一种基于卫星遥感图像的建筑物分类方法与流程

本发明属于卫星遥感图像处理技术领域，具体涉及一种基于卫星遥感图像的建筑物分类方法。

背景技术：

卫星遥感图像数据是遥感卫星在太空探测地球地表目标体时对电磁波的反射，及其发射的电磁波，从而将该目标体的信息提取，将这些电磁波转换，识别得到可视化的图像。卫星遥感图像与普通光学图像不同之处在于，其分辨率较低，图像中的目标体变形较大，波段较多，将其数值化后可分解为多个二维矩阵，因此采用传统的图像分类方法很难实现一个具有高准确率的卫星遥感图像分类模型。

而随着人工智能的发展，机器学习、深度学习已成为二十一世纪的一大研究热点。目前，以机器学习为依托所发展的语音领域有自然语言处理，以深度学习为依托所发展的图像领域有计算机视觉。目前深度学习领域的图像处理技术日趋成熟，且算法较为完善，相比传统滑窗式图像分类处理的方法采用深度学习进行图像特征提取分类的处理速度以指数级增长，且准确率也达到较为理想状态。但是大多数图像为普通光学图像，而将卫星遥感图像与深度学习技术相结合的处理方法较少。

目前的图像处理算法大多数是基于深度学习，本方法使用的是卷积神经网络，在结构上，是将图像判定，特征提取，目标分类，三个部分整合到同一个网络中，使得综合性能有了较大的提升，并且同时在分类速度方面也有所提高。

技术实现要素：

本发明的目的在于提供一种速度快、准确率高的基于卫星遥感图像的建筑物分类方法。

本发明提供的基于卫星遥感图像的建筑物分类方法，首先对输入图像进行判定，其次对卫星遥感图像数据进行多方位精确处理，再搭建分类网络模型，将数据反复投入模型中迭代训练生成模型，根据模型分类准确率、速度等综合性能输出一个最优模型。将待检测卫星遥感图像输入模型，可得到分类结果。本发明可以提升卫星遥感图像分类的速度及准确率，可应用于城市规划领域，使城市建筑物分布更加合理化，亦可应用于紧急避难场所规划等。

本发明提供的基于卫星遥感图像的建筑物分类方法，具体步骤如下：

（1）利用建筑物经纬度坐标点集获取卫星遥感图像，并对所获取的卫星遥感图像数据进行多方位精确处理，制作为样本数据集；其中，70%的数据作为样本训练集，15%的数据作为样本测试集t1，15%的数据作为样本测试集t2；

（2）搭建一个用于卫星遥感图像中建筑物的分类模型；

（3）分批次输入全部训练数据至分类模型，进行迭代训练，参数更新，记录每次训练数据，保存此时模型，记为模型v1；

（4）优化分类模型，输入样本测试集t1至分类模型v1进行测试，并记录数据，将测试误差函数值较大的数据加权，然后并入样本训练集，并且将其随机打乱，重复步骤（3）；得最优分类模型，记为模型v2；

（5）建立卫星遥感图像判定层，若为光学图像则直接输出；

（6）样本测试集t3输入最优分类模型v2进行测试，并输出结果，制作为分类器可视化。

步骤（1）中，所述的利用建筑物经纬度坐标点集获取卫星遥感图像，是指将某城市所有建筑物的经纬度坐标点批量导入专业软件，根据经纬度坐标点分布获取到某城市的所有建筑物的卫星遥感图像。由于卫星遥感图像所受因素较多，数据质量较低，所以对卫星遥感图像数据进行多方面精确处理，具体步骤如下：

（1a）对卫星遥感图像数据进行降噪处理，根据傅立叶变换进行滤波，以过滤掉由于周期性噪声重叠所形成的亮斑等杂质；

（1b）对卫星遥感图像数据进行阴影消除，根据比值法生成新的像元比值，以消除由于太阳光线照射、太阳高度角所形成的建筑物阴影；

（1c）对卫星遥感图像数据进行校准纠正，将一副卫星遥感图像与另外一副相同区域所拍摄的卫星遥感图像根据空间坐标点进行配准，使空间坐标位置可叠加显示，以解决由于拍摄高度、日期等因素造成等同区域建筑物发生偏移、断层等问题，使其定位准确；

（1d）对卫星遥感图像数据进行色彩镶嵌，利用图像色彩补偿法，计算图像中各像素点中的色彩值，并叠加求色彩值的均值，为色彩值小于均值的像素点进行色彩补偿；

（1e）对卫星遥感图像数据进行去雾处理，对卫星遥感图像数据进行主成份变换,去除与模糊度相关的因素,再对其进行主成份逆变换使其回到rgb彩色空间。

将经过步骤（1a）（1b）（1c）（1d）（1e）处理过的卫星遥感图像数据以建筑物的体积、可视化程度、常见性、所处区域等因素将建筑物分类，例如分为：体育场、篮球场、运动馆、居民区、网球场等；可以为10个类别。将其随机打乱制作为样本数据集；其中，70%的数据作为样本训练集，15%的数据作为（步骤（4）中的）样本测试集t1，15%的数据为样本测试集t2。

步骤（2）中，所述搭建一个卫星遥感图像中建筑物的分类模型，该分类模型是一个由多个卷积层、最大池化层和全连接层构成的卷积神经网络，总共要有十三层结构，包括四层1*1卷积，三层3*3卷积，一层5*5卷积，三层2*2最大池化层，两层全连接层。

步骤（3）中，所述的对分类网络进行迭代训练，记录每次的权重、训练误差函数值，是采用adam优化器进行模型参数的更新与迭代，记录每次训练数据，具体训练步骤如下：

（3a）输入一副分辨率为224*224的图像至分类模型中；

（3b）进行卷积与池化处理；

第一层卷积：1*1*16，步长为1，得到224*224*16的图像，采用relu进行非线性激活；

第二层卷积：3*3*16，步长为1，采用same_padding，得到224*224*16的图像，采用relu进行非线性激活；

第一层池化：2*2，步长为2，得到112*112*16的图像；

第三层卷积：1*1*32，步长为1，得到112*112*32的图像，采用relu进行非线性激活；

第四层卷积：5*5*32，步长为1，采用valid_padding，得到108*108*32的图像，relu进行非线性激活；

第二层池化：2*2，步长为2，得到56*56*32的图像；

第五层卷积：1*1*64，步长为1，得到56*56*64的图像，采用relu进行非线性激活；

第六层卷积：3*3*64，步长为1，采用valid_padding，得到54*54*64的图像，采用relu进行非线性激活；

第七层卷积：3*3*64，步长为1，采用valid_padding，得到52*52*64的图像，采用relu进行非线性激活；

第三层池化：2*2，步长为2，得到26*26*64的图像；

第八层卷积：1*1*64，步长为2，得到13*13*64的图像，采用relu进行非线性激活；

第一层全连接层：采用1024个神经元全连接，得到13*13*64*1024个参数，采用relu进行非线性激活；

第二层全连接层：为softmax分类输出层，采用20个全连接神经元；

（3c）输出分类结果。

调整网络参数，重复步骤（3a）（3b）（3c），直到训练误差函数值保持在较优数值且分类准确率较高时，便保存此时模型，记为模型v1。

步骤（4）中，所述的优化分类模型，是指将样本测试集t1分为p个批次投入至分类模型v1进行测试，记录每个批次的分类准确率等数据，将p个批次中测试误差函数值较大的前三批数据重新加权处理，并入样本训练集，将其随机打乱，制作为新的样本训练集，之后重复步骤（3），进行多次训练迭代不断更新分类模型v1；当分类模型的训练误差函数值与测试误差函数值达到整体相对最优且速度最快时，便保存此时的最优分类模型，记为模型v2。

步骤（5）中，所述建立卫星遥感图像判定层，若为光学图像则直接输出，是指在实际应用时可能存在图像数据混淆的情况，故输入的图像数据会首先进入一个判定层，该判定层主要包含三部分：数值化、二维矩阵化、统计数量。数值化主要对输入图像数据进行灰度化、二值化处理。二维矩阵化主要将输入图像数据以矩阵形式呈现。统计数量主要对上述二维矩阵个数进行统计。具体步骤如下：

（5a）图像数据进入判定层；

（5b）对所输入的图像数据数值化，然后将其转换为二维矩阵；

（5c）统计二维矩阵个数，当二维矩阵的个数为3时，符合光学图像只有rgb三个波段，则表明该图像数据存在数据混淆的情况，为普通光学图像，则直接跳过分类模型输出“非本次测试类型”；

（5d）当二维矩阵个数为大于3时，则表明为本次所测试的卫星遥感图像类型，正常进入分类流程。

步骤（6）中，所述的样本测试集t3输入最优分类模型v2进行测试，并输出结果，制作为分类器可视化，则是指将样本测试集t3输入最优分类模型v2进行测试，随机添加一些光学图像类型的图像数据与步骤1中所生成的样本测试集t2构成样本测试集t3，并随机打乱；将样本测试集t3输入步骤4中所生成的最优分类模型v2，输出检测结果，来判断分类模型的准确性，最后将分类模型制作为可视化界面，可视化界面主要包括以下内容：

（1）选择输入图像路径；

（2）输入图像可视化；

（3）输出分类结果及判定概率。

本发明解决了卫星遥感图像采用传统方法分类速度慢，准确率低等问题。且落地应用性强，应用领域较广，可用于城市设计规划布局，使城市建筑分布更加合理化；也可用于城市公共安全，应急避难场所检测等。

附图说明

图1是本发明中分类模型流程图。

图2是本发明中判定层结构图。

图3是本发明中搭建的分类模型结构图。

图4是本发明的完整流程图。

图5是本发明中的可视化界面示例。

具体实施方式

为便于对本发明具有一个更好的理解，下面将结合实例对本发明进行更进一步的描述，本例仅用于解释和说明本发明，并不是限定于本发明。主要步骤如下。

步骤1：首先，利用建筑物经纬度坐标点集获取卫星遥感图像，并对卫星遥感图像数据进行多方面精确处理，制作为样本数据集，具体步骤如下：

（1）将某市所有建筑物的116800个经纬度坐标点批量导入专业软件中，根据经纬度坐标点可获取到某市所有建筑物的卫星遥感图像；

（2）由于卫星遥感图像存在清晰度较低、建筑断层等现象，需要对获取到图像数据进行多方位的精确处理，具体步骤如下：

（2.1）对卫星遥感图像数据进行降噪处理，根据傅立叶变换的滤波处理，可将由于周期性噪声重叠所形成的亮斑等杂质过滤掉，其中，傅立叶变换公式如下所示：

（公式2）

（2.2）再对卫星遥感图像数据进行阴影消除，根据比值法生成新的像元比值，以消除由于太阳光线照射、太阳高度角所形成的建筑物阴影；

（2.3）再对卫星遥感图像数据进行校准纠正，将一副卫星遥感图像与另外一副相同区域所拍摄的卫星遥感图像根据空间坐标点进行配准，使的空间坐标位置可叠加显示，以解决由于拍摄高度、日期等因素造成等同区域建筑物发生偏移、断层等问题，使其定位准确；

（2.4）再对卫星遥感图像数据进行色彩镶嵌，利用图像色彩补偿法，计算图像中各像素点中的色彩值，并叠加求色彩值的均值，为色彩值小于均值的像素点进行色彩补偿；

（2.5）再对卫星遥感图像数据进行去雾处理，对卫星遥感图像数据进行主成份变换,去除与模糊度相关的因素,再对其进行主成份逆变换使其回到rgb彩色空间；

（3）将经过步骤（2.1）（2.2）（2.3）（2.4）（2.5）处理过的卫星遥感图像数据以建筑物的体积、可视化程度、常见性、所处区域等因素将建筑物分类，分为：体育场、篮球场、运动馆、居民区、网球场等十个类别。将其随机打乱制作为样本数据集。其中70%的数据归为样本训练集e1，15%的数据为步骤（4）中的样本测试集t1，15%的数据为样本测试集t2。

步骤2：然后，搭建一个用于卫星遥感图像中建筑物分类的神经网络模型，总共有十三层结构，包括四层1*1卷积，三层3*3卷积，一层5*5卷积，三层2*2最大池化层，两层全连接层，其中卷积层主要用于提取卫星遥感图像中建筑物的特征，计算公式如下所示，

（公式3）

其中，input_s表示输入图谱的大小，kernel_s表示卷积核尺寸

最大池化层则可将卷积后的特征图谱进行降采样，减少参数量，计算公式如下，

（公式4）

其中，input_s表示输入图像的大小，k表示池化大小。

本网络结构中所有的激活函数均采用relu，进行特征值非线性化。

步骤3：将步骤1中所生成的样本训练集以每批次64副图输入步骤2中所搭建好的分类模型，进行迭代训练，并记录每次的分类准确率、训练误差函数值，采用adam优化器进行模型参数的更新与迭代，具体训练步骤如下：

（1）通过步骤1多方位处理后生成的一副分辨率为224*224的卫星遥感图像，将其输入至分类模型中；

（2）进行卷积与池化处理；

第一层卷积：1*1*16，步长为1，得到224*224*16的图像，采用relu进行非线性激活；

第二层卷积：3*3*16，步长为1，采用same_padding，得到224*224*16的图像，采用relu进行非线性激活；

第一层池化：2*2，步长为2，得到112*112*16的图像；

第三层卷积：1*1*32，步长为1，得到112*112*32的图像，采用relu进行非线性激活；

第四层卷积：5*5*32，步长为1，采用valid_padding，得到108*108*32的图像，relu进行非线性激活；

第二层池化：2*2，步长为2，得到56*56*32的图像；

第五层卷积：1*1*64，步长为1，得到56*56*64的图像，采用relu进行非线性激活；

第六层卷积：3*3*64，步长为1，采用valid_padding，得到54*54*64的图像，采用relu进行非线性激活；

第七层卷积：3*3*64，步长为1，采用valid_padding，得到52*52*64的图像，采用relu进行非线性激活；

第三层池化：2*2，步长为2，得到26*26*64的图像；

第八层卷积：1*1*64，步长为2，得到13*13*64的图像，采用relu进行非线性激活；

第一层全连接层：采用1024个神经元全连接，得到13*13*64*1024个参数，采用relu进行非线性激活；

第二层全连接层：为softmax分类输出层，采用10个全连接神经元；

（3）输出分类结果。

调整网络参数，重复步骤（1）（2）（3），直到训练误差函数值保持在较优数值且分类准确率较高时，便保存此时模型，记为v1。

步骤4：然后将步骤1中所生成的样本测试集t1分为p个批次投入至步骤3中所生成的分类模型v1进行测试，记录每个批次的分类准确率及测试误差函数值，待测试完毕后，将p个批次中测试误差函数值较大的三批数据重新加权处理，主要步骤如下：

（4a）将卫星遥感图像数值化，转化为多个二维矩阵；

（4b）对二维矩阵进行常数系数添加与随机噪声系数添加；

主要公式如下所示，其中α为随机噪声系数，β为随机常数系数

（公式5）

生成新的数据集，将其并入样本训练集e1，并其随机打乱，制作为新的样本训练集e2，如下表1所示，为此次测试时测试误差函数值较大的三批数据。后重复步骤（3），进行多次训练迭代不断更新分类模型v1。当分类模型的训练误差函数值与测试误差函数值达到整体相对最优且速度最快时，便保存此时的最优分类模型，记为v2。

表1误差较大的三批数据

。

步骤5：建立卫星遥感图像判定层，用于解决在实际应用时可能存在的图像数据混淆的情况，对输入图像进行类型判定，若为光学图像则直接输出，若为卫星遥感图像则进入正常分类模型，具体步骤如下：

（1）图像数据进入判定层；

（2）对所输入的图像数值化，然后将其转换为多个二维矩阵；

（3）当二维矩阵的个数为3时，符合光学图像只有rgb三个波段，则表明该图像数据存在数据混淆的情况，为普通光学图像，则直接跳过分类模型输出“非本次测试类型”；

（4）当二维矩阵个数为大于3时，则表明为本次所测试的卫星遥感图像类型，正常进入分类流程。

步骤6：最后将样本测试集t3输入最优分类模型v2进行测试，随机添加一些光学图像类型的图像数据与步骤1中所生成的样本测试集t2构成样本测试集t3，并随机打乱。将样本测试集t3输入步骤4中所生成的最优分类模型v2，输出检测结果，来判断分类模型的准确性，最后将分类模型制作为可视化界面，可视化界面主要包括以下内容：

（1）选择输入图像路径；

（2）输入图像可视化；

（3）输出分类结果及判定概率。

将最优分类模型v2制作为可视化界面，将输出结果与图像可视化，简洁明了，极大的方便实际应用。