一种多源数据融合的矿区精细用地分类方法技术

本发明专利技术公开了一种多源数据融合的矿区精细用地分类方法，首先获取多源数据进行预处理并多尺度分割得到影像对象，并对影像对象裁剪高分影像块用于深度特征提取；然后，多分支卷积神经网络模型自动提取特征列向量和深度语义特征；利用多源特征深度融合模块进行特征融合并利用特征重要性权重计算模块计算多源数据深度特征重要性权重，实现有效信息的自适应融合；最后通过随机森林分类器利用深度融合特征进行矿区地物精细分类，得到矿区用地精细分类结果。本发明专利技术提供一种多源数据融合的矿区精细用地分类方法，实现了矿区精细用地分类，为矿区用地监测、管理和矿区生态环境保护提供基础数据支持，对于矿区用地监测管理与生态环境保护具有重要意义。保护具有重要意义。保护具有重要意义。

【技术实现步骤摘要】
一种多源数据融合的矿区精细用地分类方法


[0001]本专利技术涉及遥感影像处理、土地分类、深度学习领域，尤其涉及一种多源数据融合的矿区精细用地分类方法。

技术介绍

[0002]基于遥感影像的土地覆盖/利用分类技术众多，传统方法采用目视解译进行分类，虽然具备较高的精度，但该方法存在效率低，成本高的问题。除此之外，还有利用传统的机器学习算法进行分类，相较于目视解译极大的提高了分类效率，但是对于分类精度提高有限，存在高维数据难处理、泛化能力不理想的问题。加之，矿区用地类型多且地形破碎度高，导致现有的矿区用地分类方法仅能识别植被、采矿用地、水体、裸地、道路等的用地情况，难以对植被、采矿用地进行更为精细的分类。
[0003]现有的土地覆盖/利用分类方法常采用单一的遥感影像数据，研究者们采用合成孔径雷达(Synthetic Aperture Radar，SAR)影像进行用地分类，其影像具有较好的纹理信息，一定程度上能够减少因多光谱遥感同物异谱或异物同谱所产生的用地分类误差，但其图像噪声污染较严重，空间分辨率也不高。因此，为解决单一影像分类结果精度低，获得更丰富且精确度更高的土地覆盖/利用信息，有研究者提出了融合多源遥感数据的方法，但目前多源数据融合方法利用传统人工设计的方法提取特征，并在此基础上进行分类，然而人工提取特征由于对不同地物的表达能力有限，没有充分利用不同数据源的优势，使得这种方法精度不高。
[0004]矿区是人类活动与自然环境相互作用的复杂场景，矿区资源开采、矿山复垦等人类活动影响矿区用地变化以及生态环境，矿区用地情况的掌握对于了解矿区自然资源现状，开展土地利用管理以及实现矿区可持续发展等具有基础性数据支撑的作用，因此，实现矿区精细用地分类是目前亟待解决的问题。

技术实现思路

[0005]针对现有技术面向矿区精细用地分类的技术难题，本专利技术的目的在于提供一种多源数据融合的矿区精细用地分类方法，利用了Sentinel
‑
1SAR影像、Sentinel
‑
2等多光谱遥感影像、SAR影像与高分辨率遥感影像，从而可以综合高分影像的高空间分辨率、多光谱影像的光谱信息和SAR影像的纹理特征数据的优势，来解决单一影像分类精度低和植被、采矿用地等无法进行细分的问题；首先获取多源数据进行预处理，对高分影像进行多尺度分割得到影像对象，分别利用多光谱影像和SAR影像提取影像对象的光谱、纹理特征列向量，并对影像对象裁剪高分影像块用于深度特征提取；然后，多分支卷积神经网络模型自动提取特征列向量和高分影像对象的深度语义特征；其次，为了给后续分类提供足够多的光谱特征、纹理特征和细节信息，利用多源特征深度融合模块将多源数据的深度语义特征进行融合，多源特征深度融合模块是利用特征重要性权重计算模块计算多源数据深度特征重要性权重，实现有效信息的自适应融合；利用特征冗余剔除模块减少和消除多源信息之间的信
息冗余；最后鉴于随机森林有抗干扰性和抗过拟合能力强、平衡误差、训练速度快和易于实现等优势，通过随机森林分类器利用深度融合特征进行矿区地物精细分类，得到矿区用地精细分类结果。
[0006]本专利技术的目的通过下述技术方案实现：
[0007]一种多源数据融合的矿区精细用地分类方法，其方法如下：
[0008]A、采集多源数据进行融合处理得到高分影像数据，多源数据包括多光谱遥感影像、SAR影像和高分辨率遥感影像，对高分影像数据集中的高分影像数据分割得到影像对象，计算各个影像对象的多光谱影像光谱特征、SAR影像纹理特征，并对各个影像对象构建高分影像数据集；
[0009]B、搭建多分支卷积神经网络模型，多分支卷积神经网络模型对高分影像数据集进行深度特征提取及深度特征融合处理；
[0010]B1、多分支卷积神经网络模型包括两个1D
‑
Net特征提取网络，两个1D
‑
Net特征提取网络分别对应提取得到光谱特征、纹理特征两个特征列向量，1D
‑
Net特征提取网络依次包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连接层，第一卷积层含有四个尺寸为3、步长为1的卷积核，激活函数为ReLU，经过第一卷积层会生成数量与卷积核个数相同的特征图，第一最大池化层对第一卷积层的特征图进行下采样；第二卷积层含有八个尺寸为3、步长为1的卷积核，激活函数为ReLU，经过第二卷积层会生成数量与卷积核个数相同的特征图，第二最大池化层对第二卷积层的特征图进行下采样；全连接层对特征进行重新提取并输出由特征列向量得到的深度语义特征；
[0011]多分支卷积神经网络模型还包括空洞卷积Dilated
‑
ResNet50，空洞卷积Dilated
‑
ResNet50包括Conv Block模块和Identity Block模块，空洞卷积Dilated
‑
ResNet50对影像对象进行深度特征提取；
[0012]B2、多分支卷积神经网络模型还包括多源特征深度融合模块，多源特征深度融合模块对步骤B1得到的深度语义特征及深度特征进行特征融合处理，融合后得到融合深度特征；
[0013]C、制作矿区各用地类型的样本数据集，样本数据集与高分影像数据集相对应，通过样本数据集对多分支卷积神经网络模型进行模型训练；
[0014]D、将高分影像数据集输入训练后的多分支卷积神经网络模型中得到每个影像对象的融合深度特征，然后输入到随机森林分类器中进行矿区用地类型分类。
[0015]为了更好地实现本专利技术矿区精细用地分类方法，本专利技术步骤A包括如下方法：
[0016]A1、多源数据中的多光谱遥感影像选择含云量最小的一景Sentinel
‑
2L1C级多光谱遥感影像或/和高分数据影像；多源数据中的SAR影像数据选择相关联或相邻日期Sentinel
‑
1的干涉宽幅模式双极化地距影像；
[0017]A2、通过SNAP软件对高分影像数据中的多光谱遥感影像进行大气校正，剔除60米分辨率波段数据、保留10米和20米的波段数据，并对5、6、7、8b、11、12波段进行重采样，得到涵盖包括可见光、红边、近红外、短波红外在内空间分辨率为10米的多光谱波段集；通过SNAP软件对高分影像数据中的SAR影像数据进行轨道校正、辐射定标、红外热噪声去除、地形校正、滤波、重投影和裁剪的预处理，并对其进行重采样，使空间分辨率达到10米，再进行几何校正；
[0018]A3、从高分影像数据中的多光谱遥感影像提取10个光谱波段和12个光谱特征；从高分影像数据中的SAR影像计算得到两个后向散射系数，再选择5
×
5的滤波器窗口，利用灰度共生矩阵方法分别基于0
°
,45
°
,90
°
，135
°
这四种角度进行计算提取32个纹理特征；
[0019]A4、采用ESP工具自动获得最佳分割尺度并利用多尺度分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源数据融合的矿区精细用地分类方法，其特征在于：其方法如下：A、采集多源数据进行融合处理得到高分影像数据，多源数据包括多光谱遥感影像、SAR影像和高分辨率遥感影像，对高分影像数据集中的高分影像数据分割得到影像对象，计算各个影像对象的多光谱影像光谱特征、SAR影像纹理特征，并对各个影像对象构建高分影像数据集；B、搭建多分支卷积神经网络模型，多分支卷积神经网络模型对高分影像数据集进行深度特征提取及深度特征融合处理；B1、多分支卷积神经网络模型包括两个1D
‑
Net特征提取网络，两个1D
‑
Net特征提取网络分别对应提取得到光谱特征、纹理特征两个特征列向量，1D
‑
Net特征提取网络依次包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连接层，第一卷积层含有四个尺寸为3、步长为1的卷积核，激活函数为ReLU，经过第一卷积层会生成数量与卷积核个数相同的特征图，第一最大池化层对第一卷积层的特征图进行下采样；第二卷积层含有八个尺寸为3、步长为1的卷积核，激活函数为ReLU，经过第二卷积层会生成数量与卷积核个数相同的特征图，第二最大池化层对第二卷积层的特征图进行下采样；全连接层对特征进行重新提取并输出由特征列向量得到的深度语义特征；多分支卷积神经网络模型还包括空洞卷积Dilated
‑
ResNet50，空洞卷积Dilated
‑
ResNet50包括Conv Block模块和Identity Block模块，空洞卷积Dilated
‑
ResNet50对影像对象进行深度特征提取；B2、多分支卷积神经网络模型还包括多源特征深度融合模块，多源特征深度融合模块对步骤B1得到的深度语义特征及深度特征进行特征融合处理，融合后得到融合深度特征；C、制作矿区各用地类型的样本数据集，样本数据集与高分影像数据集相对应，通过样本数据集对多分支卷积神经网络模型进行模型训练；D、将高分影像数据集输入训练后的多分支卷积神经网络模型中得到每个影像对象的融合深度特征，然后输入到随机森林分类器中进行矿区用地类型分类。2.按照权利要求1所述的一种多源数据融合的矿区精细用地分类方法，其特征在于：步骤A包括如下方法：A1、多源数据中的多光谱遥感影像选择含云量最小的一景Sentinel
‑
2L1C级多光谱遥感影像或/和高分数据影像；多源数据中的SAR影像数据选择相关联或相邻日期Sentinel
‑
1的干涉宽幅模式双极化地距影像；A2、通过SNAP软件对高分影像数据中的多光谱遥感影像进行大气校正，剔除60米分辨率波段数据、保留10米和20米的波段数据，并对5、6、7、8b、11、12波段进行重采样，得到涵盖包括可见光、红边、近红外、短波红外在内空间分辨率为10米的多光谱波段集；通过SNAP软件对高分影像数据中的SAR影像数据进行轨道校正、辐射定标、红外热噪声去除、地形校正、滤波、重投影和裁剪的预处理，并对其进行重采样，使空间分辨率达到10米，再进行几何校正；A3、从高分影像数据中的多光谱遥感影像提取10个光谱波段和12个光谱特征；从高分影像数据中的SAR影像计算得到两个后向散射系数，再选择5
×
5的滤波器窗口，利用灰度共生矩阵方法分别基于0
°
,45
°
,90
°
，135
°
这四种角度进行计算提取32个纹理特征；A4、采用ESP工具自动获得最佳分割尺度并利用多尺度分割算法对高分影像数据进行

【专利技术属性】
技术研发人员：李全生，郭俊廷，李军，贺安民，陈建强，常博，郑三龙，李鹏，丁雅欣，杜守航，张成业，杨飞，
申请(专利权)人：北京低碳清洁能源研究院中国矿业大学北京国家能源集团新疆能源有限责任公司，
类型：发明
国别省市：