【技术实现步骤摘要】
本专利技术涉及遥感图像处理，具体为一种基于残差网络的遥感影像土地利用分类方法。
技术介绍
1、土地利用变化是全球变化研究中的热点话题。土地利用变化对于调查土地利用模式和帮助预测未来的可持续土地管理至关重要，通过土地利用分类，不仅可以了解各种土地利用类型的基本属性，还可以认识土地利用的区域结构和分布特点。随着社会经济快速发展和城市化进程不断加快，我国土地利用状况不断发生改变。掌握实时可靠的土地利用变化信息，对科学的土地利用规划具有重要现实意义。土地利用和土地利用的变化在城市规划、市政管理、自然灾害监测、自然资源的利用和管理、公共安全和国防事业等与土地利用和土地利用的变化的报告息息相关。
2、传统的通过人工目视解译来进行土地利用分类仅效率低、成本高、容易造成结果没有统一的标准结果不准确，而且对于分类人员的经验知识均有一定的要求。深度学习凭借其强大的特征提取能力正如火如荼的发展，在遥感图像处理领域中，遥感影像土地利用分类已发展为热门的研究方向。面对不同的分类任务，只需要通过微调深度神经网络模型来适应特定任务需求。resnet50是2015年由何凯明等人提出的，并且在众多计算机视觉任务中被证明其特征提取能力饱受好评，作为最流行的卷积神经网络架构之一，它的核心思想是引入了“残差连接”解决卷积神经网络达到一定层数后提取效果反而变差的问题，通过跳过一层或多层来实现网络的跳跃连接。这些跳跃连接允许模型直接传递原始信号，减少了在深层网络中梯度消失的问题，使得可以训练更深、更复杂的神经网络。resnet在imagenet图像分类任务中取
3、此外，深度神经网络需要大量的数据集训练模型来提高识别准确率和泛化性，但遥感影像数据的采集成本高且易受天气的影响，且人工标注样本标签费时费力。同时，训练深度学习模型不仅对设备有要求，而且训练时间长，引入迁移学习策略来训练土地利用分类利用的深度学习模型不仅得到准确的分类结果而且提高了效率。
技术实现思路
1、本专利技术的目的在于提供一种基于残差网络的遥感影像土地利用分类方法，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：
3、一种基于残差网络的遥感影像土地利用分类方法，步骤如下：
4、s100、对遥感影像数据进行预处理，所述预处理包括辐射定标、大气校正、正射校正和图像融合；
5、s200、人工绘制标签制作数据集；
6、s300、搭建网络模型，以resnet50模型作为骨干网络模型进行特征提取，加入极化多尺度特征自注意力模块增强特征提取，引入场景感知注意力增强场景感知；
7、s400、使用迁移学习策略训练网络模型并调优；
8、s500、通过计算miou、总体精度、kappa系数和f1分数指标评估模型的性能；
9、s600、使用评估后的模型得到最终土地利用分类结果。
10、根据步骤s200，使用lableme软件进行人工标注样本得到样本标签，所述样本标签包括：水田、旱地、草地、林地、水域、建设用地、道路和其他未利用地，使用滑动裁剪将影像裁剪为512×512的大小；采用数据增强的对数据集进行缩放、旋转、水平翻转和水平旋转的操作扩大数据集数量，按7：2：1的比例划分训练集、测试和验证集。
11、根据步骤s300，语义分割模型的主流结构为编码器-解码器结构，编码器以resnet50模型作为主干网络，去除全连接层保留其他所有结构，在最后一个残差块后加入极化多尺度特征自注意力模块；所述主干网络的resnet50输入层输入512×512大小的遥感影像，卷积层应用一个7×7×64的卷积核，步长为2，用于对输入影像进行卷积操作，提取图像的特征；批量归一化层对每个残差块后的卷积层输出进行标准化，防止梯度消失或爆炸现象，促进网络的收敛；最大池化层，用于对激活后的特征图进行最大池化操作，以降低特征图的维度；
12、由堆叠的残差块构成的瓶颈结构bottleneck，用于实现在更深的网络层次中进行特征提取和学习，瓶颈结构bottleneck依次连接有g个，各瓶颈结构bottleneck中依次包含的残差块堆叠个数分别为g1、g2、g3、g4，每个残差块内部包含l个卷积层，整个网络有t个卷积层，其中，g、g1、g2、g3、g4、l、t是正整数，t＝1+(g1+g2+g3+g4)×l；全局平均池化层，用于将输出的特征图经过平均池化得到一维特征向量。
13、根据步骤s300，使用激活函数在网络的输入与输出之间建立非线性映射，使用hardswish激活函数替换relu激活函数进行非线性变换，hardswish激活函数减少内存访问时间的同时能够提高训练的准确性。hardwish激活函数公式为：
14、
15、其中，x是hardwish激活函数输入的一个实数值。
16、大量相关研究已经证明cnn在编码的局部依赖问题方面表现出色。相比之下，transformer所具有的自关注机制擅长通过考虑整个输入序列的全局交互来捕获长期依赖关系。因此，通过利用cnn的局部特征提取能力和transformer的全局上下文感知能力，能够更好地服务于各种语义分割任务。基于resnet50模型，在原结构的最后一个残差块后面引入极化多尺度特征自注意力模块作为改进，用于更高效学习图像的高级特征，对骨干网络提取的特征进行调整。
17、根据步骤s300，极化多尺度特征自注意力模块受“极化滤波”技术的启发，为了解决传统的自注意力机制的局限性而被提出；极化多尺度特征自注意力模块通过优化注意力分数矩阵的计算复杂性，利用深度可分离卷积替换标准卷积层，来实现模型的轻量化，极化多尺度特征自注意力模块由三个部分按顺序组成：
18、自适应多分支特征融合层将不同阶段的特征映射统一到相同的通道和分辨率；极化通道自注意模块利用特征信息扩展注意点的数量捕获全局上下文特征和多尺度通道依赖关系，并增强通道维度的特征；极化空间自注意模块将分支和空间相结合以扩展注意点的数量，旨在捕获更细微的多尺度空间依赖关系。
19、主干网络的网络结构包括四个阶段，不同阶段提取的特征的分辨率和通道数不相同，进行特征增强之前，自适应多分支特征融合层通过设置通道、池化卷积核大小和多分支特性的分支数量实现将多分支、不同阶段的特征标准化为统一尺寸；对于输入的特性不同的分支xl对应的阶段stagel，首先使用最大池化将xl下采样到与x4相同的大小后，使用卷积块对特征进行重新缩放，统一不同分支特征的通道，其中，使用卷积块对特征进行重新缩放的公式如下：
20、
21、其中，r表示实数集，cl表示不同阶段特征图的通道数，hl表示不同阶段特征图的高度，wl表示不同阶段特征图的宽度，kl表示池化核，l表示不同的阶段，a表示特征融合后的特征图，m1表示第一阶段经过池化和卷积处理后的特征图，m2表本文档来自技高网...
【技术保护点】
1.一种基于残差网络的遥感影像土地利用分类方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤S200，使用Lableme软件进行人工标注样本得到样本标签，所述样本标签包括：水田、旱地、草地、林地、水域、建设用地、道路和其他未利用地，使用滑动裁剪将影像进行裁剪；采用数据增强的对数据集进行缩放、旋转、水平翻转和水平旋转的操作扩大数据集数量，按比例划分训练集、测试和验证集。
3.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤S300，编码器以ResNet50模型作为主干网络，去除全连接层保留其他所有结构，在最后一个残差块后加入极化多尺度特征自注意力模块；所述主干网络的输入层输入遥感影像，卷积层应用一个卷积核，用于对输入影像进行卷积操作，提取图像的特征；批量归一化层对每个残差块后的卷积层输出进行标准化，防止梯度消失或爆炸现象，促进网络的收敛；最大池化层，用于对激活后的特征图进行最大池化操作，以降低特征图的维度；
4.根据权利要求1所述的一种基于残差
5.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤S300，极化多尺度特征自注意力模块通过优化注意力分数矩阵的计算复杂性，利用深度可分离卷积替换标准卷积层，极化多尺度特征自注意力模块由三个部分按顺序组成：
6.根据权利要求5所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：主干网络的网络结构包括四个阶段，不同阶段提取的特征的分辨率和通道数不相同，进行特征增强之前，自适应多分支特征融合层通过设置通道、池化卷积核大小和多分支特性的分支数量实现将多分支、不同阶段的特征标准化为统一尺寸；对于输入的特性不同的分支Xl对应的阶段Stagel，首先使用最大池化将Xl下采样到与X4相同的大小后，使用卷积块对特征进行重新缩放，统一不同分支特征的通道，其中，l∈{1,2,3,4}；使用卷积块对特征进行重新缩放的公式如下：
7.根据权利要求5所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：将编码器输出的提取特征作为解码器的输入，解码器部分用于将编码器提取的特征图转换为语义分割结果，解码器由场景感知注意力模块构成；使用转置卷积将编码器输出特征图上采样到与输入图像相同的分辨率，再使用空洞卷积扩大感受野捕获局部信息，场景感知注意力模块旨在增强模型对遥感影像中像素对遥感影像所处场景之间关系的识别能力，并对不同类别间的相互关系进行分析；通过跳跃连接将编码器中的高分辨率特征与解码器中的相应上采样特征进行融合，保持空间的关键信息，采用1x1卷积层将综合特征映射转化为最终的分割输出结果；
8.根据权利要求7所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：所述融入位置先验信息使得像素能够感知到遥感图像中地物在空间上所遵循的内在的分布模式，需要构造像素间的相对位置编码，并嵌入粗糙特征表示于局部块中，提升注意力对空间分布的敏感度，通过构建像素间的相对位置编码集成到粗略的特征表示中，增强模型对空间布局的感知能力；
9.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤S400，模型训练采用迁移学习策略，将主干网络ResNet50在大型自然图像ImageNet数据集上进行分类任务学习的模型参数，迁移应用到土地利用分类任务中；将预训练冻结保存的一部分权重参数，作为改进的网络模型的初始参数，在遥感数据集上继续迭代训练；
10.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤S500，利用验证集数据对训练后的网络模型进行评估，通过计算MIoU、总体精度、Kappa系数和F1分数指标评估模型的性能，根据评估结果对改进后的网络模型调整参数；
...【技术特征摘要】
1.一种基于残差网络的遥感影像土地利用分类方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤s200，使用lableme软件进行人工标注样本得到样本标签，所述样本标签包括：水田、旱地、草地、林地、水域、建设用地、道路和其他未利用地，使用滑动裁剪将影像进行裁剪；采用数据增强的对数据集进行缩放、旋转、水平翻转和水平旋转的操作扩大数据集数量，按比例划分训练集、测试和验证集。
3.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤s300，编码器以resnet50模型作为主干网络，去除全连接层保留其他所有结构，在最后一个残差块后加入极化多尺度特征自注意力模块；所述主干网络的输入层输入遥感影像，卷积层应用一个卷积核，用于对输入影像进行卷积操作，提取图像的特征；批量归一化层对每个残差块后的卷积层输出进行标准化，防止梯度消失或爆炸现象，促进网络的收敛；最大池化层，用于对激活后的特征图进行最大池化操作，以降低特征图的维度；
4.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤s300，使用激活函数在网络的输入与输出之间建立非线性映射，使用hardswish激活函数替换relu激活函数进行非线性变换，hardwish激活函数公式为：
5.根据权利要求1所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：根据步骤s300，极化多尺度特征自注意力模块通过优化注意力分数矩阵的计算复杂性，利用深度可分离卷积替换标准卷积层，极化多尺度特征自注意力模块由三个部分按顺序组成：
6.根据权利要求5所述的一种基于残差网络的遥感影像土地利用分类方法，其特征在于：主干网络的网络结构包括四个阶段，不同阶段提取的特征的分辨率和通道数不相同，进行特征增强之前，自适应多分支特征融合层通过设置通道、池化卷积核大小和多分支特性的分支数量实现将多分支、不同阶段的特征标准化为统一尺寸；对于输入的...
【专利技术属性】
技术研发人员：田传召，邢书瑜，金永涛，杨建，米晓飞，田晓敏，杨秀峰，
申请(专利权)人：北华航天工业学院，
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。