本发明专利技术申请涉及遥感图像处理技术领域，本发明专利技术申请公开了一种基于ResNet18网络和随机森林的遥感图像场景识别方法，该方法先进行多分辨率遥感图像场景数据库的建立，并将遥感图像场景数据库按比例随机划分为训练集、验证集、测试集；然后修改ResNet18网络的全连接层，基于多分辨率遥感图像场景数据确定ResNet18网络训练模型参数并将训练后的ResNet18网络改进作为场景识别特征提取器，组合使用随机森林分类器进行遥感图像场景识别。本发明专利技术通过ResNet18网络和随机森林组合使得网络在处理小样本、背景纹理复杂及图像间分辨率不一致等数据集的场景识别任务上表现出较优效果，从而有效提升了遥感图像的场景识别精度。
【技术实现步骤摘要】
本专利技术涉及遥感图像处理，具体一种基于resnet18网络和随机森林的遥感图像场景识别方法。
技术介绍
1、遥感图像空间分辨率是图像识别地表物体的最小尺寸。随着遥感技术的不断发展和进步，遥感图像空间分辨率已经达到了米级甚至分米级，因此遥感图像能够清晰地反应出地物的纹理、空间和形状信息。此外，随着计算机硬件和人工智能的飞速发展，利用计算机自动解译海量遥感图像已经成为了现实。
2、遥感图像场景识别是解译遥感图像信息的重要技术手段，而土地地表覆盖和土地场景很大程度上反映出人类生活、生产规律，土地场景分类识别对国土资源调查、城市规划、土地卫片执法及综合整治、水利、交通、农业等领域有重要的应用，对政府部门制定或更新土地利用决策和提高社会经济效益有着深远意义。但现有的遥感图像识别方法还存在着如下缺陷：
3、第一，遥感图像含有丰富的颜色、空间、形状等地物信息，传统机器学习算法通常选取描述图像某方面的一种或多种特征，加以组合分类器进行训练学习，但随着遥感图像数据越来越多且越来越复杂，上述方法在确定合适特征方面难度较大，无法满足越来越高的图像识别要求；
4、第二，由于实际生产生活中场景精细复杂，同时海量遥感数据使得人工标注更加困难，现有公开数据库普遍存在各类场景图片数量少，空间分辨率不统一等问题，深度学习算法虽能解决特征描述问题，但其在样本数量小时易造成过拟合。为了克服过拟合的问题，工作人员在应对不同空间分辨率时通常将不同分辨率图像分开学习后进行特征或结果融合，但这种方式易造成模型庞大，训练时间加倍等问题。</p>5、因此，本领域技术人员需要一种新的遥感图像识别方法，该方法能够同时提取不同分辨率图片特征，实现遥感图像的快速、精确场景识别。
技术实现思路
1、本专利技术的目的是为了解决上述问题，设计了一种基于resnet18网络和随机森林的遥感图像场景识别方法。
2、实现上述目的本专利技术的技术方案为，一种基于resnet18网络和随机森林的遥感图像场景识别方法，该方法包括以下步骤：
3、s1：建立多分辨率遥感图像场景数据库，确定场景类型，并将数据库各场景图片按比例随机划分为训练集、测试集、验证集；
4、s2：修改resnet18网络的全连接层连接数量为s1中所确定的场景数量，将训练集、验证集输入到resnet18网络中进行训练学习并保存训练好的参数模型；
5、s3：改进训练好的resnet18网络，选取全连接层之前的全部网络层作为多分辨率场景识别的特征提取器，将训练集、测试集放入特征提取器提取特征；
6、s4：将提取的训练集特征输入到随机森林中进行训练，训练完成后用测试集进行场景识别测试。
7、所述步骤s1中数据库建立和数据计划分的具体步骤为：
8、s11：收集农田、机场、森林、沙漠等45类场景图片，图像像素分辨率在0.2-30m间，确定场景种类数量，形成初步的遥感图像场景基础数据库；
9、s12：对遥感基础数据库图像实施旋转、对比度增强和亮度增强的数据扩充操作，并将数据库扩充至原数据库的12倍，形成多分辨率遥感图像场景数据库；
10、s13：将多分辨率遥感图像场景数据库各场景按比例随机抽取训练样本、验证样本和测试样本，形成训练集、验证集、测试集。
11、所述步骤s2具体步骤为：
12、s21：将resnet18网络的全连接层连接数量修改为s11中确定的场景种类；
13、s22：将训练集、验证集输入到resnet18网络中进行训练学习，resnet18网络通过前向传播逐层学习的方式提取图像特征，具体为：从网络第二层起至全连接层前，每两层卷积层及相关操作组成一个残差块；记网络某个残差块输入为，为残差函数，为输入经过残差块级联卷积后的输出，是学习到的残差，残差块的输出为，是残差块学习到的特征；全连接层将网络学习到的高层语义特征映射为输出标签值，将输出标签值与图像真实标签值进行对比，通过损失函数计算此次训练的误差值，由反向传播逐层计算误差梯度，更新网络中各层参数值；
14、s23：基于前述步骤s22，待训练集、验证集连续多轮损失趋于稳定不再继续下降后，resnet18网络模型训练完成，保存训练集训练学习到的模型参数。
15、所述步骤s3具体步骤为：
16、s31:在训练好的resnet18网络的的基础上，截断全卷积层，作为场景识别的特征提取器,利用特征提取器获得场景图像特征；
17、s32:将训练集、测试集特征进行数据预处理，具体为：
18、将提取的特征进行维度转换，将特征按行转换成一维特征，转换前特征为512*1*1，转换后特征维数为512*1；
19、将转换后的特征进行归一化处理，具体的，为训练集样本，为训练集样本总数，训练集的特征空间为，归一化后的样本特征，其中，为训练集样本特征的均值，，为训练集样本特征的标准差；为测试集样本，为测试集样本总数，测试集的特征空间为，归一化后的样本特征，其中，分别为训练集样本特征的均值和标准差。
20、所述步骤s4具体步骤为：
21、s41:将处理完成的场景训练集特征及其场景标签放入随机森林进行训练，保存训练后得到的基于resnet18和随机森林的遥感图像场景识别模型参数；
22、s42:基于步骤s41保存的基于resnet18和随机森林的遥感图像场景识别模型参数，在测试集上进行测试，统计各场景识别结果，完成场景识别任务。
23、所述步骤s22中resnet18网络的具体结构为：网络第一层为卷积层，卷积层后与8个残差块相连，残差块再与一层全连接层相连，所述卷积层和残差块的卷积核尺寸及通道数分别为：
24、第一层卷积层：7*7，64
25、残差块：3*3、3*3，64、64
26、3*3、3*3，64、64
27、3*3、3*3，128、128
28、3*3、3*3，128、128
29、3*3、3*3，256、256
30、3*3、3*3，256、256
31、3*3、3*3，512、512
32、3*3、3*3，512、512。
33、所述步骤s4 中的随机森林是基于决策树的一种集成学习的算法，通过训练多个决策树分类器，并对所有分类器结果进行多数投票统计，选择最多分类结果为最终随机森林分类结果；随机森林的具体分类过程为：
34、随机森林由棵决策树组成，决策树是由单个根结点、若干内部结点和若干叶子结点组成。样本及标签由根结点输入，并开始依据样本特征属性将样本不断递归到左右子结点，直到结点下的样本标签为同一类或无法划分，该结点即为叶子结点；
35、训练阶段，决策树的结点,为结点编号，样本的递归由函数决定：
36、
37、为结点划分样本时选取的本文档来自技高网
...
【技术保护点】
1.一种基于ResNet18网络和随机森林的遥感图像场景识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于ResNet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤S1中数据库建立和数据计划分的具体步骤为：
3.根据权利要求1所述的一种基于ResNet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤S2具体步骤为：
4.根据权利要求1所述的一种基于ResNet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤S3具体步骤为：
5.根据权利要求1所述的一种基于ResNet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤S4具体步骤为：
6.根据权利要求3所述的一种基于ResNet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤S22中ResNet18网络的具体结构为：网络第一层为卷积层，卷积层后与8个残差块相连，残差块再与一层全连接层相连，所述卷积层和残差块的卷积核尺寸及通道数分别为：
7.根据权利要求1所述的一种基于ResNet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤S4中的随机森林是基于决策树的一种集成学习的算法，通过训练多个决策树分类器，并对所有分类器结果进行多数投票统计，选择最多分类结果为最终随机森林分类结果；随机森林的具体分类过程为：
8.根据权利要求1所述的一种基于ResNet18网络和随机森林的遥感图像场景识别方法，其特征在于，基于ResNet18网络特征提取器训练及特征提取过程的代码实现语言为Python，实现框架为PyTorch，迭代轮数为74，学习率设置为0.001，梯度下降算法采用随机梯度下降法，随机森林训练及场景识别过程的代码实现为Python，使用的决策树个数为52棵。
9.一种用于实现权利要求1-8中任一所述基于ResNet18网络和随机森林的遥感图像场景识别方法的电子设备，其特征在于，该电子设备包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时能够完成所述基于ResNet18网络和随机森林的遥感图像场景识别方法中的所有步骤。
10.根据权利要求9所述的电子设备，其特征在于，该电子设备所采用的存储器为计算机可读存储介质。
...
【技术特征摘要】
1.一种基于resnet18网络和随机森林的遥感图像场景识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于resnet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤s1中数据库建立和数据计划分的具体步骤为：
3.根据权利要求1所述的一种基于resnet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤s2具体步骤为：
4.根据权利要求1所述的一种基于resnet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤s3具体步骤为：
5.根据权利要求1所述的一种基于resnet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤s4具体步骤为：
6.根据权利要求3所述的一种基于resnet18网络和随机森林的遥感图像场景识别方法，其特征在于，所述步骤s22中resnet18网络的具体结构为：网络第一层为卷积层，卷积层后与8个残差块相连，残差块再与一层全连接层相连，所述卷积层和残差块的卷积核尺寸及通道数分别为：
7.根据权利要求1所述的一种基于resnet18网络和随机森...
【专利技术属性】
技术研发人员：彭程，廖磊，王靖伟，杨静，寻知锋，陶丽霞，刘恒辉，牟萍，辛在龙，王立平，王生明，
申请(专利权)人：日照市规划设计研究院集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。