一种遥感图像分类方法及系统

本发明涉及图像分类，尤其涉及一种遥感图像分类方法及系统。

背景技术：

1、遥感图像分类是遥感领域中的一项关键任务，旨在将遥感图像中的像素点划分为不同的类别，如水体、森林、道路等，以实现地物类型的自动识别和监测。传统的遥感图像分类方法通常基于人工特征提取和监督学习技术，如支持向量机(svm)、随机森林(randomforest)等。这些方法在一定程度上取得了较好的效果，但在处理复杂地物类型和大尺度遥感图像时存在一些限制，如特征提取不充分、分类精度受到地物间相似性的影响等。

2、当前的遥感图像分类方法存在着几个共同的局限性。首先，基于人工特征提取的方法往往需要依赖领域专家手工设计特征，无法充分挖掘遥感图像中的丰富信息。其次，传统的监督学习方法在样本标注和模型泛化能力方面存在一定的局限性，尤其是对于类别间的边界模糊、样本不平衡问题处理不足。此外，大尺度遥感图像的分类任务往往需要考虑到图像的空间结构和上下文信息，传统方法对此的处理能力较弱。综上所述，现有技术在面对复杂地物类型、大尺度图像以及样本标注和模型泛化方面存在一定的挑战和局限性，为此提出一种遥感图像分类方法及系统来解决上述问题。

技术实现思路

1、为了弥补以上不足，本发明提供了一种遥感图像分类方法及系统，旨在改善了现有技术中面对复杂地物类型、大尺度图像以及样本标注和模型泛化方面存在一定的挑战和局限性的问题。

2、为了实现上述目的，本发明采用了如下技术方案：一种遥感图像分类的方法，步骤包括，

3、s1、获取遥感图像数据集，并对数据集进行预处理，以提高图像质量和分类精度；

4、s2、利用深度学习技术构建遥感图像分类模型，自动提取图像中的特征信息，避免了人工特征提取的繁琐和局限性；

5、s3、在模型构建过程中，引入注意力机制，使模型能够关注到图像中的重要区域，提高分类精度和鲁棒性；

6、s4、将多尺度特征融合技术应用于模型中，以充分利用不同尺度下的特征信息；

7、s5、采用样本重采样策略，以提高模型的泛化能力和分类精度；

8、s6、利用训练好的遥感图像分类模型对测试集进行分类预测，得到每个像素点的类别标签；

9、s7、对分类结果进行后处理去除小面积噪声、平滑边缘，以提高分类结果的视觉效果和准确性；

10、s8、将分类结果以可视化形式展示给用户，便于用户直观了解遥感图像中各类地物的分布情况。

11、作为上述技术方案的进一步描述：

12、所述s1、获取遥感图像数据集，包括以下步骤：

13、s101、收集多个遥感图像数据集，包括不同传感器、不同分辨率、不同地物类型的遥感图像，以确保模型的通用性和泛化能力；

14、s102、对遥感图像进行预处理，包括去噪、增强、裁剪、归一化，以提高图像质量和分类精度；

15、s103、将预处理后的遥感图像数据集划分为训练集、验证集和测试集，以便于模型的训练、验证和测试。

16、作为上述技术方案的进一步描述：

17、所述s2、利用深度学习技术构建遥感图像分类模型，包括以下步骤：

18、s201、选择tensorflow或者pytorch深度学习框架，以便于模型的构建、训练和部署；

19、s202、设计卷积神经网络结构，包括输入层、卷积层、池化层、全连接层，以满足遥感图像分类任务的需求；

20、s203、选择合适的激活函数和损失函数，以便于模型的训练和优化；

21、s204、使用训练集对模型进行训练，通过反向传播算法更新模型的参数，以最小化损失函数值；

22、s205、使用验证集对模型进行验证，以评估模型的性能和泛化能力。

23、作为上述技术方案的进一步描述：

24、所述s3、在模型构建过程中，引入注意力机制，包括以下步骤：

25、s301、在卷积神经网络结构中引入注意力模块，如se模块、cbam模块，以增强模型对图像中重要区域的关注能力；

26、s302、注意力模块通过学习每个通道或每个空间位置的重要性权重，对特征图进行加权处理，以突出重要特征并抑制次要特征；

27、s303、通过引入注意力机制，模型可以更加关注到遥感图像中的重要区域，从而提高分类精度和鲁棒性。

28、作为上述技术方案的进一步描述：

29、所述s4、将多尺度特征融合技术应用于模型中，包括以下步骤：

30、s401、在卷积神经网络结构中引入不同尺度的卷积核，以提取不同尺度下的特征信息；

31、s402、将不同尺度下的特征信息进行融合，采用拼接、加权求和的方式进行融合；

32、s403、在模型训练过程中，通过优化算法和损失函数，使模型学习到多尺度特征融合后的最优特征表示，以进一步提高分类精度和鲁棒性。

33、作为上述技术方案的进一步描述：

34、所述s5、采用样本重采样策略，包括以下步骤：

35、s501、分析遥感图像数据集中各类别样本的数量分布情况，确定是否存在样本不平衡问题；

36、s502、针对样本不平衡问题，采用过采样或欠采样策略对样本进行调整；

37、s503、在模型训练过程中，采用类别权重、样本权重的权重调整策略，进一步解决类别间边界模糊和样本不平衡问题。

38、作为上述技术方案的进一步描述：

39、所述s6、利用训练好的遥感图像分类模型对测试集进行分类预测，包括以下步骤：

40、s601、将测试集中的遥感图像输入到训练好的模型中，得到每个像素点的类别标签；

41、s602、对分类结果进行评估和分析，计算准确率、召回率、f1值的评估指标，以评估模型的性能和泛化能力。

42、作为上述技术方案的进一步描述：

43、所述s7、对分类结果进行后处理，包括以下步骤：

44、s701、对分类结果进行噪声去除，即识别和去除分类结果中的小面积错误分类区域；

45、s702、对分类结果的边缘进行平滑处理，以减少分类结果中的锯齿状或毛刺状边缘；

46、s703、根据需要对分类结果进行颜色编码或标签映射，以便于在可视化展示中区分不同的地物类别。

47、作为上述技术方案的进一步描述：

48、所述s8、将分类结果以可视化形式展示给用户，包括以下步骤：

49、s801、选择arcgis、envi、qgis可视化工具或平台，以便于将分类结果以图像、地图等形式展示给用户；

50、s802、将分类结果导入到可视化工具或平台中，并进行必要的地图背景、调整色彩映射设置；

51、s803、根据需要对分类结果进行叠加显示或对比分析，以便于用户直观了解遥感图像中各类地物的分布情况及其与其他地理信息的关联关系。

52、作为上述技术方案的进一步描述：

53、系统包括遥感图像获取模块、预处理模块、模型构建模块、分类预测模块、后处理模块和可视化模块。其中，遥感图像获取模块负责收集和处理遥感图像数据集，预处理模块对遥感图像进行预处理以提高图像质量和分类精度，模型构建模块利用深度学习技术构建遥感图像分类模型，分类预测模块利用训练好的模型对测试集进行分类预测，后处理模块对分类结果进行噪声去除、边缘平滑处理，可视化模块将分类结果以可视化形式展示给用户。

54、本发明具有如下有益效果：

55、1、本发明中，通过采集多个遥感图像数据集，涵盖不同地物类型，并从不同季节、天气条件下获取图像，以覆盖更多地物类型和情景变化。构建深度学习模型时，选择合适的网络结构和激活函数，以自动提取图像中的特征信息，避免了人工特征提取的繁琐和局限性。引入注意力机制，使模型能够更加关注到图像中的重要区域，从而提高分类精度和鲁棒性。

56、2、本发明中，在模型构建过程中引入多尺度特征融合技术，包括选择不同尺度的卷积核、融合不同尺度下的特征信息，以充分利用不同尺度下的特征信息。引入注意力机制，使模型能够更加关注到图像中的重要区域，从而提高对大尺度图像的处理能力。

57、3、本发明中，对遥感图像数据集进行样本标注时，采用交叉验证的方法，动态调整训练集和验证集的数据分布，以应对实际场景中数据分布的变化。采用样本重采样策略，解决样本不平衡问题，包括过采样和欠采样策略，以提高模型的泛化能力。在模型训练过程中，使用验证集对模型进行验证，评估模型的性能和泛化能力，并根据验证结果对模型进行调整和优化。