基于卷积神经网络的半自动植被遥感样本选取的方法技术

本发明专利技术提出一种基于卷积神经网络的半自动植被遥感样本选取的方法，包括：步骤S1：构建多源多时相遥感数据库；步骤S2：将研究区植被划分为m个植被群系；步骤S3：构建深度残差网络，将网络输出类别数目改为m；步骤S4：利用公开植被样本数据集，训练深度残差网络，使模型参数适用于植被群系分类；步骤S5：采用多尺度分割算法，将研究区影像分割为植被群系图斑；步骤S6：选取m种植被类型的n个代表性样本，m*n个样本作为样本选取的种子样本；步骤S7：计算研究区所有单独图斑的网络输出；步骤S8：计算种子样本的网络输出等步骤。在一定程度上解决了山区植被分类时样本稀缺的问题。了山区植被分类时样本稀缺的问题。了山区植被分类时样本稀缺的问题。

【技术实现步骤摘要】
基于卷积神经网络的半自动植被遥感样本选取的方法


[0001]本专利技术涉及山地植被遥感
，尤其涉及一种基于卷积神经网络的半自动植被遥感样本选取的方法。

技术介绍

[0002]植被图反映了植被资源的质量、数量、种类及空间分布，是充分、合理、持久地利用植被资源的关键工具。目前植被制图主要有两种方式：传统的以野外调查为基础的植被制图和以遥感数据为支持的遥感植被制图。传统的植被类型图的编制主要是以大量的地面调查为基础，结合部分航空相片室内的清绘为主。这种方法虽然准确率高，但是耗时耗力，受到地形、环境、距离等因素的影响，往往只能覆盖较小的范围。随着遥感技术的日益成熟，其全覆盖、高时效等优势弥补了传统制图中野外调查的局限性，以遥感为主要技术手段的植被制图迅速发展起来，结合智能化方法能够实现较高精度的遥感植被制图，但依然难以实现植被群系级别的精细尺度植被制图，且不能满足植被制图的高效、客观、智能化应用需求。训练样本的快速采集是制约遥感影像分类自动化的主要问题之一，深度卷积神经网络可以将数据集中的先验知识应用到新的研究区中，这将是解决遥感影像分类样本稀缺问题的方向之一。

技术实现思路

[0003]为了克服现有技术当中存在的缺陷和不足，本专利技术提出了一种基于卷积神经网络的半自动植被遥感样本选取的方法。为了解决传统的植被制图耗费大量人力、物力和时间及植被遥感分类时训练样本稀缺的问题，本专利技术设计了一种基于深度卷积神经网络的半自动植被样本选取技术，这种技术充分利用历史采样数据等先验知识，构建一套具有普适性的知识迁移模型，提高目标研究区样本的采集的自动化程度，在一定程度上解决了山区植被分类时样本稀缺的问题。
[0004]其主要包括以下步骤：步骤S1：构建多源多时相遥感数据库；步骤S2：将研究区植被划分为m个植被群系；步骤S3：构建深度残差网络ResNet 18，将网络输出类别数目改为m；步骤S4：利用公开植被样本数据集，训练深度残差网络ResNet 18，使模型参数适用于植被群系分类；步骤S5：采用多尺度分割算法，将研究区影像分割为植被群系图斑；步骤S6：选取m种植被类型的n个代表性样本，m*n个样本作为样本选取的种子样本；步骤S7：计算研究区所有单独图斑的网络输出，记作R
s
；步骤S8：计算种子样本的网络输出，记作R
t，y
；步骤S9：计算R
s
与R
t，y
的相似度，采用平均值法计算单个图斑输出R
s
与每种植被群系y的相似度，记作Sim
s，y
，按照Sim
s，y
从低到高的顺序；步骤S10：分别选取每种植被类型y排名前5的样本标记为伪标签样本F伪
f，y
；步骤S11：采用目视解译二次筛选的方法，将正确样本标记为纯化样本F纯
f，y
；步骤S12：将F纯
f，y
迭代训练深度残差网络ResNet 18，重复S7
‑
S11步骤，不断优化模型的同时选取更多植被样本。本专利技术能够在一定程度上解决了山地植被遥感分类的样本稀缺的问题，极大地提高了植被制图的自动化程度。
[0005]其具体采用以下技术方案：
[0006]一种基于卷积神经网络的半自动植被遥感样本选取的方法，其特征在于包括以下步骤：
[0007]步骤S1：构建多源多时相遥感数据库；
[0008]步骤S2：将研究区植被划分为m个植被群系；
[0009]步骤S3：构建深度残差网络ResNet 18，将网络输出类别数目改为m；
[0010]步骤S4：利用公开植被样本数据集，基于多源多时相遥感数据库，训练深度残差网络ResNet 18，使模型参数适用于植被群系分类；
[0011]步骤S5：基于多源多时相遥感数据库，采用多尺度分割算法，将研究区影像分割为植被群系图斑；
[0012]步骤S6：在研究区，基于分割结果，分别选取m种植被类型的n个代表性样本，以m*n个样本作为样本选取的种子样本；
[0013]步骤S7：利用训练好的深度残差网络ResNet18计算研究区所有单独图斑的网络输出，记作R
s
，每个图斑的编号为s，s＝1，2，3......；
[0014]步骤S8：利用训练好的深度残差网络ResNet18计算种子样本的网络输出，记作R
t，y
，种子样本植被类别记作y，y＝1，2，3，......，m，种子样本编号为t，t＝1，2，3；
[0015]步骤S9：采用相似度计算的方法计算R
s
与R
t，y
的相似度，记作Sim
s，t，y
，采用平均值法计算单个图斑输出R
s
与每种植被群系y的相似度，记作Sim
s，y
，Sim
s，y
越低，相似度越高，采用相似度排名的方法，按照Sim
s，y
从低到高的顺序；
[0016]步骤S10：根据相似度排名，分别选取每种植被类型y排名前5的样本标记为伪标签样本F伪
f，y
，f＝1，2.3，4，5，y＝1，2，3......，m；
[0017]步骤S11：采用目视解译二次筛选的方法，将正确样本标记为纯化样本F纯
f，y
；
[0018]步骤S12：将F纯
f，y
迭代训练深度残差网络ResNet 18，重复S7
‑
S11步骤，不断优化模型的同时选取更多植被样本。
[0019]进一步地，在步骤S1中，利用春秋两季的高分辨率遥感影像、DEM数据构建多源多时相遥感数据库。
[0020]进一步地，所述深度残差网络ResNet 18的网络结构包含18层隐含层8个残差模块。
[0021]进一步地，在步骤S4中，采用梯度下降法训练ResNet 18，核心公式如下：
[0022]w＝w
‑
a*dj/dw
[0023]式中，w为深度卷积神经网络里的参数，a为学习率，j为损失函数，dj/dw为损失函数对参数的求导。
[0024]进一步地，在步骤S5中，采用多尺度分割技术提取图斑样本，将栅格影像转换为为图斑对象进行下一步处理，并采用计算均值方差的方法，核心公式如下：
[0025][0026][0027][0028]其中C
Li
为第L波段中对象内第i个像元的亮度值，n为对象中像元的个数，C
L
为单个影像对象在第L波段的亮度均值；定示影像中所有对象在L波段的亮度均值，m为影像中对象个数的总和，S2表示方差。
[0029]进一步地，步骤S6的样本数n一般大于等于3个。
[0030]进一步地，步骤S9采用KL散度的方法计算相似度：
[0031][0032][0033]其中，R
t，y，i
是种子样本的网络输出分布，R
s，i...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的半自动植被遥感样本选取的方法，其特征在于包括以下步骤：步骤S1：构建多源多时相遥感数据库；步骤S2：将研究区植被划分为m个植被群系；步骤S3：构建深度残差网络ResNet18，将网络输出类别数目改为m；步骤S4：利用公开植被样本数据集，基于多源多时相遥感数据库，训练深度残差网络ResNet18，使模型参数适用于植被群系分类；步骤S5：基于多源多时相遥感数据库，采用多尺度分割算法，将研究区影像分割为植被群系图斑；步骤S6：在研究区，基于分割结果，分别选取m种植被类型的n个代表性样本，以m*n个样本作为样本选取的种子样本；步骤S7：利用训练好的深度残差网络ResNet18计算研究区所有单独图斑的网络输出，记作R
s
，每个图斑的编号为s，s＝1，2，3
……
；步骤S8：利用训练好的深度残差网络ResNet18计算种子样本的网络输出，记作R
t,y
，种子样本植被类别记作y，y＝1,2,3,
……
,m，种子样本编号为t，t＝1，2，3；步骤S9：采用相似度计算的方法计算R
s
与R
t,y
的相似度，记作Sim
s,t,y
，采用平均值法计算单个图斑输出R
s
与每种植被群系y的相似度，记作Sim
s,y
，Sim
s,y
越低，相似度越高，采用相似度排名的方法，按照Sim
s,y
从低到高的顺序；步骤S10：根据相似度排名，分别选取每种植被类型y排名前5的样本标记为伪标签样本F伪
f,y
，f＝1,2.3,4,5,y＝1,2,3
……
，m；步骤S11：采用目视解译二次筛选的方法，将正确样本标记为纯化样本F纯
f，y
；步骤S12：将F纯
f,y
迭代训练深度残差网络ResNet18，重复S7—S11步骤，不断优化模型的同时选取更多植被样本。2.根据权利要求1基于卷积神经网络的半自动植被遥感样本选取的方法，其特征在于：在步骤S1中，利用春秋两季...

【专利技术属性】
技术研发人员：胡宇凡，姚永慧，王文奎，陈奕，蒋艳君，
申请(专利权)人：福州市规划设计研究院集团有限公司，
类型：发明
国别省市：