一种基于高分辨率遥感图像的土地分类方法技术

本发明专利技术涉及一种基于高分辨率遥感图像的土地分类方法，高分辨率遥感影像的应用能够有效实现对土地利用的动态监测，提高土地管理的科学性；使用ERFNet结合条件随机场(Conditional random field，CRF)可以在减少计算资源的基础上，进一步提高语义分割的精度，有助于更好的完成土地用途分类工作；高效的土地用途分类方法对土地利用、城市规划、环境监测以及军事领域的发展有着重要的促进作用。

【技术实现步骤摘要】
一种基于高分辨率遥感图像的土地分类方法
本专利技术属于深度学习领域，涉及图像分割技术和土地用途分类算法，使用卷积神经网络作为基本工具，特别涉及一种基于高分辨率遥感图像的土地分类方法。
技术介绍
全卷积网络将卷积神经网络中的全连接层替换为卷积层，与传统卷积神经网络相比，全卷积网络的输入图像大小无需是固定的，这方便了卷积神经网络在语义分割方面的应用，此外使用反卷积层进行上采样，推广了使用卷积网络端到端进行语义分割。同时，为了改善语义分割精度，全卷积网络引入跳跃连接改善上采样的粗糙度。空洞卷积(DilatedConvolution)是在传统的卷积核中加入空洞。池化层在进一步提取抽象特征、减少训练参数的同时，丢弃了像素的位置信息。而语义分割需要对特征图进行精确调整，因此需要尽可能保留舍弃的位置信息。空洞卷积可以在不增加参数的情况下增加感受野，从而进行密集预测。此外空洞卷积支持感受野的指数膨胀，且不丧失分辨率或覆盖范围。残差网络(ResidualNeuralNetwork，ResNet)与传统神经网络直接学习输入输出之间的映射不同，它学习的是输入输出的残差表示。ResNet可以有效地解决当深度神经网络增长至一定的深度后，再增加神经网络层数会导致的网络收敛减慢、精确度下降等问题。实验表明，引入残差学习后，网络不仅能更快地收敛，而且网络模型的性能也得到了提高。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于高分辨率遥感图像的土地分类方法，高分辨率遥感影像的应用能够有效实现对土地利用的动态监测，提高土地管理的科学性；使用ERFNet结合条件随机场(Conditionalrandomfield，CRF)可以在减少计算资源的基础上，进一步提高语义分割的精度，有助于更好的完成土地用途分类工作；高效的土地用途分类方法对土地利用、城市规划、环境监测以及军事领域的发展有着重要的促进作用。本专利技术解决其技术问题是通过以下技术方案实现的：一种基于高分辨率遥感图像的土地分类方法，其特征在于：所述方法的步骤为：1)将原始的遥感图像切割为适用于网络的尺寸；2)使用ERFNet对输入的图像进行实时的语义分割；3)利用条件随机场对分割的结果进一步优化；4)计算语义分割的交并比。而且，所述步骤1)中对图像切割的具体操作为：以128像素作为步长，将图片切割成(256，256，3)的小图片，将掩码同样切割为(256，256，1)的小掩码，获得的图片-掩码对共有8401对；切割完成后，以字典的形式对小图片和小掩码进行存储，图片对应的键值为“images”，掩码对应的键值为“masks”。而且，所述图片-掩码对形成的数据集被分为训练集、验证集及测试集，测试集取前1320对图像－掩码对，验证集取1800对图像－掩码对，训练集取后5281对图像－掩码对。而且，所述步骤2)语义分割的具体操作为：ERFNet架构使用一个由跳跃连接和一维分解卷积组成的分解残差层，在ERFNet网络中这些分解残差层按顺序被堆叠起来，构建成编码器－解码器体系结构，该结构以与输入图像相同的分辨率产生端到端的语义分割结果。而且，所述步骤3)进一步优化的具体操作为：条件随机场在ERFNet之后使用，输入遥感卫星影像的原图像和ERFNet的分割图像，输出为优化后的图像。而且，所述步骤4)中交并比的计算公式为：其中：pij表示本属于类i但被预测为类j的像素数量；Pii表示真正的数量；Pij、pji则分别被解释为假正和假负。本专利技术的优点和有益效果为：1、本专利技术一种基于高分辨率遥感图像的土地分类方法，通过实验效果可以看出，在引入了条件随机场之后，对高分辨率遥感图像的语义分割效果提升明显，为更加迅速准确的完成土地分类任务创造了条件，可以应用到土地利用、城市规划、环境监测等多个领域。2、本专利技术一种基于高分辨率遥感图像的土地分类方法，在基于遥感卫星影像的土地用途分类的实验过程中，通过交并比对语义分割的结果进行了评估，在ERFNet后加入条件随机场后处理，能够在一定程度上提升语义分割精度，比单纯使用ERFNet效果更好。3、本专利技术设计科学合理，高分辨率遥感影像的应用能够有效实现对土地利用的动态监测，提高土地管理的科学性；使用ERFNet结合条件随机场(Conditionalrandomfield，CRF)可以在减少计算资源的基础上，进一步提高语义分割的精度，有助于更好的完成土地用途分类工作；高效的土地用途分类方法对土地利用、城市规划、环境监测以及军事领域的发展有着重要的促进作用。附图说明图1为本专利技术的测试集结果对比图。具体实施方式下面通过具体实施例对本专利技术作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本专利技术的保护范围。一种基于高分辨率遥感图像的土地分类方法，其特征在于：所述方法的步骤为：S0101：对于输入数据，以128像素作为步长片切割成(256，256，3)的小图片，将掩码同样切割为(256，256，1)的小掩码，最终获得的图片—掩码对共有8401对，在切割完成后，以字典的形式对小图片和小掩码进行存储，图片对应的键值为“images”，掩码对应的键值为masks”；其中测试集取前1320对图像－掩码对，验证集取数据集的1800对图像－掩码对，训练集取后5281对图像－掩码对。S0201：采用ERFNet，本专利技术使用ERFNet进行高效实时的语义分割，输入的数据经过按顺序堆叠起来的分解残差层，端到端的输出与输入图像相同分辨率的语义分割结果，对于一个残差层来说，其输入向量为x，输出向量y为：y＝F(x，{Wi})+WsxWS是一个恒等映射，F(x，{Wi})是卷积神经网络要学习的残差映射，在ERFNet的架构中，1－16层构成了编码器部分，由下采样块和非瓶颈－1维模块组成，解码器部分由17－23层组成，目的是对特征图进行上采样，将其恢复至与输入图像相同的分辨率；S0301：将ERFNet分割后的结果输入到条件随机场，在条件随机场中设X＝(X1，X2，...，Xn)，Y＝(Y1，Y2，...，Yn)均为线性链表示的随机变量序列，在给定随机变量序列x的情况下，随机变量y的条件概率分布P(Y|X)构成条件随机场，即满足马尔科夫性：P(Yi|X，Y1，Y2，...，Yn)＝P(Yi|X，Yi-1，Yi+1)，线性链条件随机场的公式为：其中，si(Yi，X，i)是节点特征函数，该函数定义在y节点上，只和当前节点有关，tk(Yi-1，Yi，X，i)是局部特征函数，该函数定义在y的上下文，只和当前节点与上一节点有关，λk和μl是节点特征函数和局部特征函数的权重，Z(x)为规范化因子，公式如下：Z(X)＝∑Yexp(∑i，kλktk(Yi-1，Yi，X，i)+∑i，lμlsl(Yi，X，i))S0401：用交并比作为语义本文档来自技高网...

【技术保护点】
1.一种基于高分辨率遥感图像的土地分类方法，其特征在于：所述方法的步骤为：/n1)将原始的遥感图像切割为适用于网络的尺寸；/n2)使用ERFNet对输入的图像进行实时的语义分割；/n3)利用条件随机场对分割的结果进一步优化；/n4)计算语义分割的交并比。/n

【技术特征摘要】
1.一种基于高分辨率遥感图像的土地分类方法，其特征在于：所述方法的步骤为：
1)将原始的遥感图像切割为适用于网络的尺寸；
2)使用ERFNet对输入的图像进行实时的语义分割；
3)利用条件随机场对分割的结果进一步优化；
4)计算语义分割的交并比。


2.根据权利要求1所述的基于高分辨率遥感图像的土地分类方法，其特征在于：所述步骤1)中对图像切割的具体操作为：以128像素作为步长，将图片切割成(256，256，3)的小图片，将掩码同样切割为(256，256，1)的小掩码，获得的图片-掩码对共有8401对；切割完成后，以字典的形式对小图片和小掩码进行存储，图片对应的键值为“images”，掩码对应的键值为“masks”。


3.根据权利要求2所述的基于高分辨率遥感图像的土地分类方法，其特征在于：所述图片-掩码对形成的数据集被分为训练集、验证集及测试集，测试集取前1320对图像－掩码对，验证集取1800对图像－掩码对，训练...

【专利技术属性】
技术研发人员：喻梅，王新伟，于健，李雪威，刘志强，高洁，应翔，王一帆，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12