本發(fā)明屬于圖像信息處理
技術(shù)領(lǐng)域：
，涉及一種遙感場景分類方法。
背景技術(shù)：
：隨著遙感技術(shù)的發(fā)展，從衛(wèi)星和飛機(jī)上獲取大量的高分辨率地球觀測圖像。與其他圖像不同的是，遙感場景表現(xiàn)出一些特殊的特征。例如，在一個(gè)場景中有各種不同大小、顏色和方向。在土地資源管理和城市規(guī)劃等各種應(yīng)用中，遙感場景分類是一項(xiàng)基礎(chǔ)性工作，更是一個(gè)重要的研究課題。自動(dòng)準(zhǔn)確地解釋如此龐大的圖像庫的已成為一個(gè)迫切的需求。在過去的幾年中，大量的特征表示模型已經(jīng)提出了運(yùn)用于場景分類。最常用的模型之一是視覺詞袋，一般包括以下三個(gè)步驟：1)提取圖像的底層視覺特征，如尺度不變特征變換(sift)和方向梯度直方圖(hog)的描述；2)通過使用k-均值或其他方法聚類特征形成視覺詞匯；3)視覺特征映射到最接近的單詞，通過單詞直方圖產(chǎn)生一個(gè)中級的特征表示。該模型及其變種在遙感領(lǐng)域已被廣泛研究。盡管視覺詞袋在遙感場景分類是有一定的有效性，但是它提供了一個(gè)無序的局部描述符集合且沒有考慮空間信息。為了克服這一缺點(diǎn)，空間金字塔匹配模型應(yīng)運(yùn)而生。該模型首先將原始圖像分割成不同級別的分辨率。其次，對于每個(gè)級別的分辨率，從每個(gè)空間中提取局部特征的直方圖。最后，空間直方圖由加權(quán)金字塔匹配內(nèi)核表示。由于遙感影像通常不存在絕對參照系，所以圖像要素的相對空間排列變得十分重要。因此，提出了用空間金字塔共生模型表征圖像的光度和幾何信息。不同于將圖像分割成統(tǒng)一的細(xì)胞，空間金字塔共生模型是用隨機(jī)空間分割來描述各種圖像布局的。所有上述方法都是基于手工提取特征的，這很大程度上依賴于專家的經(jīng)驗(yàn)和領(lǐng)域知識。此外，這些特征很難在鑒別力和魯棒性之間取得最佳平衡。這主要是由于沒有考慮真實(shí)數(shù)據(jù)的細(xì)節(jié)。深度學(xué)習(xí)算法，尤其是卷積神經(jīng)網(wǎng)絡(luò)，在解決這個(gè)問題上已經(jīng)顯示出巨大的潛力，因?yàn)榭梢詮脑紙D像層次化的方式中自動(dòng)學(xué)習(xí)高層次的語義特征，這在遙感社區(qū)已引起越來越多的關(guān)注。然而，很難直接在遙感場景圖像分類上運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)，因?yàn)橥?xùn)練數(shù)以百萬計(jì)的參數(shù)，而可用的訓(xùn)練集數(shù)量卻很少。許多相關(guān)研究表明，從卷積神經(jīng)網(wǎng)絡(luò)中提取的特征是可以作為通用描述符。因此，從大規(guī)模的標(biāo)注數(shù)據(jù)如imagenet，運(yùn)用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)出的圖像表示，可以有效地被轉(zhuǎn)移到一個(gè)帶有限數(shù)量訓(xùn)練數(shù)據(jù)的廣泛視覺識別任務(wù)中。出于這種想法，相關(guān)研究驗(yàn)證了使用imagenet預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感場景分類的可行性。采用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)并微調(diào)遙感場景數(shù)據(jù)，分類性能令人印象深刻。目前，已有對于從卷積神經(jīng)網(wǎng)絡(luò)全連接層提取特征的泛化能力在遙感場景分類上的評估，并顯示在公共遙感場景數(shù)據(jù)集上的最新結(jié)果。雖然遷移學(xué)習(xí)能夠緩解過度擬合的問題，但在基于卷積神經(jīng)網(wǎng)絡(luò)的遙感場景分類上還存在一些問題。第一，大部分的卷積神經(jīng)網(wǎng)絡(luò)只利用最后的全連接層作為后續(xù)的分類特征。直接丟棄前面卷積層的特征這是不合理的，因?yàn)檫@些可能是對分類目標(biāo)有益的。事實(shí)上，從卷積層提取的特征比那些從連接層提取的特征更通用，因此這些特征可能更適合于遷移學(xué)習(xí)。此外，和激活全連接層相比，從卷積層提取的特征包含更多的空間信息，有利于圖像分類。最近已有人認(rèn)識到卷積層的特征的重要性，但他們只使用最后一個(gè)卷積層，忽略其他卷積層。還有一個(gè)值得注意的問題，感興趣的對象通常在不同的遙感場景有不同的尺度，甚至一個(gè)場景可能包含不同大小的對象。然而，最流行的卷積神經(jīng)網(wǎng)絡(luò)需要一個(gè)固定大小的輸入圖像(例如，227×227像素)。常見的解決方案是將原始遙感圖像變形或固定成預(yù)先定義的大小，這不可避免地會導(dǎo)致有效的判別信息的丟失。受空間金字塔模型啟發(fā)，我們考慮所有卷積層的特征作為輸入圖像的多分辨率表示。然后，金字塔匹配內(nèi)核被用來集成一個(gè)統(tǒng)一的表示。不同于空間金字塔模型，我們用低級別的描述符作為深度特征，從數(shù)據(jù)本身去學(xué)習(xí)出不同的卷積層之間最優(yōu)融合權(quán)重，而不是預(yù)先定義。減少了固定的輸入圖像尺寸造成的信息損失，而且多尺度圖像送入卷積神經(jīng)網(wǎng)絡(luò)可以從不同尺度學(xué)習(xí)出更多補(bǔ)充信息。考慮到學(xué)習(xí)多尺度深度特征的計(jì)算成本，我們選擇帶有空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)作為我們的基本的深度網(wǎng)絡(luò)。在全連接網(wǎng)絡(luò)之前增加一個(gè)空間金字塔池化層，允許輸入圖像是任意大小的。因此，一個(gè)訓(xùn)練好的空間金字塔池化網(wǎng)絡(luò)可以從多尺度輸入圖像中提取多尺度特征，從而有利于遙感場景的分類。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)不足，提供一種遙感場景分類方法，充分利用了多尺度深度特征提取和自適應(yīng)深度金字塔匹配模型的優(yōu)點(diǎn)，能夠更好地對遙感場景進(jìn)行分類，具有較好的分類性能和分類準(zhǔn)確率。本發(fā)明的遙感圖像分類方法，包括以下步驟：步驟1)、將一張待分類的遙感圖像通過變形的方法生成不同尺度n×n的圖像，其中n根據(jù)圖片大小可取多個(gè)值；步驟2)、將多尺度圖像送入到帶有空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此來提取多尺度深度特征；步驟3)、對每個(gè)尺度的輸入圖像，運(yùn)用自適應(yīng)深度金字塔匹配模型去融合從所有卷積層中提取的特征表示；步驟4)、將每個(gè)尺度圖像學(xué)習(xí)出的特征表示送入分類器得到最終分類結(jié)果，然后利用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，即為該遙感圖像場景的正確分類。為了避免有效判別信息的丟失，本發(fā)明進(jìn)一步采用以下改進(jìn)方案：將步驟1)中待分類的遙感場景圖像通過變形的方法生成不同尺度，如128×128，192×192，227×227，256×256，384×384。有益效果⑴在同樣的實(shí)驗(yàn)條件下，本發(fā)明方法的分類準(zhǔn)確率比空間關(guān)系金字塔(psr)、局部探測器(partlets)方法、半監(jiān)督投影(ssep)方法的準(zhǔn)確率高；⑵運(yùn)用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，能夠提供更多可鑒別信息，提高分類精確度。附圖說明圖1為本發(fā)明遙感場景分類方法的基本流程圖；圖2為本發(fā)明遙感圖像分類方法中多尺度深度特征提取過程的體系結(jié)構(gòu)；圖3為本發(fā)明方法自適應(yīng)深度金字塔匹配流程圖；圖4為本發(fā)明方法與空間關(guān)系金字塔(psr)、局部探測器(partlets)方法的每一類準(zhǔn)確率的直方圖。圖5為本發(fā)明方法與半監(jiān)督投影(ssep)方法的每一類準(zhǔn)確率的直方圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明：本發(fā)明的思路是充分利用多尺度深度特征提取和自適應(yīng)深度金字塔匹配模型的優(yōu)點(diǎn)，充分挖掘卷積神經(jīng)網(wǎng)絡(luò)所有卷積層特征信息，采用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，從而能夠更好地對遙感場景進(jìn)行分類，具有較好的分類性能，提高了分類準(zhǔn)確率。本發(fā)明方法的基本流程如圖1所示，具體包括以下步驟：步驟1)、生成多尺度圖像：對待分類的遙感場景圖像，通過變形的方式將該圖像劃分為多個(gè)不同尺度n×n的圖像，得到一組該圖像的多尺度圖像集合。n的取值可根據(jù)傳感器空間分辨率以及遙感圖像中目標(biāo)物體的大小等因素來決定。具體實(shí)施時(shí)，為了避免判別信息丟失，除了保留原始圖像，還需要將該圖像變形為多個(gè)多尺度圖像塊，實(shí)現(xiàn)一組多尺度圖像塊集合構(gòu)造。以原始圖像為256×256為例，相應(yīng)地，n可取128，192，227，256。步驟2)、提取多尺度深度特征：將多尺度圖像送入到帶有空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此來提取多尺度深度特征。提取多尺度深度特征的體系結(jié)構(gòu)，如圖2所示，包含五個(gè)卷積層，一個(gè)空間金字塔池化層，兩個(gè)全連接層和一個(gè)softmax層。類似于空間金字塔匹配，我們將分區(qū)的特征映射到越來越細(xì)的子區(qū)域，通過最大池化來池化每個(gè)子區(qū)域內(nèi)的特征。假設(shè)最后一個(gè)卷積層后的每個(gè)特征映射的大小為a×a，并且每個(gè)特征映射被劃分成大小為n×n的子區(qū)域?？臻g金字塔池化可以視為滑動(dòng)窗口模式下窗口大小為a/n，步幅為a/n的卷積算子。在這里，我們選擇了三個(gè)級別的空間金字塔池化配置，n×n分別是1×1、2×2和4×4?？臻g金字塔池化的最終輸出是將這三個(gè)級別的池化結(jié)果連接成一個(gè)向量，產(chǎn)生一個(gè)固定長度表示，無需考慮輸入圖像的尺寸。這些不同尺度的輸入圖像共享一個(gè)空間金字塔池化網(wǎng)絡(luò)。多尺度深度特征提取的關(guān)鍵在于網(wǎng)絡(luò)的訓(xùn)練。為確保訓(xùn)練網(wǎng)絡(luò)的有效性，使用imagenet2012數(shù)據(jù)集對網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，將前五個(gè)卷積層的權(quán)重參數(shù)遷移并固定，然后利用遙感場景訓(xùn)練樣本微調(diào)空間金字塔池化網(wǎng)絡(luò)。步驟3)、融合卷積特征：對每個(gè)尺度的輸入圖像，運(yùn)用自適應(yīng)深度金字塔匹配模型融合從所有卷積層中提取的特征表示。運(yùn)用自適應(yīng)深度金字塔匹配模型融合從所有卷積層中提取的特征表示。自適應(yīng)深度金字塔匹配流程圖，如圖3所示，通過視覺詞袋將從所有卷積層中提取的特征表示形成直方圖表示，從數(shù)據(jù)本身學(xué)習(xí)出所有卷積層之間的最優(yōu)融合權(quán)重，而不是預(yù)先定義融合權(quán)重，對最優(yōu)融合權(quán)重加權(quán)可得從所有卷積層中提取的融合特征的直方圖。融合卷積特征使用的是本發(fā)明方法中的自適應(yīng)深度金字塔匹配模型。假設(shè)一個(gè)三維矩陣該矩陣表示圖像i1的第l層特征映射；然后，在每個(gè)坐標(biāo)為(i,j)，1≤i≤nl,1≤j≤nl的地方，用f1.l(i,j)定義圖像i1一個(gè)局部塊的一個(gè)p維的特征表示。這樣，我們得到了圖像i1第l層的nl×nl局部特征向量。我們使用k-均值方法聚集所有特征形成含有d個(gè)中心的詞匯，每個(gè)特征表示f1.l(i,j)被分配給最近的視覺單詞的然后，f1,l可表示為如下直方圖表示：其中，表示特征表示f1.l(i,j)的最近視覺單詞是反之表示特征表示f1.l(i,j)的最近視覺單詞不是最后，圖像i1和i2的深度金字塔匹配核如下所示：其中，l表示卷積層的總數(shù)量，ωl為第l層的融合權(quán)重，對于遙感場景分類，還需要考慮訓(xùn)練圖像的標(biāo)簽信息。因此，不使用預(yù)定義的值，而是自適應(yīng)地從訓(xùn)練數(shù)據(jù)本身來學(xué)習(xí)最優(yōu)權(quán)重ωl。訓(xùn)練數(shù)據(jù)的核矩陣k應(yīng)接近于理想矩陣y。核矩陣k中的元素ki,j定義為圖像i1和i2深金字塔匹配核。元素yi,j＝1表示圖像標(biāo)簽yi＝y(tǒng)j，反之，元素yi,j＝0表示圖像標(biāo)簽yi≠yj。本發(fā)明中的自適應(yīng)深度金字塔匹配模型的目標(biāo)函數(shù)如下：其中，表示矩陣k和y之間的距離和，且有正則項(xiàng)由所有的權(quán)重ωl組成，可以防止過擬合。用代替k，可以推導(dǎo)出其中，矩陣a的元素ai,j＝tr(kitkj)，向量b的元素bj＝tr(ytkj)，c＝tr(yty)。那么，目標(biāo)函數(shù)可以轉(zhuǎn)化為一個(gè)典型的二次規(guī)劃問題：在求得上述二次規(guī)劃最優(yōu)解ω之后，即可計(jì)算出訓(xùn)練數(shù)據(jù)的深度金字塔匹配核矩陣k。步驟4、集結(jié)多尺度分類結(jié)果：將每個(gè)尺度圖像學(xué)習(xí)出的融合特征送入分類器得到最終分類結(jié)果，然后利用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，即可得到該遙感場景圖像的正確分類。本發(fā)明采用以下具體的方法實(shí)現(xiàn)：每個(gè)尺度圖像學(xué)習(xí)出的融合特征用深度金字塔匹配核矩陣k表示，將矩陣k送入支持向量機(jī)分類器進(jìn)行分類，通過多數(shù)表決的方法集成來自所有尺度的分類結(jié)果來實(shí)現(xiàn)最終的分類結(jié)果。本發(fā)明方法中的分類器為支持向量機(jī)，下面對支持向量機(jī)分類模型進(jìn)行簡要說明。首先簡單說明二類svm分類器的基本原理及訓(xùn)練過程。給定一個(gè)標(biāo)注集其中xi∈rd，yi∈{-1,1}。xi為反饋樣本的底層視覺特征矢量，yi為類別標(biāo)注，正反饋樣本的類別標(biāo)注為1，負(fù)反饋樣本的類別標(biāo)注為-1，rd為實(shí)數(shù)域上r上的d維向量空間。利用一個(gè)非線性映射將樣本映射到高維空間中，如下所示：φ:rd→fx→φ(x)(5)其中，f是映射到的高維空間，φ是對應(yīng)的映射函數(shù)。決策函數(shù)表示為以下形式：g(x)＝w·φ(x)+b(6)相應(yīng)地，支持向量機(jī)分類面可以寫成：w·φ(x)+b＝0(7)其中，w為權(quán)值向量，b為偏移常量。落在w·φ(x)+b＝±1這兩個(gè)超平面上的點(diǎn)稱為支持向量，支持向量到分類面的距離稱為分類間隔，大小為分類間隔的大小表示了分類器的泛化能力，因此我們要使分類器的間隔最大化：s.t.yi(w·φ(xi)+b)≥1,i＝1,…,n根據(jù)上式的求解即可得到支持向量機(jī)分類面。通過拉格朗日乘子法對上式中的二次規(guī)劃問題進(jìn)行求解，可以得到：其中，xi為支持向量，yi和αi分別為該支持向量對應(yīng)的類別標(biāo)注和拉格朗日系數(shù)。樣本x通過二類svm分類器得到的輸出為：利用核函數(shù)避開非線性映射的顯示表達(dá)，圖像樣本通過二類svm分類器得到的輸出可以改寫為：其中，k(·)為核函數(shù)，且k(xi,x)＝φ(xi)t·φ(x)，上標(biāo)t表示轉(zhuǎn)置矩陣。根據(jù)上式，對于任意一個(gè)為標(biāo)準(zhǔn)的樣本，如果f(x)的值大于0，則該樣本的類標(biāo)為1，f(x)的值小于0則類標(biāo)為-1。每個(gè)二類分類器產(chǎn)生一個(gè)分類超平面，計(jì)算每個(gè)尺度圖像學(xué)習(xí)出的融合特征到分類超平面的距離，每個(gè)尺度圖像屬于距離最大的那一類。然后利用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，即為該遙感圖像場景的正確分類。為了便于公眾理解本發(fā)明技術(shù)方案，下面給出兩個(gè)具體實(shí)施例。實(shí)施例一將本發(fā)明所提供的技術(shù)方案應(yīng)用在21-class-land-use遙感數(shù)據(jù)集分類中。該數(shù)據(jù)集是手動(dòng)從美國地質(zhì)調(diào)查局(usgs)全國地圖的航空正射影像下載提取的。它包括21個(gè)不同的土地利用和土地覆蓋類型，包括農(nóng)產(chǎn)品、飛機(jī)、棒球場、沙灘、建筑物、叢林，密集住宅、森林、高速公路、高爾夫球場、港口、路口、中密度住宅，移動(dòng)家庭公園、立交橋、停車場、河流、跑道、稀疏住宅，儲油罐和網(wǎng)球場。每一類包含100張rgb圖像，空間分辨率為一英尺(約0.3米)，圖像大小為256×256像素。利用本發(fā)明所提出的基于自適應(yīng)深度空間金字塔匹配的遙感場景分類方法，將從卷積神經(jīng)網(wǎng)絡(luò)提取的多尺度圖像的深度特征進(jìn)行融合送入分類器，以此來得到一個(gè)遙感場景圖像的分類。本實(shí)施例中，分類模型選用支持向量機(jī)(svm)，為了驗(yàn)證本發(fā)明的有效性，分類結(jié)果分別與空間關(guān)系金字塔(psr)、局部探測器(partlets)方法進(jìn)行對比。將一張待分類的遙感場景圖像通過變形的方法生成不同尺度n×n的圖像，將多尺度圖像送入到帶有空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此來提取多尺度深度特征，對每個(gè)尺度的輸入圖像，運(yùn)用自適應(yīng)深度金字塔匹配模型融合從所有卷積層中提取的特征表示，將每個(gè)尺度圖像學(xué)習(xí)出的特征表示送入分類器得到最終分類結(jié)果，然后利用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，即為該遙感場景圖像的正確分類。本實(shí)施例的分類過程具體如下：1、生成多尺度圖像：保留大小為256×256的原始圖像，將該張待分類的遙感場景圖像通過變形的方法分別生成尺度大小為128×128、192×192、227×227的圖像，形成一組該圖像的多尺度圖像集合。2、提取多尺度深度特征：為確保訓(xùn)練網(wǎng)絡(luò)的有效性，使用227×227遙感場景作為輸入對網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練。將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測試集兩個(gè)部分，訓(xùn)練集用于微調(diào)空間金字塔池化網(wǎng)絡(luò)的全連接層，測試集用于評估分類器的性能。為了減少隨機(jī)選擇的影響，我們在十個(gè)不同的訓(xùn)練/測試分割的數(shù)據(jù)集上重復(fù)執(zhí)行每個(gè)算法?？臻g金字塔池化網(wǎng)絡(luò)類似于空間金字塔匹配，將分區(qū)的特征映射到越來越細(xì)的子區(qū)域，通過最大池化來池化每個(gè)子區(qū)域內(nèi)的特征。假設(shè)最后一個(gè)卷積層后的每個(gè)特征映射的大小為a×a，并且每個(gè)特征映射被劃分成大小為n×n的子區(qū)域。空間金字塔池化可以視為滑動(dòng)窗口模式下窗口大小為a/n，步幅為a/n的卷積算子。在這里，我們選擇了三個(gè)級別的空間金字塔池化配置，n×n分別是1×1、2×2和4×4?？臻g金字塔池化的最終輸出是將這三個(gè)級別的池化結(jié)果連接成一個(gè)向量，產(chǎn)生一個(gè)固定長度表示，無需考慮輸入圖像的尺寸。這些不同尺度的輸入圖像共享一個(gè)空間金字塔池化網(wǎng)絡(luò)。然后將多尺度圖像送入到帶有空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此來提取多尺度深度特征。3、融合卷積特征：對每個(gè)尺度的輸入圖像，從所有卷積層中提取的特征表示，對于卷積層特征圖的每個(gè)像素，使用k-均值形成視覺編碼。f1.l(i,j)表示圖像第l層一個(gè)局部塊的一個(gè)p維的特征，表示距離f1.l(i,j)最近的視覺單詞，圖像i1的第l層特征映射為然后通過視覺詞袋將從所有卷積層中提取的特征表示形成直方圖表示。運(yùn)用自適應(yīng)深度金字塔匹配模型融合從所有卷積層中提取的特征表示。圖像i1和i2的深度金字塔匹配核l表示卷積層的總數(shù)量，ωl為第l層的融合權(quán)重，自適應(yīng)深度金字塔匹配模型目標(biāo)函數(shù)中(3)防止過擬合的正則項(xiàng)參數(shù)λ按照經(jīng)驗(yàn)取0.5。從數(shù)據(jù)本身學(xué)習(xí)出所有卷積層之間的最優(yōu)融合權(quán)重，然后對最優(yōu)融合權(quán)重加權(quán)可得從所有卷積層中提取的融合特征的直方圖。4、集結(jié)多尺度分類結(jié)果：將帶有交叉核直方圖的多個(gè)尺度圖像的深層特征送入分類器，得到分類結(jié)果，這可以使用libsvm軟件包實(shí)現(xiàn)。然后利用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，從而最終完成遙感場景圖像的分類。為了驗(yàn)證本發(fā)明方法的效果，分別將本發(fā)明提出的基于自適應(yīng)深度空間金字塔匹配的遙感場景分類方法與空間關(guān)系金字塔(psr)、局部探測器(partlets)方法進(jìn)行比較。圖4為本發(fā)明方法與空間關(guān)系金字塔(psr)、局部探測器(partlets)方法下的每一分類準(zhǔn)確率的直方圖。從圖中可以看出，和其他兩種方法相比，本發(fā)明的分類方法的準(zhǔn)確率在15類上取得最高準(zhǔn)確率。這說明，本發(fā)明方法可以獲得更高的分類準(zhǔn)確率。表1給出了3種分類方法的分類準(zhǔn)確率的比較。表1分類準(zhǔn)確率對比方法分類準(zhǔn)確率psr89.10partlets91.33adpm-19292.67adpm-22792.04adpm-25693.52multi-scaleadpm94.86從表1可以看出，本發(fā)明方法的分類準(zhǔn)確率明顯高于其他兩種分類方法，尤其是融合分類結(jié)果的多尺度方法，和其他方法相比準(zhǔn)確率提高了將近4％。此外，不同尺度的結(jié)果不同，通過融合分類結(jié)果的多尺度方法分類準(zhǔn)確率明顯高于單尺度方法。綜上可知，和空間關(guān)系金字塔(psr)、局部探測器(partlets)方法相比，本發(fā)明方法無論是從分類性能還是從分類精確度上來看，都具有明顯的優(yōu)勢。實(shí)施例二將本發(fā)明所提供的技術(shù)方案應(yīng)用在19-classsatellitescene遙感數(shù)據(jù)集分類中。該數(shù)據(jù)集由19個(gè)場景組成，包括機(jī)場，海灘，橋梁，商業(yè)區(qū)，沙漠，農(nóng)田，足球場，森林，工業(yè)區(qū)，草地，山，公園，停車場，池塘，港口，火車站，住宅區(qū)，河流和高架橋。每個(gè)類有50張圖像，大小為600×600像素。這些圖像是用谷歌地球軟件從較大衛(wèi)星圖像上提取的。利用本發(fā)明所提出的基于自適應(yīng)深度空間金字塔匹配的遙感場景分類方法，將從卷積神經(jīng)網(wǎng)絡(luò)提取的多尺度圖像的深度特征進(jìn)行融合送入分類器，以此來得到一個(gè)遙感場景圖像的分類。本實(shí)施例中，分類模型選用支持向量機(jī)(svm)，為了驗(yàn)證本發(fā)明的有效性，將分類結(jié)果與半監(jiān)督投影(ssep)方法進(jìn)行對比。將一張待分類的遙感場景圖像通過變形的方法生成不同尺度n×n的圖像，將多尺度圖像送入到帶有空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此來提取多尺度深度特征，對每個(gè)尺度的輸入圖像，運(yùn)用自適應(yīng)深度金字塔匹配模型融合從所有卷積層中提取的特征表示，將每個(gè)尺度圖像學(xué)習(xí)出的特征表示送入分類器得到最終分類結(jié)果，然后利用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，即為該遙感場景圖像的正確分類。本實(shí)施例的分類過程具體如下：1、生成多尺度圖像：保留大小為600×600的原始圖像，將該張待分類的遙感場景圖像通過變形的方法分別生成尺度大小為128×128、192×192、227×227、256×256、384×384的圖像，形成一組該圖像的多尺度圖像集合。2、提取多尺度深度特征：為確保訓(xùn)練網(wǎng)絡(luò)的有效性，使用遙感場景作為輸入對網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練。將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測試集兩個(gè)部分，訓(xùn)練集用于微調(diào)空間金字塔池化網(wǎng)絡(luò)的全連接層，測試集用于評估分類器的性能。為了減少隨機(jī)選擇的影響，我們在十個(gè)不同的訓(xùn)練/測試分割的數(shù)據(jù)集上重復(fù)執(zhí)行每個(gè)算法?？臻g金字塔池化網(wǎng)絡(luò)類似于空間金字塔匹配，將分區(qū)的特征映射到越來越細(xì)的子區(qū)域，通過最大池化來池化每個(gè)子區(qū)域內(nèi)的特征。假設(shè)最后一個(gè)卷積層后的每個(gè)特征映射的大小為a×a，并且每個(gè)特征映射被劃分成大小為n×n的子區(qū)域?？臻g金字塔池化可以視為滑動(dòng)窗口模式下窗口大小為a/n，步幅為a/n的卷積算子。在這里，我們選擇了三個(gè)級別的空間金字塔池化配置，n×n分別是1×1、2×2和4×4?？臻g金字塔池化的最終輸出是將這三個(gè)級別的池化結(jié)果連接成一個(gè)向量，產(chǎn)生一個(gè)固定長度表示，無需考慮輸入圖像的尺寸。這些不同尺度的輸入圖像共享一個(gè)空間金字塔池化網(wǎng)絡(luò)。然后將多尺度圖像送入到帶有空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此來提取多尺度深度特征。3、融合卷積特征：對每個(gè)尺度的輸入圖像，從所有卷積層中提取的特征表示，對于卷積層特征圖的每個(gè)像素，使用k-均值形成視覺編碼。f1.l(i,j)表示圖像第l層一個(gè)局部塊的一個(gè)p維的特征，表示距離f1.l(i,j)最近的視覺單詞，圖像i1的第l層特征映射為然后通過視覺詞袋將從所有卷積層中提取的特征表示形成直方圖表示。運(yùn)用自適應(yīng)深度金字塔匹配模型融合從所有卷積層中提取的特征表示。圖像i1和i2的深度金字塔匹配核l表示卷積層的總數(shù)量，ωl為第l層的融合權(quán)重，自適應(yīng)深度金字塔匹配模型目標(biāo)函數(shù)中(3)防止過擬合的正則項(xiàng)參數(shù)λ按照經(jīng)驗(yàn)取0.5。從數(shù)據(jù)本身學(xué)習(xí)出所有卷積層之間的最優(yōu)融合權(quán)重，然后對最優(yōu)融合權(quán)重加權(quán)可得從所有卷積層中提取的融合特征的直方圖。4、集結(jié)多尺度分類結(jié)果：將帶有交叉核直方圖的多個(gè)尺度圖像的深層特征送入分類器，得到分類結(jié)果，這可以使用libsvm軟件包實(shí)現(xiàn)。然后利用多數(shù)投票策略集成所有尺度的多個(gè)結(jié)果，從而最終完成遙感場景圖像的分類。為了驗(yàn)證本發(fā)明方法的效果，分別將本發(fā)明提出的基于自適應(yīng)深度空間金字塔匹配的遙感場景分類方法與半監(jiān)督投影(ssep)方法進(jìn)行比較。圖5為本發(fā)明方法與半監(jiān)督投影(ssep)方法下的每一分類準(zhǔn)確率的直方圖。從圖中可以看出，和與半監(jiān)督投影(ssep)方法相比，本發(fā)明的分類方法的準(zhǔn)確率在14類上取得最高準(zhǔn)確率。這說明，本發(fā)明方法可以獲得更高的分類準(zhǔn)確率。表1給出了3種分類方法的分類準(zhǔn)確率的比較。表1分類準(zhǔn)確率對比方法分類準(zhǔn)確率ssep73.82adpm-22782.14adpm-25683.71adpm-38481.91multi-scaleadpm84.67從表1可以看出，本發(fā)明方法的分類準(zhǔn)確率明顯高于半監(jiān)督投影(ssep)方法，尤其是融合分類結(jié)果的多尺度方法，和其他方法相比準(zhǔn)確率提高了將近8％。此外，不同尺度的結(jié)果不同，通過融合分類結(jié)果的多尺度方法分類準(zhǔn)確率明顯高于單尺度方法。綜上可知，和半監(jiān)督集合投影(ssep)方法相比，本發(fā)明方法無論是從分類性能還是從分類精確度上來看，都具有明顯的優(yōu)勢。當(dāng)前第1頁12