CN109784376A - 一种遥感图像分类方法及分类系统 - Google Patents

Abstract

本发明公开了一种遥感图像分类方法及分类系统，获取待处理的遥感图像集，并将待处理的遥感图像集分为训练集和测试集；再将训练集和测试集分别转化为训练数据文件、测试数据文件；然后构建卷积神经网络模型；并进一步将上述训练数据文件作为所述卷积神经网络模型的输入进行训练，根据训练结果更新所述卷积神经网络模型；最后将测试数据作为根据所述训练结果更新后的卷积神经网络模型的输入进行测试，根据测试的准确率再次对更新后的卷积神经网络模型进行优化，得到最终卷积神经网络模型，并用于对所遥感图像集的分类。本发明可以实现根据具体的应用场景和图像特征进行卷积神经网络模型的选择及优化，提高了分类方法的准确率。

Description

一种遥感图像分类方法及分类系统

技术领域

本发明涉及图像处理、计算机视觉领域，具体而言，涉及一种遥感图像分类方法及分类系统。

背景技术

随着科学技术的发展，遥感技术向着多源数据、定量化、实时化、智能化的方向发展。遥感图像的分辨率不断提高，数据量也不断地增多，遥感大数据时代已经来临。然而，现有的遥感影像分析和海量数据处理技术难以满足当前遥感大数据应用的要求。因此，结合人工智能方法的遥感大数据的信息挖掘理论是目前的前沿领域之一。

遥感图像分类在环境变化监控、城市变迁分析、地质勘探、国防安全等方面有着重要的应用。传统的高分辨率遥感图像分类的方法为：首先采用形态学滤波、中值滤波、加权滤波等方法对图像进行预处理，以去除图像中的高斯加性白噪声、椒盐噪声；接着通过滑动窗口策略进行区域选择，即在给定的图像上选择一些区域作为进一步识别的候选区域；接着再采用手工设计特征对候选区域特征进行提取，提取的特征包括几何特征、灰度统计特征、变换特征、代数特征等，但人工提取特征的方法往往在鲁棒性方面效果欠佳；最后进行分类器分类，即通过已训练的分类器，依据提取特征对区域进行分类识别，常用的方法有SVM(Support Vector Machine)、AdaBoost(boosting算法的一种)等。上述分类方法存在着以下问题：(1)基于预设的特征模型准确性低，预设模型难以准确描述具体应用场景下的数据规律，且针对具体应用，模型的选择非常困难。(2)特征模型较固化，泛化能力差，难以掌握数据的复杂变化。且大多数模型已基本固定，只可调整少量的模型参数，以致于难以掌握数据(如空间平移、旋转、尺度缩放等)的变化。(3)由于模型较固化、自由度低，难以利用大量数据不断提高模型的表达能力。(4)大多数传统机器学习方法等价于浅层学习模型，难以提取目标的高层抽象信息。

发明内容

本发明提供了一种遥感图像的分类方法及遥感图像分类系统，用以解决上述背景技术中存在的模型固化、模型选择自由度低等问题。

为了实现上述目的，本发明的遥感图像分类方法的步骤如下：

S1、获取待处理的遥感图像集，并将所述待处理的遥感图像集分为训练集和测试集；

S2、将所述训练集和所述测试集分别转化为训练数据文件、测试数据文件；

S3、构建卷积神经网络模型；

S4、将所述训练数据文件作为所述卷积神经网络模型的输入进行训练，根据训练结果更新所述卷积神经网络模型；

S5、将所述测试数据作为步骤S4中更新后的卷积神经网络模型的输入进行测试，根据测试的准确率再次对所述更新后的卷积神经网络模型进行优化，得到最终卷积神经网络模型，并用于对所遥感图像集的分类。

进一步的，在本发明的一种遥感图像分类方法中，所述步骤S2具体包括：

S21、将所述训练集和所述测试集分别生成二进制训练数据文件和二进制测试数据文件；

S22、读取所述二进制训练数据文件和二进制测试数据文件；

S23、对所述二进制训练数据文件和所述二进制测试数据文件进行批处理得到一组新的二进制训练数据文件和一组新的二进制测试数据文件；

S24、将所述新的二进制训练数据文件和所述新的二进制测试文件中的数据集进行扩增以转换为所述训练数据文件和所述测试数据文件。

进一步的，在本发明的一种遥感图像分类方法中，所述步骤S22中采用队列和多线程的方式读取所述二进制训练数据文件和二进制测试数据文件；

所述队列方式是文件名队列内存队列的双队列形式。

进一步的，在本发明的一种遥感图像分类方法中，所述步骤S23具体包括：

S231、将所述二进制训练数据文件和所述二进制测试文件中的数据集按照批的预设大小划分为若干个批；

S232、将所述批加载进集列，当所述集列达到预设的最大容量时，不再对达到最大容量的集列加载所述批，得到所述新的训练数据文件和/或所述新的测试数据文件；

S243、当所述集列未达到预设的最大容量时，加载所述批直至所述集列达到预设的最大容量，得到所述训新的练数据文件和/或所述新的测试数据文件。

需要说明的是，本领域的一般技术人员应该理解，所述步骤S232和所述步骤233只是为了更清楚地说明将所述批加载进集列的两种情况，并不代表二者的先后顺序。

进一步的，在本发明的一种遥感图像分类方法中，所述卷积神经网络模型包括若干层输入层、若干层卷积层、若干层池化层和若干层全连接层；

所述输入层、所述卷积层、所述池化层和所述全连接层的构建模型公式为：y＝wx+b，其中，w为权值向量，x为输入向量，b为偏置向量，y为输出向量。

进一步的，在本发明的一种遥感图像分类方法中，所述卷积层的水平和竖直的滑行步进长度相同，且卷积后的图像大小与输入前的图像大小一致；

所述池化层的窗口的高度和宽度相同，且平行和竖直的滑行步进长度相同。

进一步的，在本发明的一种遥感图像分类方法中，所述步骤S4中采用Adam算法对所述训练数据文件进行训练；

所述步骤S4中训练结果包括所述据训练数据与正确答案之间的差距。

进一步的，在本发明的一种遥感图像分类方法中，所述差距为损失函数和分类准确率；

所述损失函数通过评判输出向量与期望向量的相似程度进行表征；

所述分类准确率通过预测正确的标签数量与总标签数量的比值进行表征。

进一步的，在本发明的一种遥感图像分类方法中，所述训练结果还包括过拟合现象，所述过拟合现象通过dropout及正则化方法实现所述步骤S4中所述卷积神经网络模型的更新。

进一步的，在本发明的一种遥感图像分类方法中，对所述训练数据采用反向传播算法实现训练，并保存所述更新后的卷积神经网络模型。

进一步的，在本发明的一种遥感图像分类方法中，所述步骤S5中的更新后的卷积神经网络模型是按照预设时间加载的最新模型；

所述步骤S5采用滑动平均模型的方法对所述更新后的卷积神经网络模型进行优化，得到最终卷积神经网络模型。

进一步的，在本发明的一种遥感图像分类方法中，所述训练和所述测试的整个过程及得到的所有结果均被监控记录，且通过可视化工具实时显示。

进一步的，本发明还提供了一种遥感图像分类系统，其特征在于，所述系统包括遥感图像构造模块、数据读取及处理模块、卷积神经网络模型模块、数据训练模块和数据测试模块；

所述遥感图像构造模块用于获取待处理的遥感图像集，并将所述待处理的遥感图像集分为训练集和测试集；

所述数据读取及处理模块，用于将所述训练集和所述测试集分别转化为训练数据文件、测试数据文件；

所述卷积神经网络模型模块，用于构建并根据所述数据训练模块的训练结果和所述数据测试模块的测试结果更新卷积神经网络模型；

所述数据训练模块，用于将所述训练数据文件作为所述卷积神经网络模型的输入进行训练，得到所述训练结果；

所述数据测试模块，用于将所述测试数据作为根据所述数据训练模块更新后的卷积神经网络模型的输入进行测试，得到所述测试结果。

进一步的，所述卷积神经网络模型包括若干层输入层、若干层卷积层、若干层池化层和若干层全连接层。

相对现有技术，本发明提供的一种遥感图像方法，通过对训练参数的定义及初始化构建原始的卷积神经网络模型，然后开始对训练集进行模型训练，通过可视化的训练结果实时调整、优化所述卷积神经网络模型；同时，根据预设时间，利用最新的所述调整、优化后的所述卷积神经网络模型对测试集进行测试，再根据可视化的测试结果进一步调整相关参数，优化所述卷积神经网络模型，进而可以实现根据具体的应用场景、具体的图像特征进行卷积神经网络模型的选择及优化，提高了分类方法的准确率。并且本发明通过滑动平均模型将每一轮迭代得到的模型综合起来，从而使得最终得到的卷积神经网络模型更加健壮，提高了最终模型在测试数据上面的表现，也解决了人工特征提取鲁棒性差的问题。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将背景技术及本发明实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了传统高分辨率遥感图像分类方法的流程简图；

图2示出了本发明第一实施例所提供的遥感图像分类方法流程简图；

图3示出了本发明第一实施例遥感图像数据处理的流程图；

图4示出了本发明第一实施例构建卷积神经网络模型的流程图；

图5示出了本发明第二实施例所提供的遥感图像分类方法流程简图；

图6示出了本发明第一实施例损失函数的变化曲线；

图7示出了本发明第一实施例训练集准确率的变化曲线；

图8示出了本发明第一实施例测试集准确率的变化曲线；

图9示出了本发明实施例所提供的遥感图像分类系统结构简图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的步骤可以以各种不同的方式实现。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

请参照图2，图2示出了本发明第一实施例所提供的遥感图像分类方法的流程简图。本实施例尤其适用于高分辨率遥感图像的分类，且本发明实施例在Tensorflow的开发环境中执行。步骤S1中，本实施例通过在Google Earth上分别下载10000张岩石、冰川、绿植、河流、城市的图片，并将图片统一转化为256*256(单位：像素)大小。然后将同一类别的图片放入相同的文件夹中，从而构造出含有50000张图片的遥感图像集，该数据集命名为UCAS_5数据集。。进一步的，使用python语言进行编程将50000张遥感图像集分成互斥的两个集合。其中任意取遥感图像数据集的40000张图片作为训练集用于训练模型，另外10000张图片作为测试集用来验证模型的准确率。

需要说明的是，本实施例中的图片数据具有如下优点：(1)数据规模大，数据规模对于深度学习而言十分重要。UCAS_5数据集与广泛使用的UCM数据集相比，数据量大约是UCM数据集的24倍，是目前公开的高分辨率遥感图像数据集中最大的数据集。

(2)图像样本的多样性：由于Google Earth所提供的数据来源于不同的高分辨率卫星，因此该数据集具有不同的分辨率，同时该数据集涵盖100多个国家及地区的场景，样本具有多样性，具有一定的分类难度。鉴于现存的图像数据集对场景变换而言并不丰富的问题，所构建的数据集对于不同的光照、天气、季节、图像位置、图像清晰度等条件进行了严格的筛选，从而使得每类图像的视角、照明度等方面有着较大的差异。

另外，UCAS_5数据集与现存的高分辨率遥感图像数据集的比较如下表所示，从该表可以看出，UCAS_5数据集的每类图片数量以及总数量规模最大。该数据集的创建能够对相关算法进行评估从而使得基于深度学习的遥感图像分类领域得到更好的发展。

请结合图2并参照图3，图3示出了本发明第一实施例所提供的遥感图像数据的处理流程，本实施例的步骤S2中，首先，如步骤S21所述，将构造的训练集和测试集均转化为TFRecord格式，生成二进制训练数据文件train.tfrecords、二进制测试数据文件validation.tfrecords以及文本文件classmap.txt。其中，文本文件表示图片内部标签(数字)到真实类别(字符串)之间的映射顺序。需要说明的是，TFRecord格式可以统一不同的原始数据格式，它是一种将图像数据和标签放在一起的二进制文件，能够有效地管理不同的属性，且在TFRecord格式在TensorFlow环境中可以进行快速的复制、移动、读取、存储等，并可以根据选择输入文件的类型，自动给每一类打上同样的标签。

进一步的，如步骤S22所述，采用队列以及多线程的方式对TFRecord格式的二进制训练数据文件和二进制测试数据文件进行读取。需要说明的是，目前在tensorflow中读入数据大致有三种方法：(1)用占位符(即placeholder)读入，这种方法比较简单。(2)用队列的形式建立文件到tensor的映射。(3)用Dataset API读入数据，Dataset API是tensorflow1.3版本引入的一种新的读取数据的机制。机器学习中的运行一个epoch就是将这个数据集中的图片全部计算一遍，通过使用“文件名队列+内存队列”双队列的形式读入文件，可以很好地管理epoch。并且多线程的操作的作用是可以同时向一个队列中写元素，或者同时读取一个队列中的元素。

进一步的，如步骤S23所述，将所述二进制训练数据文件和所述二进制测试数据文件进行batch(批)处理以整理成由batch(批)组成的训练数据文件和测试数据文件，这些batch就可以作为所述卷积神经网络的输入。本实施例将所述训练数据文件以及所述测试数据文件的batch大小定为128张图片。对于训练数据文件而言，集列的最大容量设为12384张图片；对于测试数据文件而言，集列的最大容量设为4384张图片。当集列长度等于所述集列的最大容量时，TensorFlow将暂停加载所述批进入集列(也就是不再把batch集合入集列)操作，只是等待数据文件中的元素出集列(也可以称之为出栈)；当数据文件中的元素个数小于所述集列的最大容量时，TensorFlow将自动重新启动加载所述批进入集列操作。需要说明的是，将多个输入样例组成一个batch可以提高模型训练的效率。

进一步的，如步骤S24所述，采用旋转、翻转、裁剪、缩放、颜色变换的数据增强方式对上述二进制训练数据文件和上述二进制测试数据文件中的每一张图片进行数据集的扩增以得到最终的二进制训练数据文件和二进制测试数据文件，从而提高模型的性能。需要说明的是，深度学习通常会要求拥有充足数量的训练样本，故一般来说，训练的数量越多，训练得到的模型效果就会越好。在图像任务中，通常对输入的图像进行一些简单的平移、缩放、颜色变换后并不会影响图像的类别。而对于图像类型的训练数据，所谓的数据增强(data Agumentaion)方法是指利用平移、缩放、颜色等变换，人工增大训练集样本的个数，从而获得充足的训练数据，使得模型训练的效果更好。

请结合图2并参考图4，图4示出了本发明第一实施例构建卷积神经网络模型的流程，本实施例的步骤S3中，首先，S31、对卷积神经网络训练参数进行定义及初始化，也就是说，定义卷积神经网络模型的训练参数并对其进行初始化。本实施例中，卷积神经网络的每层是y＝wx+b的决策模型，其中，w为权值向量，x为输入向量，b为偏置向量，y为输出向量。

进一步的，S32、定义卷积神经网络模型不同层的操作方式，本实施例定义了卷积层、池化层。其中，卷积层操作中的平行和竖直的滑行步进长度均设为1，String类型的量设为“SAME”，即进行填充操作，使得卷积后图像的大小与输入大小一致。池化层操作中，池化窗口的高度和宽度均设为2，在平行和竖直的滑行步进长度均设为2，采用填充操作。进一步的，S33、定义卷积神经网络模型和训练方式，本实施例采用12层的卷积神经网络模型进行训练，卷积神经网络模型的具体结构下表所示。

进一步的，S34、定义评估量，本实施例中采用Adam(Adaptive MomentEstimation)优化算法将每个变量往成本函数不断降低的方向移动，本实施例设置的学习率为0.0001。需要说明的是，Adam算法为Momentum动量梯度下降法与RMSprop算法的结合，是一种可以替代传统随机梯段下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，可以有效地适用于不同网络。进一步的，S35、，根据评估结果选择dropout及正规化方法进行模型优化，本实施例通过损失函数和分类准确率表征卷积神经网络模型的训练准确率，且训练时，需要loss(损失函数)值减小，分类准确率增加，这样的训练才是收敛的。其中，损失函数采用交叉熵来评判输出向量与期望向量的相似程度，即两个概率分布之间的距离；分类准确率采用预测正确的标签数量与总标签数量的比值进行评估。

进一步的，由于本发明构建的遥感图像集并不是很大，容易出现过拟合问题，因此卷积神经网络模型采用了dropout以及正则化优化方法以避免过拟合的问题。需要说明的是，Dropout的思路是每次丢掉一部分的隐藏层的神经元，相当于在不同的神经网络上进行训练，从而减少了神经元之间的依赖性，使得神经网络能够学习到与其他神经元之间的更加健壮的特征。本实施例设置的保留某个隐藏单元的概率为0.5。正则化的思想就是在损失函数中加入刻画模型复杂程度的指标，通过限制权重大小，使得模型不能任意拟合训练数据的噪声。

请参照图2，本发明实施例的步骤S4中，通过使用反向传播算法进行迭代进而实现对卷积神经网络模型的训练，根据训练数据与正确答案之间的差距来更新卷积神经网络的参数取值，本实施例的迭代次数设置为100000次，且对卷积神经网络模型进行训练时，需要将模型保存下来，方便后面继续训练或者用训练好的卷积神经网络模型进行测试。故本实施例建了一个saver保存模型参数，每训练500次将次模型参数保存到checkpoint里，如果达到训练目标并且训练次数达到100000次就结束训练过程，反之，继续训练。

请参照图2，本发明实施例的步骤S5中，首先声明变量，接着每隔10s加载一次最新卷积神经网络模型，并在测试数据文件上测试最新卷积神经网络模型的准确率。本实施例采用滑动平均模型进行测试过程的优化，设置的滑动平均衰减率为0.9999。需要说明的是，滑动平均模型会将每一轮迭代得到的模型综合起来，从而使得最终得到的模型更加健壮，从一定程度上提高最终模型在测试数据上面的表现，进而实现采用最终模型对遥感图像的准确分类。

请参照图5，图5示出了本发明的第二实施例所提供的遥感图像分类方法的流程简图，首先，步骤S1’与图2中的S1(本发明的第一实施例)所进行的工作类似，但相较于第一实施例，本实施例增加了搭建TensorFlow的开发环境的环节，具体的，本实施例在Linux系统下Ubantu16.04版本中进行安装，采用了CUDA 8.0.61、CuDNN v6以及TensorFlow1.4.0环境搭建TensorFlow的开发环境。且本实施例的硬件平台基于Intel E5 2673V3双核处理器，4路GTX1080Ti GPU，32G内存，显卡为NVDIA GTX1080TI 11G×4。进一步的，本实施例中的步骤S2’和第一实施例的步骤S2所进行的工作基本相同，不再进行赘述。进一步的，本实施例中的步骤S3’和第一实施例的步骤S3所进行工作的不同之处在于：第一实施例中的卷积神经网络模型根据对模型的训练过程和测试过程的结果实时迭代调节卷积神经网络模型，而本实施例中的卷积神经网络模型只是根据分测试后的分类结果进行动态调整。进一步的，本实施例中的步骤S4’、步骤S5’利用TensorBoard对分类结果进行监控并可视化显示。需要说明的是，TensorBoard为TensorFlow的一个可视化工具。TensorBoard可以有效地展示TensorFlow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的图像等信息。TensorBoard和TensorFlow程序跑在不同的进程中，TensorBoard会自动读取最新的TensorFlow日志文件，并呈现当前TensorFlow程序运行中的最新状态。本实施例对训练过程以及测试过程进行了监控，并记录了标量监控数据、图片数据、张量分布监控数据随着迭代轮数的变化趋势。进而通过可视化的结果进一步对卷积神经网络的参数进行调整。

请参照图6～图8，图6示出了本发明第一实施例损失函数的变化曲线，可以很明显的看出，经过100000次迭代，最终的损失函数的值可以达到0.03366。图7示出了本发明第一实施例训练集准确率的变化曲线，可以很明显的看出，经过100000次迭代，最终的训练集的准确率可达0.9922。图8示出了本发明第一实施例测试集准确率的变化曲线，也可以很明显的看出，经过100000次迭代，最终的测试集的准确率可达0.97。

请参照图9，图9示出了本发明遥感图像分类系统的结构简图，遥感图像分类系统包括遥感图像构造模块1、数据读取及处理模块2、卷积神经网络模型模块5、数据训练模块3和数据测试模块4。进一步的，遥感图像构造模块1用于获取待处理的遥感图像集，并将待处理的遥感图像集分为训练集和测试集。数据读取及处理模块2用于将训练集和测试集分别转化为训练数据文件、测试数据文件。卷积神经网络模型模块5用于构建并根据数据训练模块3的训练结果和数据测试模块4的测试结果更新卷积神经网络模型。数据训练模块3用于将训练数据文件作为卷积神经网络模型的输入进行训练，得到所述训练结果。数据测试模块4用于将测试数据作为根据数据训练模块更新后的卷积神经网络模型的输入进行测试，得到测试结果。进一步的，卷积神经网络模型由输入层、5层卷积层和5层池化层间隔排列、2层全连接层组成。

在本实施例中，遥感图像构造模块1和数据读取及处理模块2电连接，以确保数据读取及处理模块2能够快速的获得遥感图像构造模块1中的图像集。进一步的，数据读取及处理模块2同时和数据训练模块3和数据测试模块4同时电连接以便于数据读取及处理模块2能顺利向数据训练模块3和数据测试模块4输出训练数据和测试数据。进一步的，数据训练模块3与数据测试模块4电连接，以便于根据数据训练后的模型快速反馈给数据测试模块4。进一步的，数据训练模块3和数据测试模块4均与卷积神经网络模型模块5电连接，确保训练结果和测试结果能快速反馈给卷积神经网络模型模块。

需要说明的是，卷积神经网络模型模块5根据数据训练模块3的训练结果和数据测试模块4的测试结果进行实时更新卷积神经网络模型。并且，卷积神经网络模型模块5的模型更新功能也可集成于数据训练模块3和数据测试模块4，由二者分别根据训练结果和测试结果直接实时更新卷积神经网络模型。当然，此时的数据测试模块4和数据训练模块3电连接，卷积神经网络模型模块5只和数据训练模块3电连接，即可满足基于初始卷积神经网络模型，根据训练结果和测试结果实时更新卷积神经网络模型的需求。

需要进一步说明的是，在本文中，诸如第一和第二等之类的术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进一步定义和解释。

Claims (11)

1.一种遥感图像分类方法，其特征在于，包括以下步骤：

S1、获取待处理的遥感图像集，并将所述待处理的遥感图像集分为训练集和测试集；

S2、将所述训练集和所述测试集分别转化为训练数据文件、测试数据文件；

S3、构建卷积神经网络模型；

S4、将所述训练数据文件作为所述卷积神经网络模型的输入进行训练，根据训练结果更新所述卷积神经网络模型；

S5、将所述测试数据作为步骤S4中更新后的卷积神经网络模型的输入进行测试，根据测试的准确率再次对所述更新后的卷积神经网络模型进行优化，得到最终卷积神经网络模型，并用于对所遥感图像集的分类。

2.根据权利要求1所述的遥感图像分类方法，其特征在于，所述步骤S2具体包括：

S21、将所述训练集和所述测试集分别生成二进制训练数据文件和二进制测试数据文件；

S22、读取所述二进制训练数据文件和二进制测试数据文件；

S23、对所述二进制训练数据文件和所述二进制测试数据文件进行批处理得到一组新的二进制训练数据文件和一组新的二进制测试数据文件；

S24、将所述一组新的二进制训练数据文件和所述一组新的二进制测试文件中的数据集进行扩增以转换为所述训练数据文件和所述测试数据文件。

3.根据权利要求2所述的遥感图像分类方法，其特征在于，所述步骤S22中采用队列和多线程的方式读取所述二进制训练数据文件和二进制测试数据文件；

所述队列方式是文件名队列内存队列的双队列形式。

4.根据权利要求2所述的遥感图像分类方法，其特征在于，所述步骤S23具体包括：

S231、将所述二进制训练数据文件和所述二进制测试文件中的数据集按照批的预设大小划分为若干个批；

S242、将所述批加载进集列，当所述集列达到预设的最大容量时，不再对所述达到最大容量的集列加载所述批，得到所述新的训练数据文件和/或所述新的测试数据文件；

S243、当所述集列未达到预设的最大容量时，加载所述批直至所述集列达到预设的最大容量，得到所述新的训练数据文件和/或所述新的测试数据文件。

5.根据权利要求1所述的遥感图像分类方法，所述卷积神经网络模型包括若干层输入层、若干层卷积层、若干层池化层和若干层全连接层；

所述输入层、所述卷积层、所述池化层和所述全连接层的构建模型公式为：y＝wx+b，其中，w为权值向量，x为输入向量，b为偏置向量，y为输出向量。

6.根据权利要求5所述的遥感图像分类方法，所述卷积层的水平和竖直的滑行步进长度相同，且卷积后的图像大小与输入前的图像大小一致；

所述池化层的窗口的高度和宽度相同，且平行和竖直的滑行步进长度相同。

7.根据权利要求1-6任一项所述的遥感图像分类方法，所述步骤S4中采用Adam算法对所述训练数据文件进行训练；

所述步骤S4中训练结果包括所述据训练数据与正确答案之间的差距；

所述差距为损失函数和分类准确率；

所述损失函数通过评判输出向量与期望向量的相似程度进行表征；

所述分类准确率通过预测正确的标签数量与总标签数量的比值进行表征。

8.根据权利要求1-6任一项所述的遥感图像分类方法，对所述训练数据采用反向传播算法实现训练，并保存所述更新后的卷积神经网络模型。

9.根据权利要求1-6任一项所述的遥感图像分类方法，所述步骤S5中的更新后的卷积神经网络模型是按照预设时间加载的最新模型；

所述步骤S5采用滑动平均模型的方法对所述更新后的卷积神经网络模型进行优化，得到最终卷积神经网络模型。

10.一种遥感图像分类系统，其特征在于，所述系统包括遥感图像构造模块、数据读取及处理模块、卷积神经网络模型模块、数据训练模块和数据测试模块；

所述遥感图像构造模块用于获取待处理的遥感图像集，并将所述待处理的遥感图像集分为训练集和测试集；

所述数据读取及处理模块，用于将所述训练集和所述测试集分别转化为训练数据文件、测试数据文件；

所述卷积神经网络模型模块，用于构建并根据所述数据训练模块的训练结果和所述数据测试模块的测试结果更新卷积神经网络模型；

所述数据训练模块，用于将所述训练数据文件作为所述卷积神经网络模型的输入进行训练，得到所述训练结果；

所述数据测试模块，用于将所述测试数据作为根据所述数据训练模块更新后的卷积神经网络模型的输入进行测试，得到所述测试结果。

11.根据权利要求10所述的遥感图像分类系统，其特征在于，所述卷积神经网络模型包括若干层输入层、若干层卷积层、若干层池化层和若干层全连接层。