遥感图像地物识别的训练样本构建方法及识别方法技术

本发明专利技术属于地理测绘技术领域，提供了一种遥感图像地物识别的训练样本构建方法及识别方法，其泛化性能更好，识别准确度更高，能适应于实际工程应用，尤其是输电线路选线工程的需求。其样本构建方法，首先基于遥感图像，进行地物的类型和边界标注，并获得与遥感图像相对应的掩码图像；并基于DSM数据和DEM数据，获得与各遥感图像相对应的nDSM数据；然后，将nDSM数据作为额外波段附加到对应的遥感图像中，获得融合数据；最后，对融合数据和掩码图像进行裁剪，获得各类地物类型的训练样本。识别方法，则采用UCTransNet模型，并采用训练样本构建方法所构建的训练样本进行训练。所构建的训练样本进行训练。所构建的训练样本进行训练。

【技术实现步骤摘要】
遥感图像地物识别的训练样本构建方法及识别方法


[0001]本专利技术属于地理测绘
，尤其涉及一种遥感图像地物识别的训练样本构建方法及识别方法。

技术介绍

[0002]随着对地观测技术的发展，遥感影像的获取手段与类型日趋多样化，影像数据的现势性和有效性也有了极大的提高，尤其是近年对无人航测技术的应用，能获取到不同类型的高分辨率遥感数据大幅增加，因此，目前，高分辨率遥感影像被广泛地应用于土地利用、城市规划，环境监测等领域中。
[0003]而对高分辨率遥感影像信息提取的前提和基础是遥感影像分类，根据分类单元的不同，遥感影像分类方法可以分为基于像元和面向对象的分类。其中，传统的，主要采用面向对象的方法，其主要利用像元之间的空间系。但在传统的输电线路选线的过程中，基于遥感影像中地物要素的识别和提取，主要依靠人工实现，其效率低、成本高且周期长，无法通过常态化更新来保持数据的现势性和有效性，增强其应用价值。另一方面，通过目视解释的方式进行地物的分类，具有主观性，不同的作业人员判断的标准不一样，很可能会出现不同的结果，造成结果的不准确。
[0004]自从以全卷积神经网络FCN为代表的语义分割模型出现后，可以通过语义分割模型，联系上下文信息实现基于像素的密集预测任务，进行图像的准确分类。目前，该方法被广泛地应用到图像的分类任务中，取得了较好的效果，也得到了极大的发展，现有常见的语义分割模型包括：U
‑
NET、SegNet、DeepLab、Dilated Convolutions、RefineNet、PSPNet等。因此，在现有研究中，也有将语义分割模型应用于遥感图像地物识别的尝试。
[0005]但目前的语义分割模型，主要针对小尺度图像，比如医学图像、机器视觉等，因此，在将其应用于遥感图像的地物识别时，存在以下不足：一方面，高分辨率遥感影像虽然能展示地面目标的清晰细节，减小了目标地物的类间差异，但是光谱信息更加复杂，同时也增加了类内的差异；另一方面，高分辨率遥感影像的波段一般较少，光谱信息相对欠缺，在一定程度上限制了模型特征学习的丰富度，无法很好的处理地物内部由于光谱信息相似而造成的错分现象。
[0006]尤其是，在现有的大多数研究中，通常为试验性质的尝试，其主要利用公开的数据样本或某一指定区域的少量遥感数据，其数据格式标准，所涉及到的区域和数据量均较小，需要识别的地物要素形态单一。但在实际的工程中，如实际的输电线路选线工程中，所涉及的区域跨度大，所涉及到的遥感图像，通常以无人机拍摄的航飞数据为主，数据量大，且由于航拍无人机轨迹的随机性、光学系统的差异性等原因，所获得遥感图像数据的分辨率、色调和质量等各不相同，不同工程中包含的需要识别的地物要素形态差别较大。因此，基于上述差异，导致现有研究所获得的遥感数据地物识别模型，通常缺乏代表性和一定程度的泛化性。因此，在实际的工程应用中，对地物识别的准确度不高，难以满足实际的工程应用的需求。

技术实现思路

[0007]本专利技术所要解决的技术问题是：提出一种遥感图像地物识别的训练样本构建方法及识别方法，其泛化性能更好，识别准确度更高，能适应于实际工程应用的需求。
[0008]本专利技术解决上述技术问题采用的技术方案是：
[0009]遥感图像地物识别的训练样本构建方法，包括以下步骤：
[0010]S1、数据准备
[0011]针对各遥感图像中的各个地物，分别基于预设的地物分类，对各地物的类型和边界进行标注；然后，针对各地物边界所框选的图像区域，基于各地物分类所对应的预设灰度值进行赋值，分别获得与各遥感图像相对应的掩码图像；
[0012]利用插值法，对各遥感图像所对应区域的DSM数据和DEM数据进行插值，获得与各遥感图像的像元大小相同的DSM数据和DEM数据，然后，基于插值后的DSM数据和DEM数据，计算获得分别与各遥感图像相对应的nDSM数据；
[0013]S2、数据叠加
[0014]分别将对应的nDSM数据和遥感图像进行配准，然后，将nDSM数据作为额外波段附加到对应的遥感图像中，获得分别对应各遥感图像的融合数据；
[0015]S3、样本构建
[0016]按照遥感图像地物识别模型所采用深度神经网络的数据要求，对融合数据和掩码图像进行裁剪，获得各类地物类型的训练样本。
[0017]具体的，步骤S1中，遥感图像为无人机航拍获得的遥感图像；并基于无人机航拍获得的点云数据，采用渐进式不规则加密三角网滤波算法，生成与各遥感图像相对应的DSM数据和DEM数据。
[0018]进一步的，步骤S1中，在对各地物的类型和边界进行标注前，首先通过三次卷积插值法，将获取的各遥感图像转为相同分辨率。
[0019]具体的，步骤S1中，利用反距离权重法，对遥感图像所对应区域的DSM数据和DEM数据进行插值。
[0020]进一步的，步骤S3中，在对融合数据和掩码图像进行裁剪前，分别将融合数据各通道的数据进行归一化处理。
[0021]进一步的，步骤S3中，按预设比例将样本数据划分为训练集、测试集和验证集，并采取随机水平翻转、垂直翻转、对角翻转以及线性比拉伸对训练集数据进行扩充，采用随机线性拉伸对验证集数据进行扩充，且训练集数据线性拉伸的百分比小于验证集数据线性拉伸的百分比。
[0022]进一步的，所述预设的地物分类包括小目标独立地物和其他独立地物，其中，小目标独立地物为分辨率小于32
×
32的独立地物，独立地物中除小目标独立地物以外为其他独立地物。
[0023]进一步的，根据各地物边界所框选图像区域的像素数量与该地物所对应遥感图像的总像素数量之间的比例值M，对各地物进行分级，比例值M越小则等级越高；在所述步骤S3中，针对裁剪获得的各地物所对应的训练样本，按各地物的等级进行不同次数的上采样处理，等级越高则上采样次数越多。
[0024]具体的，按如下要求对地物进行分级并进行上采样：
[0025]六级：M≤0.05％，上采样次数为5次；
[0026]五级：0.05％<M≤0.1％，上采样次数为4次；
[0027]四级：0.1％<M≤1％，上采样次数为3次；
[0028]三级：1％<M≤5％，上采样次数为2次；
[0029]二级：5％<M≤10％，上采样次数为1次；
[0030]一级：M＞10％，上采样次数为0次。
[0031]本专利技术还提供了一种遥感图像地物识别方法，包括：
[0032]采用如上述的遥感图像地物识别的训练样本构建方法，构建覆盖预设的各地物分类的训练样本，组成训练样本集；
[0033]基于UCTransNet模型构建遥感图像地物识别模型，并利用训练样本集对其进行训练，获得完成训练的遥感图像地物识别模型；
[0034]基于待分类区域的遥感图像、DSM数据和DEM数据，构建待分类区域的融合数据并输入完成训练的遥感图像地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.遥感图像地物识别的训练样本构建方法，其特征在于，包括以下步骤：S1、数据准备针对各遥感图像中的各个地物，分别基于预设的地物分类，对各地物的类型和边界进行标注；然后，针对各地物边界所框选的图像区域，基于各地物分类所对应的预设灰度值进行赋值，分别获得与各遥感图像相对应的掩码图像；利用插值法，对各遥感图像所对应区域的DSM数据和DEM数据进行插值，获得与各遥感图像的像元大小相同的DSM数据和DEM数据，然后，基于插值后的DSM数据和DEM数据，计算获得分别与各遥感图像相对应的nDSM数据；S2、数据叠加分别将对应的nDSM数据和遥感图像进行配准，然后，将nDSM数据作为额外波段附加到对应的遥感图像中，获得分别对应各遥感图像的融合数据；S3、样本构建按照遥感图像地物识别模型所采用深度神经网络的数据要求，对融合数据和掩码图像进行裁剪，获得各类地物类型的训练样本。2.如权利要求1所述的遥感图像地物识别的训练样本构建方法，其特征在于，步骤S1中，遥感图像为无人机航拍获得的遥感图像；并基于无人机航拍获得的点云数据，采用渐进式不规则加密三角网滤波算法，生成与各遥感图像相对应的DSM数据和DEM数据。3.如权利要求2所述的遥感图像地物识别的训练样本构建方法，其特征在于，步骤S1中，在对各地物的类型和边界进行标注前，首先通过三次卷积插值法，将获取的各遥感图像转为相同分辨率。4.如权利要求1所述的遥感图像地物识别的训练样本构建方法，其特征在于，步骤S1中，利用反距离权重法，对遥感图像所对应区域的DSM数据和DEM数据进行插值。5.如权利要求1所述的遥感图像地物识别的训练样本构建方法，其特征在于，步骤S3中，在对融合数据和掩码图像进行裁剪前，分别将融合数据各通道的数据进行归一化处理。6.如权利要求1～5任一项所述的遥感图像地物识别的训练样本构建方法，其特征在于，步骤S3中，按预设比例将样本数据划分为训练集、测试集和验证集，并采取随机水平翻转、垂直翻转、对角翻转以及线性比拉伸对训练集数据进行扩充，采用随机线性拉伸对验证集数据进行扩充，且训练集数据线性拉伸的百分比小于验证集数据线性拉伸的百分比。7.如权利要求1所述的遥感图像地物识别的训练样本构建方法，其特征在于，所述预设的地物分类包括小目标独立地物和其他独立地物，其中，小目标独立地物为分辨率小于32
×
32的独立地物，独立地物中除小目标独立地物以外为其他独立地物。8.如...

【专利技术属性】
技术研发人员：杜全维，吴列，郎垚，董武钟，林志鹏，王琦，
申请(专利权)人：国网四川省电力公司建设分公司，
类型：发明
国别省市：