一种基于VIT的高分辨率遥感影像分类方法技术

本发明专利技术公开了一种基于VIT的高分辨率遥感影像分类方法，该方法首先通过对高分辨率遥感影像进行数据预处理，并制作地物分类训练样本集，接着分别构建基于VIT的特征提取模型和Unet语义分割模型，在训练语义分割模型后使用其对遥感影像分类。通过使用本发明专利技术方法可以解决常规的深度学习方法中不同切片之间数据关联性差的问题，提高遥感影像分类的精度。提高遥感影像分类的精度。提高遥感影像分类的精度。

【技术实现步骤摘要】
一种基于VIT的高分辨率遥感影像分类方法


[0001]本专利技术涉及遥感影像分类领域，特别涉及一种基于VIT的高分辨率遥感影像分类方法。

技术介绍

[0002]高分辨率遥感影像是遥感系统中重要的组成部分，使用高分辨率遥感影像能够清晰地辨别出地物的细节特征，从而区分道路、地块、建筑等边界信息，越来越广泛地应用于资源调查、耕地保护、农业调查等方面。面对遥感数据爆炸式地增长，使用传统的目视解译的速度，已经跟不上数据应用的需求，需要使用机器解译的方式代替目视解译。
[0003]遥感影像分类是影像解译的一个重要方向，影像分类是将影像中的每一个像素赋予一个类型，从使用的数据有无标签来区分，遥感影像分类可分为监督分类、非监督分类、半监督分类。监督分类是使用有标签的训练样本中提取特征，非监督分类是从所有无标签样本中提取特征，半监督分类是同时使用了有标签数据和无标签数据的特征，其中最常用的分类方法是监督分类。传统的影像监督分类的方法包括最近邻分类、最大似然分类、支持向量机分类、决策树分类等方法，这些方法大多利用了遥感影像的光谱特征。对于高分辨率影像，光谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VIT的高分辨率遥感影像分类方法，其特征在于，包括以下步骤：步骤一、高分辨率遥感影像数据预处理；步骤二、制作地物分类训练样本集；步骤三、构建基于VIT的特征提取模型；步骤四、构建基于VIT的Unet语义分割模型；步骤五、训练所述步骤四中的语义分割模型；步骤六、使用所述步骤五中的语义分割模型对遥感影像分类。2.根据权利要求1所述的基于VIT的高分辨率遥感影像分类方法，其特征在于，所述步骤一中的高分辨率遥感影像数据预处理，经过全色和多光谱影像融合、辐射校正、大气校正、几何校正步骤，获得一个四波段的高分辨率遥感影像。3.根据权利要求1所述的基于VIT的高分辨率遥感影像分类方法，其特征在于，所述步骤二中的制作地物分类训练样本集，使用矢量进行影像标注；建立与遥感影像相同大小的矢量，并将该矢量全要素分割，分为水体、植被、裸土、不透水面四个类型；使用shpfile文件对分成的类型进行标注，然后将shpfile根据类型字段不同，转换为栅格数据，其中水体标注为1、植被标注为2、裸土标注为3、不透水面标注为4；与传统的语义分割方法不同，这一步不再对影像切片。4.根据权利要求1
‑
3任一所述的基于VIT的高分辨率遥感影像分类方法，其特征在于，所述步骤三中的构建基于VIT的特征提取模型，建立端对端的网络模型，然后使用VIT的特征提取部分提取特征，具体步骤为：定义遥感影像数据为H
×
W
×
B大小，先将遥感影像切成一个个patch，从左上角开始选取边长为P大小的块，分成N个块，每一patch大小为P
×
P
×
B，整景影像变为N*(P
×
P
×
B)；训练时，将h
×
w个patch作为一个张量x进行训练，h和w代表每个训练张量中patch的数量，下面以训练一个张量x为例：a)降维：先将x的每个patch展平，再通过Linear层降到dim维，维度变为1
×
(h
×
w)
×
dim；b)位置编码(Pos_embeddin...

【专利技术属性】
技术研发人员：刘康，邢青涛，朱济帅，李海霞，邓美环，
申请(专利权)人：海南长光卫星信息技术有限公司，
类型：发明
国别省市：