【技術實現步驟摘要】
本專利技術涉及圖像處理，尤其涉及一種基于殘差神經網絡的影像分類方法。
技術介紹
1、隨著遙感技術的飛速發展，衛星遙感影像以其覆蓋范圍廣、數據獲取周期短、信息量豐富等優勢，在資源環境監測、防災減災、土地利用動態監測等領域發揮著越來越重要的作用。衛星遙感影像包含了地物的幾何和輻射信息，對地物進行分類識別是充分挖掘和利用衛星影像信息的關鍵。
2、傳統的衛星影像分類方法主要是人工目視解譯，這種方法耗時費力，難以滿足大規模數據處理的需求。近年來，機器學習技術在遙感影像分類領域得到了廣泛應用。早期的方法多采用支持向量機(svm)等傳統機器學習模型，通過人工設計特征，如紋理、形狀、光譜等特征，再耦合分類器進行分類。這類方法取得了一定的效果，但是人工特征的表達能力有限，設計過程依賴專家經驗，而且抽取的特征往往是低層的，難以刻畫復雜場景下的地物語義信息。
3、近年來隨著遙感技術的飛速發展，深度學習技術的興起為衛星遙感影像分類帶來了革命性變革，衛星遙感影像在資源環境監測和土地利用等領域發揮著越來越重要的作用。傳統的卷積神經網絡(cnn)在處理復雜的遙感數據時仍存在局限性。結合變換學習(transformers)模型的強大特征提取能力，可以為衛星遙感影像分類提供新的解決方案，從而提升分類性能和模型魯棒性。
技術實現思路
1、本專利技術針對現有技術中的不足，提供一種基于殘差神經網絡的影像分類方法，采用resnet-50模型對衛星影像進行分類。resnet的殘差學習機制是關鍵，通過引
2、為了實現上述目的，本專利技術采用了如下技術方案：
3、一種基于殘差神經網絡的影像分類方法，包括以下步驟：
4、收集高分辨率衛星遙感影像數據，確保覆蓋多種地物類型；
5、使用專業標注工具對影像進行像素級標注，確保每種地物類型被準確標識；
6、對影像進行預處理，包括將影像調整為較小尺寸、進行像素值歸一化及數據增強；
7、將處理后的數據集分為訓練集、驗證集和測試集；
8、采用基于殘差神經網絡的模型架構，使用多個殘差塊，并通過跳躍連接將輸入直接添加到輸出，以緩解梯度消失問題；x
9、在殘差神經網絡后接入變換器模塊，利用自注意力機制對卷積層輸出進行處理，以捕捉全局特征；
10、使用交叉熵損失函數和adam優化器進行模型編譯，并在訓練過程中采用早停策略以防止過擬合；
11、使用測試集對訓練好的模型進行性能評估，計算準確率、召回率和f1-scor?e，并進行結果可視化以優化分類效果。
12、優選的，所述影像預處理步驟包括數據增強技術，所述數據增強技術包括隨機旋轉、翻轉、平移和添加高斯噪聲。
13、優選的，在所述數據預處理步驟中，進行像素值歸一化，使用公式：
14、
15、其中，x′為歸一化后的像素值，x為原始像素值，μ為像素值的均值，σ為像素值的標準差。
16、優選的，所述殘差神經網絡部分包括多個殘差塊，每個殘差塊通過跳躍連接將輸入直接添加到輸出。
17、優選的，所述變換器模塊計算公式為：
18、
19、其中，q為查詢矩陣，k為鍵矩陣，v為值矩陣，dk為鍵向量的維度。
20、優選的，所述損失函數的公式為：
21、
22、其中：l為損失值；n為樣本數量；yi為真實類別標簽；pi為模型預測的類別概率。
23、優選的，將多光譜波段組合以突出不同地物的光譜特征，所述組合方法包括計算植被指數ndvi，公式為：
24、
25、其中，nir為近紅外波段的像素值，red為紅波段的像素值。
26、優選的，所述模型訓練過程中設定早停策略，當驗證集損失不再下降時停止訓練。
27、優選的，所述測試集用于評估模型性能時，計算的指標包括準確率、召回率和f1-score，并通過可視化技術展示混淆矩陣以幫助分析分類效果，其中，f1-score的計算公式為：
28、
29、其中，precision為精確率，表示正類預測中實際為正類的比例；
30、recall為召回率，表示實際為正類中被正確預測為正類的比例。
31、與現有技術相比，本專利技術具有如下有益效果：
32、1.本專利技術采用resnet-50模型對衛星影像進行分類，resnet的殘差學習機制是關鍵，通過引入殘差塊和跳躍連接，使得網絡可以很深而不出現梯度消失問題，從而提取更高層次、更抽象的特征，讓衛星影像分類的準確率得到顯著提升，實現了高精度的自動分類，節省了大量人工標注的成本。
33、2.本專利技術數據預處理環節的幾個步驟:大尺寸影像的resize、像素值歸一化、數據增強以及多光譜波段組合等。這些預處理可以減少了對大規模標注數據的依賴，在中小規模數據集上也能取得不錯的分類效果，提高了方法的適用性。
34、3.本專利技術整個分類過程高度自動化，可以靈活調整模型結構和超參數，不斷優化模型性能，使得分類流程更加智能高效。
35、4.本專利技術能自動、準確、高效的衛星影像分類技術，可以為土地利用調查、資源環境監測、災害評估等諸多領域提供重要的信息支持，具有廣闊的應用前景。
本文檔來自技高網...【技術保護點】
1.一種基于殘差神經網絡的影像分類方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：所述影像預處理步驟包括數據增強技術，所述數據增強技術包括隨機旋轉、翻轉、平移和添加高斯噪聲。
3.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：在所述數據預處理步驟中，進行像素值歸一化，使用公式：
4.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：所述殘差神經網絡部分包括多個殘差塊，每個殘差塊通過跳躍連接將輸入直接添加到輸出。
5.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：所述變換器模塊計算公式為：
6.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：所述損失函數的公式為：
7.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：將多光譜波段組合以突出不同地物的光譜特征，所述組合方法包括計算植被指數NDVI，公式為：
8.根據權利要求1所述的一種基于殘差神
9.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：所述測試集用于評估模型性能時，計算的指標包括準確率、召回率和F1-sc?ore，并通過可視化技術展示混淆矩陣以幫助分析分類效果，其中，F1-score的計算公式為：
...【技術特征摘要】
1.一種基于殘差神經網絡的影像分類方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：所述影像預處理步驟包括數據增強技術，所述數據增強技術包括隨機旋轉、翻轉、平移和添加高斯噪聲。
3.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：在所述數據預處理步驟中，進行像素值歸一化，使用公式：
4.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：所述殘差神經網絡部分包括多個殘差塊，每個殘差塊通過跳躍連接將輸入直接添加到輸出。
5.根據權利要求1所述的一種基于殘差神經網絡的影像分類方法，其特征在于：所述變換器模塊計算公式為：
【專利技術屬性】
技術研發人員：李亞峰，張青波，李方園，
申請(專利權)人：浙江工商職業技術學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。