一种地物分类方法及系统技术方案

本发明专利技术提供了一种地物分类方法及系统，涉及图像处理技术领域，基于获取的指定区域的多光谱遥感图像和DEM数据构建样本数据集；提取样本数据集中的浅层多模态的像元特征，并堆叠像元特征，获取堆叠结果；利用图卷积神经网络和残差网络分别对堆叠结果进行分析，分别获得光谱空间深度特征和地形深度特征并进行融合，获得融合深度特征；将融合深度特征输入到分类器中，获得分类器输出的指定区域的地物标签。通过获得融合深度特征，能够利用数据中深层次的多样的地物特征，更能代表地物，分类器能够更加准确的识别地物，并对地物进行精细分类，有利于提高对复杂地形区域土地覆盖精细分类的精度。的精度。的精度。

【技术实现步骤摘要】
一种地物分类方法及系统


[0001]本专利技术涉及图像处理
，具体而言，涉及一种地物分类方法及系统。

技术介绍

[0002]土地覆盖是地表重要组成部分，也是保持陆地生态系统稳定的决定因素，在城市规划和环境保护等方面做出贡献。然而，多光谱遥感图像背景复杂，含有丰富的空间信息、纹理信息和地物几何结构，在具有大量数据和多波段空间结构的复杂环境中，利用多光谱遥感图像对土地覆盖进行分类仍然是一项具有挑战性的任务。传统的基于机器学习的方法通常因为人工设计特征提取方法的困难而无法充分利用地物的频谱空间特征，无法实现较高的分类性能。

技术实现思路

[0003]本专利技术所要解决的问题是现有对地物的识别分类方法，无法充分利用地物的频谱空间特征，地物的分类准确性不高。
[0004]为解决上述问题，一方面，本专利技术提供了一种地物分类方法，包括：基于获取的指定区域的多光谱遥感图像和DEM数据构建样本数据集；提取所述样本数据集中的浅层多模态的像元特征，并堆叠所述像元特征，获取堆叠结果；利用图卷积神经网络和残差网络分别对所述堆叠结果进行分析，分别获得光谱空间深度特征和地形深度特征；将所述光谱空间深度特征和所述地形深度特征进行融合，获得融合深度特征；将所述融合深度特征输入到分类器中，获得所述分类器输出的指定区域的地物的一级类别和二级子类别。
[0005]可选地，所述提取所述样本数据集中的浅层多模态的像元特征，并堆叠所述像元特征，获取堆叠结果包括：根据所述样本数据集中的所述多光谱遥感图像提取第一分支对应的第一像元特征，其中，所述第一像元特征包括光谱特征、主成分特征、植被指数、滤波特征和纹理特征中的一个或多个特征；根据所述样本数据集中的所述DEM数据提取第二分支对应的第二像元特征，其中，所述第二像元特征包括地形特征；对所述第一像元特征进行堆叠，得到所述第一分支对应的第一堆叠结果；对所述第二像元特征进行堆叠，得到所述第二分支对应的第二堆叠结果。
[0006]可选地，所述对所述第一像元特征进行堆叠，得到所述第一分支对应的第一堆叠结果之后，所述地物分类方法还包括：将每个所述第一像元特征作为一个图节点；利用K近邻方法构建拓扑图；
利用图卷积神经网络聚合所述拓扑图中不同图节点的光谱空间深度特征。
[0007]可选地，所述利用图卷积神经网络和残差网络分别对所述堆叠结果进行分析，分别获得光谱空间深度特征和地形深度特征包括：利用图卷积神经网络对所述第一堆叠结果进行分析，提取所述光谱空间深度特征；利用残差网络对所述第二堆叠结果进行分析，提取所述地形深度特征。
[0008]可选地，所述将所述光谱空间深度特征和所述地形深度特征进行融合时，采用的融合方法包括：加性特征融合、单元乘性特征融合、或级联特征融合中的其中一种或多种的组合。
[0009]可选地，所述利用图卷积神经网络和残差网络分别对所述堆叠结果进行分析，分别获得光谱空间深度特征和地形深度特征之前，所述地物分类方法还包括：使用训练样本数据集对所述图卷积神经网络、所述残差网络以及所述分类器进行预训练。
[0010]可选地，所述使用训练样本数据集对所述图卷积神经网络、所述残差网络以及所述分类器进行预训练包括：从所述图卷积神经网络和所述残差网络中先选择一个神经网络，剩余另一个神经网络，将所述训练样本数据集输入到先选择的所述神经网络中进行训练；训练后，冻结先选择的所述神经网络的网络层参数；然后将所述训练样本数据集输入到另一个神经网络中进行训练。
[0011]可选地，所述使用训练样本数据集对所述图卷积神经网络、所述残差网络以及所述分类器进行预训练包括：将从所述训练样本数据集中提取得到的所述融合深度特征输入到所述分类器中，输出预测地物标签；计算所述预测地物标签与真实地物标签之间的交叉熵损失；利用试错法调整所述分类器中的所述参数，直至所述交叉熵损失值小于预期值。
[0012]可选地，所述利用试错法调整所述分类器中的所述参数，直至所述交叉熵损失值小于预期值包括：利用试错法对所述地物的一级类别和所述二级子类别对应的损失权重进行整体综合调整，直至所述交叉熵损失值小于所述预期值；或利用试错法先对所述地物的一级类别对应的损失权重进行调整，再对所述二级子类别对应的损失权重进行调整，直至所述交叉熵损失值小于所述预期值。
[0013]另外一方面，本专利技术还提供一种地物分类系统，包括:数据集构建模块，用于基于获取的指定区域的多光谱遥感图像和DEM数据构建样本数据集；浅层特征处理模块，用于提取所述样本数据集中的浅层多模态的像元特征，并堆叠所述像元特征，获取堆叠结果；深度特征分析模块，用于利用图卷积神经网络和残差网络分别对所述堆叠结果进行分析，分别获得光谱空间深度特征和地形深度特征；特征融合模块，用于将所述光谱空间深度特征和所述地形深度特征进行融合，获
Model，数字高程模型数据）构建样本数据集。具体的，解译多光谱遥感图像，随机采样构建样本数据集，并为样本数据集中的样本打上标签。
[0021]S200：提取所述样本数据集中的浅层多模态的像元特征，并堆叠所述像元特征，获取堆叠结果；所述像元特征包括第一像元特征和第二像元特征。像元特征的类型（即特征参数类型）及其对应的参数名称和数量，如图2的图表中所示。另外，图3中示出，分两个支路对样本数据集进行分析，分别提取像元特征。
[0022]S300：利用图卷积神经网络和残差网络分别对所述堆叠结果进行分析，分别获得光谱空间深度特征和地形深度特征。其中，图卷积神经网络能够通过建模样本(或顶点)之间的关系来有效地处理图结构数据的特点，对多光谱遥感图像的远程空间关系进行建模，以获得光谱空间深度特征。与传统方法相比，以卷积神经网络为代表的深度学习算法能逐层提取鲁棒的深度特征，然而，卷积神经网络只注重提取固定核大小的图像区域特征，忽略了不同局部区域的长程空间关系，会导致边界信息丢失的问题，因此需要图卷积神经网络弥补卷积神经网络的缺陷。地形特征复杂多变，残差网络对从地形数据中提取的像元特征进行分析处理，获得地形深度特征，残差网络能够针对不同大小的图像区域进行分析，达到双向互补的效果。
[0023]S400：将所述光谱空间深度特征和所述地形深度特征进行融合，获得融合深度特征。采用双分支提取特征然后融合的方法能避免不同模态的光谱空间特征和地形特征数据因数值单位、含义和数量级不同而导致的“互相影响”，理论上更有利于多模态深度特征的提取。实现多模态的深度特征融合，使模型提取的特征被充分利用，有助于提升分类精度。
[0024]S500：将所述融合深度特征输入到分类器中，获得所述分类器输出的指定区域的地物的一级类别和二级子类别。所述地物指的是地面上各种有形物(如山川、森林、建筑物等)和无形物(如省、县界等)的总称。泛指地球表面上相对固定的物体。例如，地物的一级类别有矿山用地、耕地、林地、水域、道路、居民用地、未利用地；二级子类别有采坑、选矿厂、排土场、水田、温室大棚、旱地、休耕地、有林地、灌木、胁迫植被、苗圃和果园、池塘、采矿集水坑、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地物分类方法，其特征在于，包括：基于获取的指定区域的多光谱遥感图像和DEM数据构建样本数据集；提取所述样本数据集中的浅层多模态的像元特征，并堆叠所述像元特征，获取堆叠结果；利用图卷积神经网络和残差网络分别对所述堆叠结果进行分析，分别获得光谱空间深度特征和地形深度特征；将所述光谱空间深度特征和所述地形深度特征进行融合，获得融合深度特征；将所述融合深度特征输入到分类器中，获得所述分类器输出的所述指定区域的地物的一级类别和二级子类别。2.根据权利要求1所述的地物分类方法，其特征在于，所述提取所述样本数据集中的浅层多模态的像元特征，并堆叠所述像元特征，获取堆叠结果包括：根据所述样本数据集中的所述多光谱遥感图像提取第一分支对应的第一像元特征，其中，所述第一像元特征包括光谱特征、主成分特征、植被指数、滤波特征和纹理特征中的一个或多个特征；根据所述样本数据集中的所述DEM数据提取第二分支对应的第二像元特征，其中，所述第二像元特征包括地形特征；对所述第一像元特征进行堆叠，得到所述第一分支对应的第一堆叠结果；对所述第二像元特征进行堆叠，得到所述第二分支对应的第二堆叠结果。3.根据权利要求2所述的地物分类方法，其特征在于，所述对所述第一像元特征进行堆叠，得到所述第一分支对应的第一堆叠结果之后，还包括：将每个所述第一像元特征作为一个图节点；利用K近邻方法构建拓扑图；利用图卷积神经网络聚合所述拓扑图中不同图节点的光谱空间深度特征。4.根据权利要求2所述的地物分类方法，其特征在于，所述利用图卷积神经网络和残差网络分别对所述堆叠结果进行分析，分别获得光谱空间深度特征和地形深度特征包括：利用图卷积神经网络对所述第一堆叠结果进行分析，提取所述光谱空间深度特征；利用残差网络对所述第二堆叠结果进行分析，提取所述地形深度特征。5.根据权利要求1所述的地物分类方法，其特征在于，所述将所述光谱空间深度特征和所述地形深度特征进行融合时，采用的融合方法包括：加性特征融合、单元乘性特征融合、或级联特征融合中的其中一种或多种的组合。6.根据权利要求1所述的地物分类方法，其特征在于，所述利用图卷积神经网络和残差网络分别对所述堆...

【专利技术属性】
技术研发人员：韩旭，李显巨，周业梅，黄晓翔，曹君，张阳阳，张菊，黄丙利，
申请(专利权)人：武汉城市职业学院，
类型：发明
国别省市：