目标分类提取方法及装置制造方法及图纸

本公开提供一种目标分类提取方法及装置，方法包括：对遥感影像进行预处理，其中，所述遥感影像为单时相多光谱影像；将预处理后的遥感图像输入分类提取网络模型，以使得所述分类提取网络模型根据所述遥感影像的空间信息和光谱信息对所述遥感影像中的目标进行分类提取，其中，所述分类提取网络模型由卷积神经网络和全连接神经网络构成。该方法及装置使用卷积神经网络和全连接神经网络结合的网络结构，同时使用带有邻域信息的点样本作为训练样本，可以综合利用遥感影像的语义信息和光谱信息，提升了目标分类提取的精度，改善最终目标分类制图的效果。的效果。的效果。

【技术实现步骤摘要】
目标分类提取方法及装置


[0001]本公开涉及遥感影像
，尤其涉及一种目标分类提取方法及装置。

技术介绍

[0002]获取大范围农作物分类制图不仅是进行农作物长势评估、种植结构监测和农作物估产等工作的先导条件，也对国家农业宏观调控、制定农业政策，保障粮食安全具有重要意义。相比于费时费力的传统实地调查方法，遥感技术有着覆盖面积广、动态监测、数据获取相对容易、成本相对较低等优点，因此，遥感技术也越来越多地应用到农作物分类中。
[0003]支持向量机或决策树等机器学习方法最先被应用到遥感农作物分类中，其一般先通过专家知识生成基于植被指数的特征向量，再使用支持向量机或决策树作为分类器对特征向量进行农作物分类。近年来随着大数据的发展和相关硬件性能的提升，深度学习成为遥感农作物分类的重要技术手段。对于传统的机器学习方法，其分类精度一般较低，泛化能力较差，并不适用于大范围的遥感农作物分类制图。而深度学习方法中，部分方法只利用单个像素点作为样本对遥感影像的利用率不足，导致精度较低；部分方法需要人工标注大量的像素级别样本，这需要耗费大量的人力和时间，成本较高；部分方法需要相同且完整的遥感影像时间序列进行训练和预测，但在实际应用中，会出现影像缺失或是研究区域有云覆盖等诸多问题，难以获得合适的时间序列数据。

技术实现思路

[0004]有鉴于此，本公开一方面提供一种目标分类提取方法，包括：对遥感影像进行预处理，其中，所述遥感影像为单时相多光谱影像；将预处理后的遥感图像输入分类提取网络模型，以使得所述分类提取网络模型根据所述遥感影像的空间信息和光谱信息对所述遥感影像中的目标进行分类提取，其中，所述分类提取网络模型由卷积神经网络和全连接神经网络构成。
[0005]根据本公开的实施例，所述方法还包括：获取训练样本；根据所述训练样本训练所述分类提取网络模型。
[0006]根据本公开的实施例，其中，所述获取训练样本包括：获取历史遥感图像；对所述历史遥感图像进行预处理，根据先验知识获取预处理后的历史遥感影像的像素点在每一个波段对应的像素值和标签，得到所述像素点对应的点样本；根据所述点样本的统计信息，获得点样本数值的合理范围；根据所述合理范围剔除所述点样本中的异常点样本；对不同类别的点样本进行样本均衡，得到所述训练样本。
[0007]根据本公开的实施例，其中，根据所述训练样本训练所述分类提取网络模型包括：将每一个点样本和该点样本在八邻域空间中对应的点样本依次输入所述卷积神经网络和全连接神经网络，以学习所述点样本的语义信息和光谱信息，得到所述分类提取网络模型。
[0008]根据本公开的实施例，其中，采用自适应调整学习率策略训练所述分类提取网络模型。
[0009]根据本公开的实施例，所述方法还包括：获取测试样本；根据所述测试样本测试所述分类提取网络模型。
[0010]根据本公开的实施例，其中，根据所述测试样本测试所述分类提取网络模型包括：将所述测试样本输入所述分类提取网络模型，得到测试结果；以分类精度、准确率、召回率和F1分数为评价指标对所述测试结果进行评价，得到评价结果；根据所述评价结果对所述分类提取网络模型进行优化。
[0011]根据本公开的实施例，其中，所述对遥感影像进行预处理包括：对所述遥感图像进行重采样、投影转换、辐射定标和大气校正。
[0012]根据本公开的实施例，其中，采用分块循环读取的方式将预处理后的遥感图像输入所述分类提取网络模型进行分类提取。
[0013]本公开另一方面提供一种目标分类提取装置，包括：预处理模块，用于对遥感影像进行预处理，其中，所述遥感影像为单时相多光谱影像；分类提取模块，用于将预处理后的遥感图像输入分类提取网络模型，以使得所述分类提取网络模型根据所述遥感影像的空间信息和光谱信息对所述遥感影像中的目标进行分类提取，其中，所述分类提取网络模型由卷积神经网络和全连接神经网络构成。
附图说明
[0014]通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
[0015]图1示意性示出了本公开实施例提供的目标分类提取方法流程图。
[0016]图2示意性示出了本公开实施例的分类提取网络模型的结构图。
[0017]图3示意性示出了本公开实施例的分类提取网络模型的训练方法图。
[0018]图4示意性示出了本公开实施例的分类提取网络模型的测试方法图。
具体实施方式
[0019]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0020]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0021]在本公开中，除非另有明确的规定和限定，术语“安装”、“相连”“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或可以互相通讯；可以是直接连接，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。
[0022]在本公开的描述中，需要理解的是，术语“纵向”、“长度”、“周向”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置
关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的子系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。
[0023]贯穿附图，相同的元素由相同或相近的附图标记来表示。可能导致本公开的理解造成混淆时，将省略常规结构或构造。并且图中各部件的形状、尺寸、位置关系不反映真实大小、比例和实际位置关系。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。
[0024]类似地，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开示例性实施例的描述中，本公开的各个特征有时被一起分到单个实施例、图或者对其描述中。参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或者多个实施例或示例中以合适的方式结合。
[0025]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标分类提取方法，包括：对遥感影像进行预处理，其中，所述遥感影像为单时相多光谱影像；将预处理后的遥感图像输入分类提取网络模型，以使得所述分类提取网络模型根据所述遥感影像的空间信息和光谱信息对所述遥感影像中的目标进行分类提取，其中，所述分类提取网络模型由卷积神经网络和全连接神经网络构成。2.根据权利要求1所述的目标分类提取方法，所述方法还包括：获取训练样本；根据所述训练样本训练所述分类提取网络模型。3.根据权利要求2所述的目标分类提取方法，其中，所述获取训练样本包括：获取历史遥感图像；对所述历史遥感图像进行预处理；根据先验知识获取预处理后的历史遥感影像的像素点在每一个波段对应的像素值和标签，得到所述像素点对应的点样本；根据所述点样本的统计信息，获得点样本数值的合理范围；根据所述合理范围剔除所述点样本中的异常点样本；对不同类别的点样本进行样本均衡，得到所述训练样本。4.根据权利要求3所述的目标分类提取方法，其中，根据所述训练样本训练所述分类提取网络模型包括：将每一个点样本和该点样本在八邻域空间中对应的点样本依次输入所述卷积神经网络和全连接神经网络，以学习所述点样本的语义信息和光谱信息，得到所述分类提取网络模型。5.根据权利要求2所述的目标分类提取方法，其中，采用自适应调整学习率策略训练所...

【专利技术属性】
技术研发人员：柏永青，田祥雨，杨轩，陈正超，汤婧，昝露洋，张昆仑，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：