遥感图像分类方法、装置、电子设备及可读存储介质与流程

本申请涉及应用软件技术领域，尤其涉及一种遥感图像分类方法、装置、电子设备及可读存储介质。

背景技术：

迁移学习是为了解决实际生活中很多应用领域图像数据无标签，但是却需要对图像进行分类等问题而出现的一种新的机器学习方法。目前很多领域的数据无标记或者有少量标记(目标域)，对这些数据进行分类识别时，由于数据集无标签或者数据集有少量标签等原因而无法训练一个性能良好的深度神经网络，但由于该数据存在大量与其相关的有标签的源域样本遥感图像数据，并且源域和目标域的样本具有相同的特征空间，故而可使用迁移学习方法将源域训练的模型运用到目标域的分类任务中，通过使用合适的迁移学习算法来提高目标域数据的分类识别效果。

目前用于图像分类的迁移学习算法大多通过匹配源域和目标域数据的特征分布来降低域分布差异，从而提高遥感图像分类模型的迁移性能。而在实际情况中对源域数据和目标域数据的特征分布使用特征适应算法进行特征适应后，源域数据的分类器与目标域数据的分类器之间仍存在一定的差异，故而只进行特征适应并不能消除源域模型与目标域模型之间的不匹配，且现有的遥感图像分类方法中，对于数据的分类准确度不高，因此，亟需一种能够提高遥感图像分类准确度的处理方式。

技术实现要素：

本申请提供了一种遥感图像分类方法、装置、电子设备及可读存储介质，以提高了遥感图像分类的精确度。

第一方面，提供了一种遥感图像分类方法，包括：

获取待测试遥感图像数据；

基于预设的遥感图像分类模型对所述待测试遥感图像数据进行分类处理，得到针对所述待测试遥感图像数据的分类准确度。

在一个可能地实现方式中，所述获取待测试遥感图像数据，包括：

获取目标域遥感图像数据；

提取所述目标域遥感图像数据中预设数量的遥感图像数据作为待测试遥感图像数据。

在一个可能地实现方式中，所述方法还包括：

根据所述分类准确度对所述遥感图像分类模型进行评估，得到对所述遥感图像分类模型的评估结果，以根据所述评估结果确定所述遥感图像分类模型的网络性能。

在一个可能地实现方式中，所述基于预设的遥感图像分类模型对所述待测试遥感图像数据进行分类处理之前，包括：

构建遥感图像分类模型；

获取样本遥感图像数据；

将所述样本遥感图像数据输入到目标函数中进行模型训练，得到所述遥感图像分类模型。

在一个可能地实现方式中，所述构建遥感图像分类模型，包括：

调整预设的第一模型的分类层的神经元个数，得到目标分类器；

在所述目标分类器上接入由全连接层组成的第一网络得到源域分类器；

在所述第一模型的编码器后面接入特定数量的全连接层组成距离评估器；

根据所述源域分类器及所述距离评估器构建所述遥感图像分类模型。

在一个可能地实现方式中，所述样本遥感图像数据包括源域遥感图像数据以及剩余的目标域遥感图像数据，所述剩余的目标域遥感图像数据为目标域遥感图像数据中除去待测试遥感图像数据后剩余的遥感图像数据。

第二方面，提供了一种遥感图像分类装置，包括：

获取模块，用于获取待测试遥感图像数据；

第一处理模块，用于基于预设的遥感图像分类模型对所述待测试遥感图像数据进行分类处理，得到针对所述待测试遥感图像数据的分类准确度。

在一个可能地实现方式中，所述获取模块，用于获取目标域遥感图像数据；提取所述目标域遥感图像数据中预设数量的遥感图像数据作为待测试遥感图像数据。

在一个可能地实现方式中，还包括：

第二处理模块，用于根据所述分类准确度对所述遥感图像分类模型进行评估，得到对所述遥感图像分类模型的评估结果，以根据所述评估结果确定所述遥感图像分类模型的网络性能。

在一个可能地实现方式中，还包括：

第三处理模块，用于构建遥感图像分类模型；获取样本遥感图像数据；将所述样本遥感图像数据输入到目标函数中进行模型训练，得到所述遥感图像分类模型。

在一个可能地实现方式中，所述第三处理模块，用于调整预设的第一模型的分类层的神经元个数，得到目标分类器；在所述目标分类器上接入由全连接层组成的第一网络得到源域分类器；在所述第一模型的编码器后面接入特定数量的全连接层组成距离评估器；根据所述源域分类器及所述距离评估器构建所述遥感图像分类模型。

在一个可能地实现方式中，所述样本遥感图像数据包括源域遥感图像数据以及剩余的目标域遥感图像数据，所述剩余的目标域遥感图像数据为目标域遥感图像数据中除去待测试遥感图像数据后剩余的遥感图像数据。

第三方面，提供了一种电子设备，包括：处理器和存储器；

所述存储器，用于存储计算机程序；

所述处理器，用于通过调用所述计算机程序，执行上述的遥感图像分类方法。

第四方面，提供了一种计算机可读存储介质，所述计算机存储介质用于存储计算机程序，当其在计算机上运行时，使得计算机可以执行上述的遥感图像分类方法。

借由上述技术方案，本申请提供的技术方案至少具有下列优点：

本申请中，通过引入遥感图像分类模型，实现了对待测试遥感图像数据的分类，相较于现有中的遥感图像分类方式，提升了分类的准确度。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请提供的遥感图像分类方法的流程示意图；

图2为本申请提供的遥感图像分类方法的一种可能实现方式的具体处理流程示意图；

图3为本申请提供的一种遥感图像分类装置的结构示意图；

图4为本申请提供的遥感图像分类方法的电子设备的结构示意图。

具体实施方式

本申请提出一种遥感图像分类方法、装置、电子设备及可读存储介质，下面结合附图，对本申请具体实施方式进行详细说明。

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件框架，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件框架和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

目前迁移学习中最主要的方法是基于域自适应进行迁移学习。域自适应方法主要是学习域不变特征以连接源域和目标域数据，使得目标域数据可以直接使用源域训练的模型进行分类和识别。随着深度学习技术的不断发展，深度学习已成为图像领域中图像特征提取和分类的关键技术，因此迁移学习也是对深度神经网络进行域适应，使有标签的源域数据训练的深度神经网络对无标签的目标域数据也具有良好的分类性能。

目前部分迁移学习算法通过对源域样本进行选择或重新加权来降低源域和目标域数据的特征分布差异，部分迁移学习算法则通过将源域分布映射到目标域的特征变换空间来匹配源域和目标域特征分布，这两种方法均提高了模型的迁移效果。深度域混淆方法通过在已有深度神经网络中加入适应层构成一个全新的遥感图像分类模型，并通过将网络学习到的适配层特征映射到重构内核hilbert空间，然后用最大平均差异算法对源域和目标域数据特征进行适配，从而提高网络迁移性能。深度适应网络通过对网络多层特征通过最大平均差异算法和多核函数进行适配来提高迁移性能。联合适应网络通过使用联合最大平均差异算法匹配两个域的多个层的联合分布提高网络的迁移性能。深度相关对齐方法通过对源域和目标域特征进行非线性变换对齐源域和目标域特征的二阶统计量，实现特征适应，减少数据集间的特征分布差异。对抗判别域适应算法将生成对抗思想用于交叉域识别。该算法源域和目标域数据的特征提取器不共享参数，利用对抗思想训练网络，使得训练后的源域和目标域的特征提取器尽可能相似，达到域适应的目的。

如图1所示，为本申请提供的遥感图像分类方法的流程示意图，该方法包括如下步骤：

步骤s101，获取待测试遥感图像数据；

步骤s102，基于预设的遥感图像分类模型对所述待测试遥感图像数据进行分类处理，得到针对所述待测试遥感图像数据的分类准确度。

本申请中，通过引入遥感图像分类模型，实现了对待测试遥感图像数据的分类，相较于现有中的遥感图像分类方式，提升了分类的准确度。

基于上述本申请所提供的技术方案，下面对该技术方案进行详尽阐释，如图2所示，为本申请提供的遥感图像分类方法的一个可能地实现方式的具体处理流程图。

在一个可能地实现方式中，若想实现基于遥感图像分类模型的遥感图像分类之前，需要先进行用于图像分类的遥感图像分类模型的训练，其训练过程可以是在电子设备中进行，通过利用大量的样本遥感图像数据不断地训练，能够使得在利用遥感图像分类模型进行分类时所得到的分类结果更加趋向于准确，提升了分类准确度。

该遥感图像分类模型的构建与训练，可以包括如下过程：

s1.模型的构建

基于现有的alexnet模型，通过调整alexnet模型分类层(最后一个全连接层)的神经元个数，从而得到目标分类器；然后在目标分类器后接入由两个c*c的全连接层(res_fc1,res_fc2)组成的残差网络(residualnetwork)得到源域分类器，其中c为数据类别的个数；在alexnet模型特征提取器后面接入三个全连接层(dis_fc1,dis_fc2,dis_fc3)组成wasserstein距离评估器，其中该三个全连接层的前两层为c*c的全连接层，最后一层只有一个神经元。

该模型中包含：

(1)特征提取器(encoder)，alexnet模型的前7层网络组成特征提取器，用于学习交叉域的域不变特征，给定一个样本x∈rⁿ，特征提取器通过网络训练学习一个特征映射函数fg:rⁿ→r^d，提取样本遥感图像数据的d维特征，特征提取器参数为θg。

(2)分类层fc，用于对提取的特征进行分类，分类层参数为θc。

(3)残差网络fr，用于连接目标分类器和源分类器，进行分类器适应，残差网络参数为θr。

(4)wasserstein距离评估器fw，用于对源域数据特征和目标域数据特征进行特征适应，评估器的权重参数为θw。

基于上述遥感图像分类模型的构建，还需要对其中涉及的源域数据和目标域数据进行特征适应：

wasserstein距离是计算两个数据分布之间差异的度量，可以由一个较弱的拓扑结构实现，这表明它可以使分布收敛以及方便定义一个连续的映射函数。此外，由于wasserstein距离在低维流形上的分布是处处连续且可微分的，因此使用wasserstein距离计算源域和目标域的特征分布差异的方法能够在网络训练时提供稳定的梯度，故而可以使用wasserstein距离测量源域和目标域特征分布的差异，进行特征适应。

对于分布为p和q的源域与目标域特征，其wasserstein距离计算公式为：

根据kantorovich-rubinstein理论，wasserstein距离近似于公式：

其中，l是lipschitz约束，||f||l＝sup|f(x)-f(y)|/d(x,y)，d(x,y)表示样本x和y之间的距离。

假设xs和xt分别表示源域和目标域的样本遥感图像数据，p和q的源域与目标域数据的特征分布，则源域和目标域的特征分布的wasserstein距离为：

如果评估器fw的参数均满足1-lipschitz约束，那么可以通过以下优化方法来近似wasserstein距离：

在学习一个域不变特征表示时，首先优化wasserstein距离评估器到最优，然后优化特征提取器，使特征提取器能够学习到域不变特征表示，因此，进行特征适应的最终优化目标如下：

还需要对源域分类器和目标域分类器进行分类器适应：

迁移学习中，用一个已完成特征适应的遥感图像分类模型对源域和目标域样本进行测试，发现遥感图像分类模型在源域和目标域上的测试准确度仍然存在很大差异，这表明源域分类器fs(x)和目标域分类器ft(x)之间仍然存在差异，即fs(x)≠ft(x)，因此只进行特征适应不能完全消除域之间差异。假设可以用一个扰动函数δf(x)来表示fs(x)与ft(x)之间的差异，那么通过学习扰动函数就可以减少分类器间的差异，即进行分类器适应。假设多个非线性全连接层可以逼近一个复杂的函数，那么就可以假设多个非线性全连接层可以逼近扰动函数δf(x)，因此可以用多个非线性全连接层来学习扰动函数。遥感图像分类模型中，res_fc1和res_fc2为两个全连接层，这两层组成一个残差网络用以学习扰动函数。源域分类器fs(x)和目标域分类器ft(x)通过残差网络和元素相加模块进行连接实现fs(x)＝ft(x)+δf(x)。

s2.获取样本遥感图像数据

该样本遥感图像数据可以包括源域遥感图像数据以及剩余的目标域遥感图像数据，所述剩余的目标域遥感图像数据为目标域遥感图像数据中除去待测试遥感图像数据后剩余的遥感图像数据。

对于本申请实施例，在进行遥感图像分类模型训练之前，会先获取大量的样本遥感图像数据，该样本遥感图像数据可以是人为输入的，也可以是从本地存储中提取得到的，还可以通过向服务器发送样本遥感图像数据的获取请求来得到的，当然，该样本遥感图像数据的获取途径并不仅限于此。

s2.遥感图像分类模型的训练过程

对于本申请实施例，将获取到的大量样本遥感图像数据输入到待训练的模型中，通过大量地训练，不断完善该模型，从而得到该遥感图像分类模型；通过大量训练也使得该模型在对遥感图像进行分类时能够愈发精确、准确。

在一个具体实施方式中，对于样本遥感图像数据的获取，可以获取遥感图像数据集，从遥感图像数据集ucmercedland-use数据集和whu-rs19数据集中获取源域数据和目标域数据，源域数据中的所有数据用于训练数据，目标域数据中的90％的数据用于训练数据，目标域数据中其他数据为用于测试的数据。

在一个可能地实现方式中，为了帮助对上述模型的训练，还可以使用一个目标函数来对上述模型进行优化处理：

在对模型训练时，还需要对其进行优化，同样需要使用监督信息训练一个具有分类识别性能的模型，因此，可以用源域数据的监督信息来帮助训练。分类器在源域上的经验误差为：

其中j为交叉熵损失函数。

模型进行优化时，同样使用目标域数据的熵函数优化网络，使分类器对目标域数据有较好的分类性能。具体表示如下：

其中h()为特征分布的熵函数，c为类别数，为输入数据预测为类别j的概率。

模型最终的优化目标函数是：

将源域数据和目标域数据分别输入到模型中，然后使用目标函数优化该模型。

对于本申请，在一个可能地实现方式中，前述步骤s101的处理具体包括下述步骤s201的处理。

步骤s201，获取待测试遥感图像数据。

在一个可能地实现方式中，对于上述的获取待测试遥感图像数据，其可以是电子设备直接接收用户输入的数据，还可以是通过接收对端设备上传的请求中携带的数据。

在一个可能地实现方式中，获取待测试遥感图像数据，包括：

获取目标域遥感图像数据；提取所述目标域遥感图像数据中预设数量的遥感图像数据作为待测试遥感图像数据。

对于本申请，在一个可能地实现方式中，前述步骤s102的处理具体包括下述步骤s202的处理。

步骤s202，基于遥感图像分类模型对待测试遥感图像数据进行分类，得到对应的分类准确度。

在一个可能地实现方式中，在得到待测试遥感图像数据后，将其输入到前述的遥感图像分类模型中，由该模型来对该待测试遥感图像数据进行处理，从而得到针对所述待测试遥感图像数据的分类准确度。

在一个可能地实现方式中，在得到分类准确度后，还可以包括如下处理：

步骤s203，根据所述分类准确度对所述遥感图像分类模型进行评估，得到评估结果。

在一个可能地实现方式中，在得到待测试遥感图像数据的分类准确度后，根据所述分类准确度对所述遥感图像分类模型进行评估，得到对所述遥感图像分类模型的评估结果，以根据所述评估结果确定所述遥感图像分类模型的网络性能。

本申请中，通过引入遥感图像分类模型，实现了对待测试遥感图像数据的分类，相较于现有中的遥感图像分类方式，提升了分类的准确度。

基于上述本申请所提供的遥感图像分类方法的技术方案，本申请对应提供了一种遥感图像分类装置的结构示意图，如图3所示，本申请的遥感图像分类装置30可以包括：

获取模块31，用于获取待测试遥感图像数据；

第一处理模块32，用于基于预设的遥感图像分类模型对所述待测试遥感图像数据进行分类处理，得到针对所述待测试遥感图像数据的分类准确度。

在一个可能地实现方式中，所述获取模块31，用于获取目标域遥感图像数据；提取所述目标域遥感图像数据中预设数量的遥感图像数据作为待测试遥感图像数据。

在一个可能地实现方式中，还包括：

第二处理模块33，用于根据所述分类准确度对所述遥感图像分类模型进行评估，得到对所述遥感图像分类模型的评估结果，以根据所述评估结果确定所述遥感图像分类模型的网络性能。

在一个可能地实现方式中，还包括：

第三处理模块34，用于构建遥感图像分类模型；获取样本遥感图像数据；将所述样本遥感图像数据输入到目标函数中进行模型训练，得到所述遥感图像分类模型。

在一个可能地实现方式中，所述第三处理模块33，用于调整预设的第一模型的分类层的神经元个数，得到目标分类器；在所述目标分类器上接入由全连接层组成的第一网络得到源域分类器；在所述第一模型的编码器后面接入特定数量的全连接层组成距离评估器；根据所述源域分类器及所述距离评估器构建所述遥感图像分类模型。

在一个可能地实现方式中，所述样本遥感图像数据包括源域遥感图像数据以及剩余的目标域遥感图像数据，所述剩余的目标域遥感图像数据为目标域遥感图像数据中除去待测试遥感图像数据后剩余的遥感图像数据。

本申请中，通过引入遥感图像分类模型，实现了对待测试遥感图像数据的分类，相较于现有中的遥感图像分类方式，提升了分类的准确度。

下面参考图4，其示出了适于用来实现本申请实施例的电子设备(例如图1中的终端设备)400的结构示意图。本申请实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。

通常，以下装置可以连接至i/o接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom402被安装。在该计算机程序被处理装置401执行时，执行本申请实施例的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或后端服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

本申请提供的电子设备，适用于上述的遥感图像分类方法的任一实施例，在此不再赘述。

本申请中，通过引入遥感图像分类模型，实现了对待测试遥感图像数据的分类，相较于现有中的遥感图像分类方式，提升了分类的准确度。

本申请提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机程序，计算机程序使计算机执行上述实施例所示的遥感图像分类方法。

本申请提供的计算机可读存储介质，适用于上述的遥感图像分类方法的任一实施例，在此不再赘述。

本申请中，通过引入遥感图像分类模型，实现了对待测试遥感图像数据的分类，相较于现有中的遥感图像分类方式，提升了分类的准确度。

本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本申请公开的结构图和/或框图和/或流图的框或多个框中指定的方案。

其中，本申请装置的各个模块可以集成于一体，也可以分离部署。上述模块可以合并为一个模块，也可以进一步拆分成多个子模块。

本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本申请所必须的。

本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施例的优劣。

以上公开的仅为本申请的几个具体实施例，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。