类结果。

当然上述实例只是为了说明本发明的技术构思及特点所作的例举而非穷举，其目的在于让 熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。根据本发明主要技方案的精神实质所做的修饰，都涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于人工智能的面向高分辨率遥感图像的分类方法，其特征在于，包括以下步骤：

首先，将输入图像划分成几个可以直接用于分类的标准小图像块；

然后用五个卷积层提取标准小图像块的中层特征，捕捉标准小图像块的语义信息；

在编码器中，卷积层产生特征图谱，特征图谱中每个元素都是由感受野卷积而来；

然后采用激活函数和最大池化函数，池化层在局部区域沿着空间维度采样，令每个采样小图形块的大小为W×H，每个输入图像N个通道，N为正整数，中心点位于，二维滤波器(filter)为，输出特征图谱大小为，卷积的步长参数为，表示卷积过程中输入图像或特征图谱上的滑动距离；

假如卷积输出的大小为，则卷积过程的定义如下：

；

其中，表示第k通道在位置处的特征图谱值，表示第k个过滤器在位置处的值，表示第k个过滤器在位置的偏置参数；

最后激活的输出是步长为在的池化窗口下的最大池化结果，其输出的中层特征如下：

；

基于输出的中层特征，二维双向门循环单元对中层特征的上下文依赖性建模；通过循环神经网络的门机制提供记忆机制；在t时刻的激活是之前激活和待定值的线性插值：

；

其中更新门限决定了单元更新的幅度或信息可接受程度；通过学习中层特征中蕴藏的复杂模式，得到高层语义特征表达，得到长程依赖性；最后采用常用的上采样解码器得到最终的像素级分类结果。