一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统技术方案

本发明专利技术提供一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统，该方法包括如下步骤：采集高分辨率遥感影像和机载激光雷达点云；从高分辨率遥感影像和机载激光雷达点云中提取特征组合图像；对特征组合图像进行随机编辑得到多个训练样本对全卷积神经网络进行训练；使用网络深度为16层以上的卷积神经网络提取特征组合图像的多层级特征，并对多层级特征进行卷积操作，输出低分辨率的土地覆盖分类标注图；对低分辨率的土地覆盖分类标注图进行多次上采样操作，利用注意力引导特征融合模块和多分支感知特征融合模块进行特征选取融合，获得高分辨率的土地覆盖分类标注图。

【技术实现步骤摘要】
一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统
本专利技术涉及遥感科学和计算机视觉
，特别涉及一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统。
技术介绍
随着遥感对地观测技术的快速发展，先进的机载传感器为我们提供了亚米级甚至厘米级的高空间分辨率遥感数据，如高分辨率光学传感器和激光雷达探测器分别提供了高分辨率遥感图像和激光雷达点云。利用高分辨率遥感图像和激光雷达点云等多源遥感数据进行对地观测，已成为我们了解地球生态环境和人类活动的重要方式。作为遥感科学和计算机视觉的前沿研究方向之一，对多源高分辨率遥感数据进行语义分割(像元分类)从而获得地表覆盖信息，可以在国土空间规划、精细农业等科学和生产领域发挥重要作用。然而多源高分辨率遥感数据的高度细节化和光谱可分性弱化等问题，给语义分割任务带来了极大挑战。过去十几年里，许多新型的遥感图像语义分割方法相继被提出，包括基于统计机器学习的分类方法以及面向对象的分类方法。这些方法对低/中层次的手工设计特征过于依赖，有时难以应对复杂场景下的地物分类问题。近年来，深度卷积神经网络(CNNs)在高分辨率遥感图像处理和分析中得到广泛应用，例如场景分类、地物目标识别以及语义分割等。在语义分割应用中，从只对输入图像中心像元进行分类的CNNs模型逐步发展到了对输入图像所有像元进行密集分类的全卷积神经网络(FCNs)模型。如今，全卷积神经网络(FCNs)模型已成为了高分辨率遥感图像土地覆盖分类的重要手段之一。全卷积神经网络(FCNs)模型通常具有编码器——解码器的结构，可进行端到端的语义分割训练和预测，避免了繁琐的特征设计以及图像预先分割等操作。然而，全卷积神经网络(FCNs)模型分类结果比较粗糙，其原因是它在学习图像高层次语义特征时丢失了大量的空间细节信息，导致在上采样或反卷积过程中无法有效恢复分割对象的边缘细节，致使无法获得高分辨率的土地覆盖分类标注图。
技术实现思路
本专利技术要解决的技术问题是如何获取高分辨率的土地覆盖分类标注图。为解决上述技术问题，本专利技术提供一种基于多源遥感数据的土地覆盖分类标注图获取方法，包括如下步骤：S1.采集多源遥感数据，所述多源遥感数据包括高分辨率遥感影像和机载激光雷达点云；S2.从所述高分辨率遥感影像和所述机载激光雷达点云中提取特征组合图像；S3.对所述特征组合图像进行随机编辑得到多个训练样本，将多个训练样本输入到全卷积神经网络中对所述全卷积神经网络进行训练，使得所述全卷积神经网络能够表达所输入的特征组合图像的多层级特征；S4.使用网络深度为16层以上的卷积神经网络从所述全卷积神经网络中提取所输入的特征组合图像的多层级特征，并对所述多层级特征进行卷积操作，输出低分辨率的土地覆盖分类标注图；S5.对所述低分辨率的土地覆盖分类标注图进行多次上采样操作，每次对所述低分辨率的土地覆盖分类标注图进行上采样操作的过程中，利用所述全卷积神经网络的注意力引导特征融合模块，对所述多层级特征进行特征选取与特征融合，每次对所述低分辨率的土地覆盖分类标注图进行上采样操作之后，利用所述全卷积神经网络的多分支感知特征融合模块，对上采样后的土地覆盖分类标注图与选取到的特征进行相互融合，获得高分辨率的土地覆盖分类标注图。优选地，所述步骤S2具体地：从所述高分辨率遥感影像中提取红、绿、蓝三波段数据，从所述机载激光雷达点云中提取归一化数字表面模型，将空间分辨率一致的红、绿、蓝三波段数据和归一化数字表面模型进行叠置组合，得到特征组合图像。优选地，所述“从机载激光雷达点云中提取归一化数字表面模型”具体地：剔除所述机载激光雷达点云中的离散异常点；区分所述机载激光雷达点云中的地面点和非地面点；通过自然邻域插值法分别将地面点和非地面点栅格化成数字高程模型和数字表面模型，计算得到数字高程模型和数字表面模型之间的差值，该差值即为归一化数字表面模型。优选地，所述步骤S3中，对所述特征组合图像所进行的随机编辑操作包括随机裁剪、旋转、翻转和亮度调整。优选地，所述网络深度为16层以上的卷积神经网络所经过的卷积模块替换改进具体为：将原始网络深度为16层以上的卷积神经网络中的全连接层以及Softmax分类层替换成两个新增的卷积模块，两个新增的卷积模块均输出通道数为1024的特征图；在第三个卷积模块到最后一个卷积模块之后添加一个Dropout层。优选地，所述注意力引导特征融合模块用于缩小网络深度为16层以上的卷积神经网络中不同层级特征之间的语义差异，并辅助选取网络深度为16层以上的卷积神经网络中的重要特征；在所述步骤S5中，所述注意力引导特征融合模块的输入分别为网络深度为16层以上的卷积神经网络中的低层级特征和高层级特征；所述注意力引导特征融合模块通过“聚合”与“扩张”操作将高层级特征“压缩”成一维加权向量，并将一维权重向量与低层级特征进行相乘，得到加权融合后的特征；所述加权融合后的特征经过卷积操作后传递给了多分支感知特征融合模块。优选地，所述多分支感知特征融合模块的输入特征分别是上采样后的土地覆盖分类标注图和由注意力引导特征融合模块输出并经过选取后的加权特征；在所述步骤S5中，所述多分支感知特征融合模块先将两种输入特征进行相加操作，然后经过“聚合”与“扩张”操作得到各自的特征权重向量，再分别将得到的特征权重向量与两种输入特征进行相乘(加权)，然后将两种加权后的输入特征进行相加，得到融合后的特征，再通过卷积操作将融合后的特征转化得到更清晰的、尺寸更大的高分辨率的土地覆盖分类标注图。优选地，在所述步骤S5中，所述上采样操作进行五次。本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的土地覆盖分类标注图获取方法。本专利技术还提供一种基于多源遥感数据的土地覆盖分类标注图获取系统，包括相互连接的计算机可读存储介质和处理器，计算机可读存储介质如上所述。本专利技术具有以下有益效果：在输出低分辨率的土地覆盖分类标注图之后，对所述低分辨率的土地覆盖分类标注图进行多次上采样操作，每次上采样操作过程中，利用能缩小不同层级特征之间的语义差异并辅助选取重要特征的注意力引导特征融合模块，对所述多层级特征进行特征选取与特征融合，并利用能够将上采样后的标注图与选取到的特征进行融合的多分支感知特征融合模块，对上采样后的土地覆盖分类标注图与选取到的特征进行融合，就能获取到更清晰的、尺寸更大的高分辨率的土地覆盖分类标注图。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是基于多源遥感数据的土地覆盖分类标注图获取方法的流程图；图2是全卷积神经网络训练过程示例图；图3是全卷积神经网络的架构图；...

【技术保护点】
1.一种基于多源遥感数据的土地覆盖分类标注图获取方法，其特征是，包括如下步骤：/nS1.采集多源遥感数据，所述多源遥感数据包括高分辨率遥感影像和机载激光雷达点云；/nS2.从所述高分辨率遥感影像和所述机载激光雷达点云中提取特征组合图像；/nS3.对所述特征组合图像进行随机编辑操作得到多个训练样本，将多个训练样本输入到全卷积神经网络中对所述全卷积神经网络进行训练，使得所述全卷积神经网络能够表达所输入的特征组合图像的多层级特征；/nS4.使用网络深度为16层以上且经过卷积模块替换改进的卷积神经网络从所述全卷积神经网络中提取所输入的特征组合图像的多层级特征，并对所述多层级特征进行卷积操作，输出低分辨率的土地覆盖分类标注图；/nS5.对所述低分辨率的土地覆盖分类标注图进行多次上采样操作，每次对所述低分辨率的土地覆盖分类标注图进行上采样操作的过程中，利用所述全卷积神经网络的注意力引导特征融合模块，对所述多层级特征进行特征选取与特征融合，每次对所述低分辨率的土地覆盖分类标注图进行上采样操作之后，利用所述全卷积神经网络的多分支感知特征融合模块，对上采样后的土地覆盖分类标注图与选取到的特征进行相互融合，获得高分辨率的土地覆盖分类标注图。/n...

【技术特征摘要】
1.一种基于多源遥感数据的土地覆盖分类标注图获取方法，其特征是，包括如下步骤：
S1.采集多源遥感数据，所述多源遥感数据包括高分辨率遥感影像和机载激光雷达点云；
S2.从所述高分辨率遥感影像和所述机载激光雷达点云中提取特征组合图像；
S3.对所述特征组合图像进行随机编辑操作得到多个训练样本，将多个训练样本输入到全卷积神经网络中对所述全卷积神经网络进行训练，使得所述全卷积神经网络能够表达所输入的特征组合图像的多层级特征；
S4.使用网络深度为16层以上且经过卷积模块替换改进的卷积神经网络从所述全卷积神经网络中提取所输入的特征组合图像的多层级特征，并对所述多层级特征进行卷积操作，输出低分辨率的土地覆盖分类标注图；
S5.对所述低分辨率的土地覆盖分类标注图进行多次上采样操作，每次对所述低分辨率的土地覆盖分类标注图进行上采样操作的过程中，利用所述全卷积神经网络的注意力引导特征融合模块，对所述多层级特征进行特征选取与特征融合，每次对所述低分辨率的土地覆盖分类标注图进行上采样操作之后，利用所述全卷积神经网络的多分支感知特征融合模块，对上采样后的土地覆盖分类标注图与选取到的特征进行相互融合，获得高分辨率的土地覆盖分类标注图。


2.根据权利要求1所述的土地覆盖分类标注图获取方法，其特征是，所述步骤S2具体地：从所述高分辨率遥感影像中提取红、绿、蓝三波段数据，从所述机载激光雷达点云中提取归一化数字表面模型，将空间分辨率一致的红、绿、蓝三波段数据和归一化数字表面模型进行叠置组合，得到特征组合图像。


3.根据权利要求2所述的土地覆盖分类标注图获取方法，其特征是，所述“从机载激光雷达点云中提取归一化数字表面模型”具体地：剔除所述机载激光雷达点云中的离散异常点；区分所述机载激光雷达点云中的地面点和非地面点；通过自然邻域插值法分别将地面点和非地面点栅格化成数字高程模型和数字表面模型，计算得到数字高程模型和数字表面模型之间的差值，该差值即为归一化数字表面模型。


4.根据权利要求1所述的土地覆盖分类标注图获取方法，其特征是，所述步骤S3中，对所述特征组合图像所进行的随机编辑操作包括随机裁剪、旋转、翻转和亮度调整。


5.根据权...

【专利技术属性】
技术研发人员：张新长，黄健锋，孙颖，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44