一种基于改进Dense-Net的遥感图像分类方法与流程

一种基于改进dense
‑
net的遥感图像分类方法
技术领域
[0001] 本发明属于遥感图像技术领域，具体涉及一种基于改进 dense
‑
net的遥感图像分类方法。


背景技术：

[0002]
遥感图像是通过遥感器、遥感平台、信息传输设备、接收装置对目标物进行检测，再由图像处理设备处理得到的反映目标光学特性的图像，在 20 世纪 60 年代逐渐得到发展。随着航空航天技术的发展以及遥感技术的进步，可用的卫星图像资源越来越充沛，从而为绘制此类图像提供了较好的数据源。这些遥感图像包含丰富的地物几何与属性细节信息，在地质调查、城市规划、灾害监测、交通旅游等领域得到了广泛的应用。因此，国内外有关土地利用调查、城市规划等方面的研究主要是如何充分利用对遥感图像的分析。
[0003]
同时由于遥感图像分辨率的不断提升，遥感图像中包含的高层语义信息在处理人地关系以及国民经济的发展中起着十分重要的作用，之前完全依靠手工对这些图像进行管理的传统方法已经越来越行不通，并且传统的分类方法无法对这些高层语义信息解译，并且，遥感图像不同于普通图像，其存在类内差异大，类间差异小的特点，所以传统方法就会存在一些局限性，场景即以人类视觉对现实环境的命名方式定义场景名称，包含语义一致性等特性，图像的场景类别在表示人类对图像全局认识的同时，还包含了图像中对象出现的前后文信息。例如，将一幅高分辨率城市遥感图像划分成居民区、公路、机场、沙滩、林地、河流等等。这样在工作人员城市规划的时候，可以对城市的现状有一个全局的掌握，方便开展后面的工作。近几年兴起的神经网络相较于传统方法可以更好地学习遥感图像的高级语义信息，并且节省了很大的人力成本，所以很有前景，当然这其中也存在一些问题需要优化。


技术实现要素：

[0004]
为解决背景技术中的问题；本发明的目的在于提供一种基于改进 dense
‑
net的遥感图像分类方法。
[0005]
本发明的一种基于改进 dense
‑
net的遥感图像分类方法，它的分类方法如下：步骤一：遥感图像底层及深层特征提取：基于卷积神经网络提取遥感图像的深度特征以及遥感图像底层颜色、纹理特征的相关理论基础上，并对基于 densenet深度卷积神经网络模型得到的遥感图像深度特征进行提取，构建遥感图像的高层场景语义特征，用以建立高分辨率遥感图像场景分类模型；步骤二：通道机制的搭建：在原始模型的基础上通过在网络中添加注意机制；步骤三：特征融合模型搭建：提取底层特征，融合进带有注意机制的网络中。
[0006]
与现有技术相比，本发明的有益效果为：一、结合注意力机制的卷积神经网络构建遥感图像场景语义，对遥感图像进行分类。
[0007]
二、由于 vgg、resnet 等模型不仅参数较多而且准确率也不高，利用 densenet 提取图像特征，并通过加深网络层数提取更深层特征，同时，通过添加注意机制突出图像中有效信息的提取，并且结合底层特征提取。
附图说明
[0008]
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
[0009]
图1为本发明的流程图。
具体实施方式
[0010]
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0011]
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
[0012]
如图1所示，本具体实施方式采用以下技术方案：它的分类方法如下：步骤一：遥感图像底层及深层特征提取：基于卷积神经网络提取遥感图像的深度特征以及遥感图像底层颜色、纹理特征的相关理论基础上，并对基于 densenet深度卷积神经网络模型得到的遥感图像深度特征进行提取，构建遥感图像的高层场景语义特征，用以建立高分辨率遥感图像场景分类模型；步骤二：通道机制的搭建：在原始模型的基础上通过在网络中添加注意机制；步骤三：特征融合模型搭建：提取底层特征，融合进带有注意机制的网络中。
[0013]
本具体实施方式的具体流程如下：一、人工提取特征的方法之能提取低层的图像特征，这会导致分类精度不够，而卷积神经网络可以提取深度特征，所以，先采用 densenet 网络对图像进行分类，并通过与已有的文献中的实验结果对比，分析此网络对于本数据集的分类存在的不足，并且通过实验确定模型中的部分参数。
[0014]
二、densenet 网络的不足之一就是忽略了图像通道之间的联系，这一点不利于分类，所以在网络的密集连接块中增加通道注意机制，以此增强卷积后通道之间的联系，并且通过对比实验确定添加注意机制的位置和数量，这只是解决同层之间的联系，而忽略层与层之间的联系，于是在密集连接块中添加通道注意机制，这样会使层与层之间的联系增强，通过对比实验确定要添加的注意机制的数量以及位置，以得到较好的性能。
[0015]
三、提取图像的底层特征，为进一步提高网络性能，对神经网络结构进行改进，融合底层特征和深层特征。
[0016]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在
不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
[0017]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。


技术特征：
1.一种基于改进 dense
‑
net的遥感图像分类方法，它的分类方法如下：步骤一：遥感图像底层及深层特征提取：基于卷积神经网络提取遥感图像的深度特征以及遥感图像底层颜色、纹理特征的相关理论基础上，并对基于 densenet深度卷积神经网络模型得到的遥感图像深度特征进行提取，构建遥感图像的高层场景语义特征，用以建立高分辨率遥感图像场景分类模型；步骤二：通道机制的搭建：在原始模型的基础上通过在网络中添加注意机制；步骤三：特征融合模型搭建：提取底层特征，融合进带有注意机制的网络中。

技术总结
本发明公开了一种基于改进Dense


技术研发人员：姜艳姝 孙炳靖
受保护的技术使用者：哈尔滨理工大学
技术研发日：2021.09.16
技术公布日：2021/12/6