基于卷积神经网络的多时态遥感影像地表覆盖分类方法技术

本发明专利技术公开了一种基于卷积神经网络的多时态遥感影像地表覆盖分类方法，包括以下步骤：步骤1：输入旧时态和新时态高分率遥感影像数据并进行相应预处理；步骤2：构建卷积神经网络，包括对步骤1输入的两个时态数据进行特征提取，并对高维特征图进行上采样；步骤3：引入时态修正算法，通过旧时态的分类结果对比参考真值进行时态修正，从而获取修正量，用于修正分类错误；步骤4：地表覆盖分类结果后处理，消除因新、旧时态的预测图斑不完全重叠导致新时态的输出结果经过时态修正后而产生许多碎片图斑，提高地表覆盖分类精度。该方法能够进一步地提高地表覆盖分类精度。步地提高地表覆盖分类精度。步地提高地表覆盖分类精度。

【技术实现步骤摘要】
基于卷积神经网络的多时态遥感影像地表覆盖分类方法


[0001]本专利技术涉及遥感影像处理与应用的
，尤其是一种基于卷积神经网络的多时态遥感影像地表覆盖分类方法。

技术介绍

[0002]地表覆盖是一种重要的地理信息资源，是自然资源监测、国土空间规划、地理国情普查、宏观调控分析等不可或缺的重要基础信息。近年来随着3S技术的飞速发展，高分辨率卫星影像数据获取能力不断增强，卫星影像的光谱分辨率、空间分辨率与时间分辨率不断提高，为地表覆盖分类提供了坚实的数据基础。然而在实际应用中，大量的影像数据仍然依靠人工解译处理，已经越来越无法适应当前大尺度、海量影像地表覆盖分类处理与提取的时效要求，无法满足高效、快速提供地表覆盖分类信息服务的应用要求。因此，迫切需要研究一种高效的、准确的、自动化的地表覆盖自动分类技术，满足大数据时代的应用需求。
[0003]传统的高分辨率影像地表覆盖分类方法主要是综合利用多种数据，结合各类数据的光谱、纹理、高程、坡度等特征，使用最大似然法、K-均值聚类法等统计方法进行分类。近年来虽然基于浅层人工神经网络、支持向量机、遗传算法与面向对象等方法发展迅速，并取得大量研究与应用成果，但这些方法大多是提取与使用维度有限的浅层特征，结合若干算法人工设计地表覆盖分类的特征组合与解译规则。
[0004]由于现实世界的地表覆盖在特征上存在区域差异性及表现的不确定性，同物异谱、同谱异物的情况较为常见。浅层特征不能完全描述复杂的地表覆盖分类，并且在地表覆盖分类算法上依赖相对固定的规则以及特定的参数，分类的泛化能力有限。这些弱点制约了地表覆盖分类的自动化解译精度与效率，不能满足海量、大尺度地表覆盖分类应用需要，导致大量地表覆盖分类工作依旧严重依赖于人工作业，作业人员的经验与专业技能水平严重制约了地表覆盖分类的处理速度与分类精度。
[0005]近年来飞速发展的深度学习技术为大数据时代的地表覆盖自动分类提供了新的解决方案。与传统的机器学习相比，深度学习的本质是具有多个层级的表示学习方法，通过层级之间的组合完成从低层到高层的数据特征抽象与提取。深度学习一般使用深度神经网络构建层级。这些层级由简单非线性模块堆栈而成，输入数据在各个层级之间传递的过程中，通过各层间的映射关系逐步从数据中提取出抽象的关键特征。申请号为201810342795.2的专利技术专利公开了“一种基于全卷积网络的遥感影像地表覆盖分类方法”，该专利技术涉及一种基于全卷积网络的遥感影像地表覆盖分类方法，包括以下步骤：步骤S1：对数据数量有限的数据进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U-NetBN，建立遥感影像地表覆盖分类模型；步骤S3：通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用训练好的遥感影像地表覆盖分类模型对待预测对待遥感影像进行像素级别的分类预测。该方法综合考虑了FCN和U-Net两种不同结构的全卷积网络的特点，有利于提高遥感影像地表覆盖分类的性能。该专利技术结合了两个网络
的优点构建融合模型，一定程度提高了遥感影像地表覆盖分类的性能，但在地表覆盖分类任务中，任务往往是定期开展的，如在地理国情监测项目中，高分辨率卫星影像的地表覆盖分类工作是以年为周期开展的，每年都获取一期影像以及相对应的地表覆盖分类成果，需要结合多时态的数据进行地表覆盖分类，如利用上述专利技术进行分类，因其没有考虑提取增加了时间维度的地表覆盖特征，修正结果，因而没有能够进一步的提高分类精度。

技术实现思路

[0006]本专利技术的目的在于针对现有技术中处理地表覆盖分类精度不高等问题，提供了一种基于卷积神经网络的多时态遥感影像地表覆盖分类方法，该方法能够达到更高的地表覆盖分类精度要求。
[0007]为了实现上述目的，本专利技术的技术方案如下：
[0008]一种基于卷积神经网络的多时态遥感影像地表覆盖分类方法，包括以下步骤：
[0009]步骤1：输入旧时态和新时态高分率遥感影像数据并进行相应预处理，包括训练样本的制作和训练样本数据增广；
[0010]步骤2：构建卷积神经网络，包括对步骤1输入的两个时态数据进行特征提取，并对高维特征图进行上采样；
[0011]步骤3：引入时态修正算法，通过旧时态的分类结果对比参考真值进行时态修正，从而获取修正量，用于修正分类错误；
[0012]所述时态修正算法的计算函数公式由交叉熵损失函数与改进的二分类函数损失函数hinge组合而成；
[0013]改进的二分类函数损失函数具体的公式为：
[0014][0015]其中，λ
h
为调节系数，λ
h
的取值为0.5，y为真值，y
’
为预测值；
[0016]组合后的损失函数为：
[0017][0018]其中，Lc为交叉熵损失函数；
[0019]步骤4：地表覆盖分类结果后处理，消除因新、旧时态的预测图斑不完全重叠导致新时态的输出结果经过时态修正后而产生许多碎片图斑，提高地表覆盖分类精度。
[0020]本专利技术中，特征提取作用是获取上一层输出的局部特征并将局部特征中具有相同语义的特征组合起来；上采样的作用是一方面将高维、低分辨率特征图转化为低维、高分辨率特征图，另一方面结合编码中的低层特征信息补充特征细节，恢复空间信息，逐步完成语义分割，分别获得像素级新时态和旧时态地表覆盖分类结果；引入时态修正算法即计算损失函数，目的是为了找出变化与未变化区域，处理的是二分类问题，采用组合损失函数能够增强损失函数处理二分类函数的能力；
[0021]本专利技术进一步说明，所述训练样本的制作包括内业精化、外业核查与样本裁切三个环节；所述训练样本数据增广包括图像的数据增广和几何增广；所述图像的数据增广包括像素坐标几何变换数据增广和像素值变换数据增广。
[0022]本专利技术进一步说明，所述数据增广能够在不改变标签类别的情况下扩充数据量，提高待训练神经网络的泛化能力；所述几何增广方式包括平移、扭曲、旋转、裁剪、翻转、缩放等，所述像素值变换数据增广包括颜色变换、随机噪声、饱和度、亮度等；在数据增广的过程中一般采用其中的一种或几种方式扩充数据，并且在增广处理过程中，数据变换必须指定合理的区间范围，形成有效的增广数据集。
[0023]本专利技术进一步说明，所述步骤2中的特征提取包括卷积过程和池化过程；在卷积过程中，首先计算影像张量并提取特征图，对输入的上一层特征图进行卷积运算，然后通过激活时态修正算法的的计算函数公式向下一层输出特征图；在池化过程中，池化对卷积输出的特征图按一定的规则进行筛选，提取特征图的显著特征并简化特征图的复杂程度，即以一定大小的池化窗口与池化步长计算特征图，每次计算按池化规则输出池化结果。
[0024]本专利技术进一步说明，所述步骤2中上采样包括空洞卷积和双线性上采样；所述双线性上采样在在上采样的初始阶段开始不断的对比旧时态数据和新时态数据的高纬特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的多时态遥感影像地表覆盖分类方法，其特征在于，包括以下步骤：步骤1：输入旧时态和新时态高分率遥感影像数据并进行相应预处理，包括训练样本的制作和训练样本数据增广；步骤2：构建卷积神经网络，包括对步骤1输入的两个时态数据进行特征提取，并对高维特征图进行上采样；步骤3：引入时态修正算法，通过旧时态的分类结果对比参考真值进行时态修正，从而获取修正量，用于修正分类错误；所述时态修正算法的计算函数公式由交叉熵损失函数与改进的二分类函数损失函数hinge组合而成；改进的二分类函数损失函数具体的公式为：其中，λ
h
为调节系数，λ
h
的取值为0.5，y为真值，y
’
为预测值；组合后的损失函数为：其中，Lc为交叉熵损失函数；步骤4：地表覆盖分类结果后处理，消除因新、旧时态的预测图斑不完全重叠导致新时态的输出结果经过时态修正后而产生许多碎片图斑，提高地表覆盖分类精度。2.根据权利要求1所述的基于卷积神经网络的多时态遥感影像地表覆盖分类方法，其特征在于，所述训练样本的制作包括内业精化、外业核查与样本裁切三个环节；所述训练样本数据增广包括图像的数据增广和几何增广；所述图像的数据增广包括像素坐标几何变换数据增广和像素值变换数据增广。3.根据权利要求1所述的基于卷积神经网络的多时态遥感影像地表覆盖分类方法，其特征在于，所述步骤2中的特征提取包括卷积过程和池化过程；在卷积过程中，首先计算影像张量...

【专利技术属性】
技术研发人员：朱明，姚茂华，何永宁，吴博，贺雨晴，秦绍峰，姜代炜，何敬源，谭太恒，吴勇，
申请(专利权)人：广西壮族自治区自然资源信息中心，
类型：发明
国别省市：