遥感图像识别方法.pdf

《遥感图像识别方法.pdf》由会员分享，可在线阅读，更多相关《遥感图像识别方法.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910434767.8 (22)申请日 2019.05.23 (71)申请人 广东工业大学 地址 510060 广东省广州市越秀区东风东 路729号大院 (72)发明人 赵艮平王理黄国恒赵芝茵 (74)专利代理机构 北京集佳知识产权代理有限 公司 11227 代理人 罗满 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种遥感图。

2、像识别方法 (57)摘要 本发明公开了一种遥感图像识别方法。 该方 法的步骤包括： 获取待识别遥感图像； 利用预设 的遥感图像识别模型对待识别遥感图像进行识 别， 生成识别结果； 其中， 遥感图像识别模型是预 先将遥感图像样本输入深度残差网络后训练生 成的。 深度残差网络相比于卷积神经网络而言在 对遥感图像样本进行训练的过程中跳过了一定 数量的网络层数， 由于深度残差网络的特殊构造 和新引入的残差传递思想， 使得基于深度残差网 络训练得到的遥感图像识别模型， 可以避免因梯 度消失导致精度退化， 使得最佳精度得以保留， 进而相对提高了对于遥感图像的识别精度。 此 外， 本发明还提供一种遥感图像识。

3、别装置、 设备 及计算机可读存储介质， 有益效果同上所述。 权利要求书1页 说明书6页 附图1页 CN 110147773 A 2019.08.20 CN 110147773 A 1.一种遥感图像识别方法， 其特征在于， 包括： 获取待识别遥感图像； 利用预设的遥感图像识别模型对所述待识别遥感图像进行识别， 生成识别结果； 其中， 所述遥感图像识别模型是预先将遥感图像样本输入深度残差网络后训练生成的。 2.根据权利要求1所述的遥感图像识别方法， 其特征在于， 所述遥感图像识别模型的训 练包括： 获取所述遥感图像样本； 其中， 所述遥感图像样本中包含光谱特征、 空间特征以及颜色 特征； 基于所述。

4、深度残差网络产生光谱卷积核、 空间卷积核以及颜色通道卷积核； 将所述遥感图像样本输入所述深度残差网络， 并通过所述光谱卷积核训练所述遥感图 像样本的光谱特征， 通过所述空间卷积核训练所述遥感图像样本的空间特征， 通过所述颜 色通道卷积核训练所述遥感图像样本的颜色特征， 并生成所述遥感图像识别模型。 3.根据权利要求2所述的遥感图像识别方法， 其特征在于， 所述获取所述遥感图像样 本， 包括： 获取预先经过PCA算法进行数据降维的所述遥感图像样本； 相应的， 所述获取待识别遥感图像， 包括： 获取预先经过所述PCA算法进行数据降维的待识别遥感图像。 4.根据权利要求2或3所述的遥感图像识别方法，。

5、 其特征在于， 在所述将所述遥感图像 样本输入所述深度残差网络之前， 所述方法还包括： 对所述遥感图像样本进行批归一化处理。 5.一种遥感图像识别装置， 其特征在于， 包括： 图像获取模块， 用于获取待识别遥感图像； 识别模块， 用于利用预设的遥感图像识别模型对所述待识别遥感图像进行识别， 生成 识别结果； 其中， 所述遥感图像识别模型是预先将遥感图像样本输入深度残差网络后训练 生成的。 6.一种遥感图像识别设备， 其特征在于， 包括： 存储器， 用于存储计算机程序； 处理器， 用于执行所述计算机程序时实现如权利要求1至4任一项所述的遥感图像识别 方法。 7.一种计算机可读存储介质， 其特征在。

6、于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的遥感图像识别方 法。 权利要求书 1/1 页 2 CN 110147773 A 2 一种遥感图像识别方法 技术领域 0001 本发明涉及图像识别领域， 特别是涉及一种遥感图像识别方法。 背景技术 0002 遥感(remote sensing)是指非接触的， 远距离的探测技术。 一般指运用传感器/遥 感器对物体的电磁波的辐射、 反射特性的探测。 遥感是通过遥感器这类对电磁波敏感的仪 器， 在远离目标和非接触目标物体条件下探测目标地物。 0003 遥感图像(Remote Sensing 。

7、Image， 简称RS)是指记录各种地物电磁波大小的胶片 或照片， 主要分为航空像片和卫星相片。 遥感图像基于成像原理和光谱技术， 能够捕获到目 标地物连续的光谱数据和空间数据， 因此高光谱图像有着数百个连续的光谱带和空间坐 标， 具有丰富的光谱信息和空间信息， 光谱信息可以用来对地物进行准确的识别， 而空间信 息则可以对光谱特征提供补充信息， 提高地物识别的准确率。 0004 由于遥感图像中所包含的地物种类往往较多， 并且较为复杂， 通过人为的方式对 遥感图像中的地物种类进行识别需要消耗较大的人力成本以及时间成本， 因此当前普遍通 过卷积神经网络的方式， 对遥感图像中的地物类型进行识别， 以。

8、此取代人工识别的目的， 但 是当前通过卷积神经网络对遥感图像进行识别时， 随着遥感图像在卷积神经网络中所经过 处理的网络层数不断增加， 将逐渐导致网络梯度的下降， 从而导致识别精度不够理想， 难以 满足当前对于遥感图像识别的精度要求。 0005 由此可见， 提供一种遥感图像识别方法， 以相对提高对于遥感图像的识别精度， 是 本领域技术人员需要解决的问题。 发明内容 0006 本发明的目的是提供一种遥感图像识别方法， 以相对提高对于遥感图像的识别精 度。 0007 为解决上述技术问题， 本发明提供一种遥感图像识别方法， 包括： 0008 获取待识别遥感图像； 0009 利用预设的遥感图像识别模型。

9、对待识别遥感图像进行识别， 生成识别结果； 其中， 遥感图像识别模型是预先将遥感图像样本输入深度残差网络后训练生成的。 0010 优选的， 遥感图像识别模型的训练包括： 0011 获取遥感图像样本； 其中， 遥感图像样本中包含光谱特征、 空间特征以及颜色特 征； 0012 基于深度残差网络产生光谱卷积核、 空间卷积核以及颜色通道卷积核； 0013 将遥感图像样本输入深度残差网络， 并通过光谱卷积核训练遥感图像样本的光谱 特征， 通过空间卷积核训练遥感图像样本的空间特征， 通过颜色通道卷积核训练遥感图像 样本的颜色特征， 并生成遥感图像识别模型。 0014 优选的， 获取遥感图像样本， 包括： 。

10、说明书 1/6 页 3 CN 110147773 A 3 0015 获取预先经过PCA算法进行数据降维的遥感图像样本； 0016 相应的， 获取待识别遥感图像， 包括： 0017 获取预先经过PCA算法进行数据降维的待识别遥感图像。 0018 优选的， 在将遥感图像样本输入深度残差网络之前， 方法还包括： 0019 对遥感图像样本进行批归一化处理。 0020 此外， 本发明还提供一种遥感图像识别装置， 包括： 0021 图像获取模块， 用于获取待识别遥感图像； 0022 识别模块， 用于利用预设的遥感图像识别模型对待识别遥感图像进行识别， 生成 识别结果； 其中， 遥感图像识别模型是预先将遥感。

11、图像样本输入深度残差网络后训练生成 的。 0023 优选的， 遥感图像识别装置还包括： 0024 样本获取模块， 用于获取遥感图像样本； 其中， 遥感图像样本中包含光谱特征、 空 间特征以及颜色特征； 0025 卷积核生成模块， 用于基于深度残差网络产生光谱卷积核、 空间卷积核以及颜色 通道卷积核； 0026 样本训练模块， 用于将遥感图像样本输入深度残差网络， 并通过光谱卷积核训练 遥感图像样本的光谱特征， 通过空间卷积核训练遥感图像样本的空间特征， 通过颜色通道 卷积核训练遥感图像样本的颜色特征， 并生成遥感图像识别模型。 0027 此外， 本发明还提供一种遥感图像识别设备， 包括： 00。

12、28 存储器， 用于存储计算机程序； 0029 处理器， 用于执行计算机程序时实现如上述的遥感图像识别方法。 0030 此外， 本发明还提供一种计算机可读存储介质， 计算机可读存储介质上存储有计 算机程序， 计算机程序被处理器执行时实现如上述的遥感图像识别方法。 0031 本发明所提供的遥感图像识别方法， 首先获取待识别遥感图像， 进而利用预设的 遥感图像识别模型对该待识别遥感图像进行识别， 并生成识别结果， 其中， 遥感图像识别模 型是由深度残差网络对遥感图像样本进行训练后产生的。 深度残差网络相比于卷积神经网 络而言在对遥感图像样本进行训练的过程中跳过了一定数量的网络层数， 由于深度残差网。

13、 络的特殊构造和新引入的残差传递思想， 使得基于深度残差网络训练得到的遥感图像识别 模型， 可以避免因梯度消失导致精度退化， 使得最佳精度得以保留， 进而相对提高了对于遥 感图像的识别精度。 此外， 本发明还提供一种遥感图像识别装置、 设备及计算机可读存储介 质， 有益效果同上所述。 附图说明 0032 为了更清楚地说明本发明实施例， 下面将对实施例中所需要使用的附图做简单的 介绍， 显而易见地， 下面描述中的附图仅仅是本发明的一些实施例， 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。 0033 图1为本发明实施例提供的一种遥感图像识别方法的。

14、流程图； 0034 图2为本发明实施例提供的遥感图像识别模型的训练过程的流程图； 0035 图3为本发明实施例提供的一种遥感图像识别装置的结构图。 说明书 2/6 页 4 CN 110147773 A 4 具体实施方式 0036 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， 而不是全部实施例。 基于本 发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下， 所获得的所有其他 实施例， 都属于本发明保护范围。 0037 由于遥感图像中所包含的地物种类往往较多， 并且较为复杂， 通过人为的方式对 。

15、遥感图像中的地物种类进行识别需要消耗较大的人力成本以及时间成本， 因此当前普遍通 过卷积神经网络的方式， 对遥感图像中的地物类型进行识别， 以此取代人工识别的目的， 但 是当前通过卷积神经网络对遥感图像进行识别时， 随着遥感图像在卷积神经网络中所经过 处理的网络层数不断增加， 将逐渐导致网络梯度的下降， 从而导致识别精度不够理想， 难以 满足当前对于遥感图像识别的精度要求。 0038 本发明的核心是提供一种遥感图像识别方法， 以相对提高对于遥感图像的识别精 度。 本发明的另一核心是提供一种遥感图像识别装置、 设备及介质。 0039 为了使本技术领域的人员更好地理解本发明方案， 下面结合附图和具。

16、体实施方式 对本发明作进一步的详细说明。 0040 图1为本发明实施例提供的一种遥感图像识别方法的流程图。 请参考图1， 遥感图 像识别方法的具体步骤包括： 0041 步骤S10： 获取待识别遥感图像。 0042 需要说明的是， 本步骤所获取的待识别遥感图像可以为真实的遥感场景下所实时 获取到的遥感图像， 本方法本质上的目的是对待识别遥感图像进行内容的识别。 0043 步骤S11： 利用预设的遥感图像识别模型对待识别遥感图像进行识别， 生成识别结 果。 0044 其中， 遥感图像识别模型是预先将遥感图像样本输入深度残差网络后训练生成 的。 0045 本步骤的重点在于预先将遥感图像样本输入至深度。

17、残差网络中进行训练生成遥 感图像识别模型， 进而通过遥感图像识别模型对所获取的待识别遥感图像进行识别， 生成 识别结果。 深度残差网络更容易优化， 并且能够通过增加相当的深度来提高准确率， 核心是 解决了增加网络深度所带来的副作用， 即退化问题， 能够通过单纯地增加网络深度， 来提高 网络性能。 因此将遥感图像样本输入至深度残差网络进行训练时， 能够相对避免因网络深 度的增加而导致的对遥感图像样本中特征提取精度降低的问题， 进而确保经过深度残差网 络训练生成的遥感图像识别模型对待识别遥感图像的识别精度， 即识别的准确性。 0046 本发明所提供的遥感图像识别方法， 首先获取待识别遥感图像， 进。

18、而利用预设的 遥感图像识别模型对该待识别遥感图像进行识别， 并生成识别结果， 其中， 遥感图像识别模 型是由深度残差网络对遥感图像样本进行训练后产生的。 深度残差网络相比于卷积神经网 络而言在对遥感图像样本进行训练的过程中跳过了一定数量的网络层数， 由于深度残差网 络的特殊构造和新引入的残差传递思想， 使得基于深度残差网络训练得到的遥感图像识别 模型， 可以避免因梯度消失导致精度退化， 使得最佳精度得以保留， 进而相对提高了对于遥 感图像的识别精度。 0047 在上述实施例的基础上， 本发明还提供以下一系列优选的实施方式。 说明书 3/6 页 5 CN 110147773 A 5 0048 图。

19、2为本发明实施例提供的遥感图像识别模型的训练过程的流程图。 请参考图2， 遥感图像识别模型的训练的具体步骤包括： 0049 步骤S20： 获取遥感图像样本。 0050 其中， 遥感图像样本中包含光谱特征、 空间特征以及颜色特征。 0051 需要说明的是， 本步骤的目的是获取用于对遥感图像识别模型进行训练的遥感图 像样本， 此外， 遥感图像样本中包含有光谱特征、 空间特征以及颜色特征。 0052 其中， 光谱特征是指遥感图像中所携带的复色光经过色散系统(如棱镜、 光栅)分 光后， 被色散开的单色光按波长(或频率)大小而依次排列的图案的特征， 也全称为光学频 谱特征。 0053 空间特征是地理现象。

20、的最基本特征。 根据地理现象的空间分布状况， 我们可以用 不同的空间维度来表达。 各种地理现象的分布都有自己固有的空间分布特征。 根据地理现 象的空间维度， 地理现象可分为点状分布、 线状分布、 面状分布和体状分布， 以及其空间关 系也是也是空间特征的一部分。 0054 颜色特征是在图像检索中应用最为广泛的视觉特征， 主要原因在于颜色往往和图 像中所包含的物体或场景十分相关。 此外， 与其他的视觉特征相比， 颜色特征对图像本身的 尺寸、 方向、 视角的依赖性较小， 从而具有较高的鲁棒性。 颜色特征可以具体细化为RGB颜色 特征、 HIS颜色特征、 HSV颜色特征以及CMYK颜色特征， 在多媒体。

21、计算机技术中， 用的最多的 是RGB色彩空间表示， 根据三基色原理， 用基色光单位来表示光的量， 则在RGB色彩空间， 任 意色光都可以用R、 G、 B三色不同分量的相加混合而成， 相比于其它类型的颜色特征而言， 物 理意义更清楚， 因此相对更加适用于深度残差网络的训练。 0055 步骤S21： 基于深度残差网络产生光谱卷积核、 空间卷积核以及颜色通道卷积核。 0056 本步骤的重点在于， 在深度残差网络中预先设置有用于对遥感图像样本的光谱特 征进行特征训练的光谱卷积核， 用于对遥感图像样本的空间特征进行特征训练的空间卷积 核， 以及用于对遥感图像样本的颜色特征进行特征训练的颜色通道卷积核， 。

22、进而通过上述 三种类型的卷积核对遥感图像样本中相应方面的特征进行提取训练。 0057 步骤S22： 将遥感图像样本输入深度残差网络， 并通过光谱卷积核训练遥感图像样 本的光谱特征， 通过空间卷积核训练遥感图像样本的空间特征， 通过颜色通道卷积核训练 遥感图像样本的颜色特征， 并生成遥感图像识别模型。 0058 需要说明是， 本步骤相当于在将遥感图像样本输入至深度残差网络后， 分别由深 度残差网络中的三个卷积核， 即光谱卷积核、 空间卷积核以及颜色通道卷积核， 分别对遥感 图像样本的光谱、 空间以及颜色这三方面的特征进行单独训练， 进而生成包含有上述三方 面特征卷积核的遥感图像识别模型。 由于基。

23、于数据样本对深度残差网络的训练过程属于本 领域技术人员公知的技术内容， 故在此不做赘述。 本实施例通过三个单独的卷积核分别对 遥感图像样本的光谱、 空间以及颜色三方面特征进行单独训练， 由于对所训练特征的方向 进行了细化， 因此能够相对确保对遥感图像样本各方面特征提取时的特征丰富性， 一定程 度上提高了对于细节特征的训练程度， 从而进一步确保了遥感图像识别模型对于遥感图像 的识别精度。 0059 在上述实施例的基础上， 作为一种优选的实施方式， 获取遥感图像样本， 包括： 0060 获取预先经过PCA算法进行数据降维的遥感图像样本； 说明书 4/6 页 6 CN 110147773 A 6 0。

24、061 相应的， 获取待识别遥感图像， 包括： 0062 获取预先经过PCA算法进行数据降维的待识别遥感图像。 0063 需要说明的是， PCA(Principal components analysis)算法， 即主成分分析算法， 主要用于减少数据集的维数， 同时保留数据中对方差贡献最大的特征， 保留低阶成分， 去除 高阶成分， 低阶成分往往包含数据的最重要方面， 同时让留下来的成分相互正交。 0064 本实施例中， 在训练遥感图像识别模型之前， 预先通过PCA算法对遥感图像样本进 行数据降维， 并且在通过遥感图像识别模型对待识别遥感图像进行识别之前， 也预先通过 PCA算法对待识别遥感图像。

25、进行数据降维， 其主要的目的在于降低遥感图像的光谱维度， 去 除一些不重要的光谱数据， 由于各个光谱之间相互正交， 可以减少原始遥感数据光谱之间 相互影响的因素， 达到压缩输入数据的目的， 使得遥感图像样本以及待识别遥感图像的数 据更好卷积， 进一步提高深度残差网络对于遥感图像样本的训练程度， 同时也进一步降低 了遥感图像识别模型对于待识别遥感图像进行识别时的复杂性， 以此提高遥感图像识别模 型对于遥感图像的识别精度。 0065 在上述一系列实施例的基础上， 作为一种优选的实施方式， 在将遥感图像样本输 入深度残差网络之前， 方法还包括： 0066 对遥感图像样本进行批归一化处理。 0067 。

26、需要说明的是， 在将遥感图像样本输入深度残差网络之前对遥感图像样本进行批 归一化处理， 可以加速遥感图像样本输入深度残差网络后， 深度残差网络的收敛速度， 最重 要的是能够解决深度残差网络的梯度弥散问题， 即当使用梯度下降法的时候， 最初几层的 权重变化非常缓慢， 以至于它们不能够从样本中进行有效学习的问题， 本实施方式使得深 度残差网络在训练的时候更加稳定， 确保所生成的遥感图像识别模型的整体可靠性。 0068 图3为本发明实施例提供的一种遥感图像识别装置的结构图。 本发明实施例提供 的遥感图像识别装置， 包括： 0069 图像获取模块10， 用于获取待识别遥感图像。 0070 识别模块11。

27、， 用于利用预设的遥感图像识别模型对待识别遥感图像进行识别， 生 成识别结果； 其中， 遥感图像识别模型是预先将遥感图像样本输入深度残差网络后训练生 成的。 0071 本发明所提供的遥感图像识别装置， 首先获取待识别遥感图像， 进而利用预设的 遥感图像识别模型对该待识别遥感图像进行识别， 并生成识别结果， 其中， 遥感图像识别模 型是由深度残差网络对遥感图像样本进行训练后产生的。 深度残差网络相比于卷积神经网 络而言在对遥感图像样本进行训练的过程中跳过了一定数量的网络层数， 由于深度残差网 络的特殊构造和新引入的残差传递思想， 使得基于深度残差网络训练得到的遥感图像识别 模型， 可以避免因梯度。

28、消失导致精度退化， 使得最佳精度得以保留， 进而相对提高了对于遥 感图像的识别精度。 0072 本发明还提供一种遥感图像识别设备， 包括： 0073 存储器， 用于存储计算机程序； 0074 处理器， 用于执行所述计算机程序时实现如上述的遥感图像识别方法。 0075 本发明所提供的遥感图像识别设备， 首先获取待识别遥感图像， 进而利用预设的 遥感图像识别模型对该待识别遥感图像进行识别， 并生成识别结果， 其中， 遥感图像识别模 说明书 5/6 页 7 CN 110147773 A 7 型是由深度残差网络对遥感图像样本进行训练后产生的。 深度残差网络相比于卷积神经网 络而言在对遥感图像样本进行训。

29、练的过程中跳过了一定数量的网络层数， 由于深度残差网 络的特殊构造和新引入的残差传递思想， 使得基于深度残差网络训练得到的遥感图像识别 模型， 可以避免因梯度消失导致精度退化， 使得最佳精度得以保留， 进而相对提高了对于遥 感图像的识别精度。 0076 本发明还提供一种计算机可读存储介质， 计算机可读存储介质上存储有计算机程 序， 计算机程序被处理器执行时实现如上述的遥感图像识别方法的步骤。 0077 本发明所提供的计算机可读存储介质， 首先获取待识别遥感图像， 进而利用预设 的遥感图像识别模型对该待识别遥感图像进行识别， 并生成识别结果， 其中， 遥感图像识别 模型是由深度残差网络对遥感图像。

30、样本进行训练后产生的。 深度残差网络相比于卷积神经 网络而言在对遥感图像样本进行训练的过程中跳过了一定数量的网络层数， 由于深度残差 网络的特殊构造和新引入的残差传递思想， 使得基于深度残差网络训练得到的遥感图像识 别模型， 可以避免因梯度消失导致精度退化， 使得最佳精度得以保留， 进而相对提高了对于 遥感图像的识别精度。 0078 以上对本发明所提供的一种遥感图像识别方法进行了详细介绍。 说明书中各个实 施例采用递进的方式描述， 每个实施例重点说明的都是与其他实施例的不同之处， 各个实 施例之间相同相似部分互相参见即可。 对于实施例公开的装置而言， 由于其与实施例公开 的方法相对应， 所以描。

31、述的比较简单， 相关之处参见方法部分说明即可。 应当指出， 对于本 技术领域的普通技术人员来说， 在不脱离本发明原理的前提下， 还可以对本发明进行若干 改进和修饰， 这些改进和修饰也落入本发明权利要求的保护范围内。 0079 还需要说明的是， 在本说明书中， 诸如第一和第二等之类的关系术语仅仅用来将 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实体或操作 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。 说明书 6/6 页 8 CN 110147773 A 8 图1 图2 图3 说明书附图 1/1 页 9 CN 110147773 A 9 。