基于深度学习模型的多源遥感影像解译样本库创建方法技术

本发明专利技术属于遥感影像深度学习技术领域，具体涉及一种基于深度学习模型的多源遥感影像解译样本库创建方法

【技术实现步骤摘要】
基于深度学习模型的多源遥感影像解译样本库创建方法


[0001]本专利技术属于遥感影像深度学习
，具体涉及一种基于深度学习模型的多源遥感影像解译样本库创建方法
。

技术介绍

[0002]统筹利用最新航天
、
航空
、
无人机等遥感影像，采用影像比对
、
内业解译和外业核查等技术手段，开展系列遥感监测工作是当前自然资源监测工作的主要内容
。
当前，国内外学者对遥感影像信息提取进行了大量的研究，当前深度学习的方法也显著提升了遥感影像自动解译的精度
。
不同于传统遥感数据处理，人工智能
(
特别是深度学习
)
不需要人工提取特征，而是通过大量训练从原始感知数据中自提取多层次特征，实现目标的自动特征学习
。
除了算法设计，大量训练样本和高性能计算是深度学习成功的关键
。
当前空天地一体化多源遥感数据海量且每日剧增，具备多源
、
异构
、
信息量丰富
、
多尺度等大数据特点，能够为深度学习在遥感信息智能提取提供大量训练样本，同时遥感大数据本身也急需将深度学习与遥感集成应用需求紧密结合，利用深度学习技术自动提取遥感影像信息，从而促进遥感大数据分析走向智能化服务
。
[0003]随着国家卫星技术的发展，受到卫星遥感影像成像条件
、
大气环境
、
地形地貌等复杂条件的影响，如何克服复杂外部条件的干扰，提取高质量的卫星遥感影像信息，已经成为当前地理信息产业迫切需要解决的问题之一
。
[0004]传统的遥感影像解译样本制作选用的影像数据源单一
、
样本数据结构简单，而且传统的深度学习方法对遥感影像自动解译容易产生大量噪声，难以满足提取任务的精度要求
。
现阶段随着深度学习研究的发展，采用面向对象的样本分类方法能充分考虑高分辨率影像的光谱
、
几何
、
纹理等空间特征，对目标的特征进行针对性的学习，因此不同类型遥感影像自动信息提取精度更高
、
效果更好，更好满足语义级别的地表覆盖分类需求
。
[0005]当前基于深度学习技术的遥感影像解译样本库创建，还具备以下几个问题：
1)
针对深度学习需求，创建一套标准化的多源遥感影像样本制作流程
。2)
为实现更加智能化和精细化的地表覆盖管理目标，保持土地利用分类的继承性和可持续性，需重新梳理面向对象的样本分类方法
。3)
结合深度学习方法需要和样本数据源信息，对样本组织重新设计，实现样本的多尺度使用和共享
。4)
多源
、
多类型
、
多尺度样本数据管理与分发目前国内研究比较滞后，无法实现精细化样本利用需求，需规范样本组织方法，实现样本数据的管理和分发使用
。

技术实现思路

[0006]本专利技术的目的在于克服传统技术中存在的上述问题，提供一种基于深度学习模型的多源遥感影像解译样本库创建方法，以“满足生产需求的遥感影像自动解译”为核心目标，设计具有针对性的样本制作方法，解决样本分类
、
制作和组织过程不规范的问题，规范样本制作流程和组织管理方法，从而实现高精度
、
自动化
、
规范化的卫星遥感影像解译样本
库创建
。
[0007]为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：
[0008]本专利技术提供一种基于深度学习模型的多源遥感影像解译样本库创建方法，包括如下步骤：
[0009]步骤一
、
多源异构遥感影像解译样本库创建方法设计；
[0010]步骤二
、
源数据获取与处理；
[0011]步骤三
、
基于深度学习方法的遥感影像解译样本制作；
[0012]步骤四
、
全局索引下遥感解译样本存储组织方法与管理；
[0013]步骤五
、
实际应用需求下深度学习样本的分析与迭代
。
[0014]进一步地，步骤一中，包括如下分步骤：
[0015]1)
样本概念设计
[0016]深度学习模型由一组基础的神经网络参数定义，必须使用一组已知特征样本的输入标签栅格来训练模型进而寻找特定特征；遥感影像解译样本为特定已知样本的输入标签栅格和对应的遥感影像栅格组成；
[0017]2)
样本分类方法
[0018]已知样本的输入标签栅格充分结合精细化的土地覆盖管理需求，保持分类的继承性和数据的可追溯性，依据土地的自然和社会经济属性，对地表覆盖类型进行归纳
、
分类；样本分类方法充分凸显高分辨率影像的光谱
、
几何
、
纹理空间特征，最大化提取影像可用信息，在样本量有限的情况下，提高深度学习结果的普适性和泛化能力；
[0019]3)
样本库创建原则
[0020]受到成像条件
、
传感器特性
、
天气条件
、
气候条件
、
太阳高度
、
背景环境
、
高光反射
、
自身特征
、
瞬间运动特征多种因素的影响，遥感影像内部目标表征发生变化，在深度学习解译样本库创建过程中，目标样本库尽可能全面的覆盖各类要素和复杂条件，保证训练库的样本类型合理
、
类型分布合理
、
代表性强
。
[0021]进一步地，步骤二中，遥感解译样本源数据包括遥感影像数据和目标样本的标签矢量数据；按照任务需求搜集
RGB
三波段和
RGB、NIR
四波段卫星遥感影像或航摄遥感影像；在复杂卫星遥感影像成像背景环境复杂区域，为消除传感器本身的误差，确定传感器入口处的准确辐射值，同时消除部分外界环境干扰，原始卫星遥感影像需进行辐射定标和大气校正处理，处理完成后进行几何纠正和影像融合处理，得到正射影像数据；利用卫星遥感影像进行目视语义分割，提取基础地理信息数据边界矢量，将遥感影像中的每个像素与预先定义的基础地理信息数据关联起来，获取包含遥感影像数据以及对应逐像素分类的栅格分类标签数据
。
[0022]进一步地，步骤三中，遥感解译样本遥感影像数据和的目标图斑矢量数据套合检查后，通过数据处理和变换方法流程，将对应矢量数据及遥感影像转换成深度学习模型训练测试所需要的样本格式
。
[0023]进一步地，遥感解译样本的制作主要包括如下分步骤：
[0024]1)
矢栅转换
[0025]矢量数据格式向栅格数据格式的转换又称多边形填充，就是在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习模型的多源遥感影像解译样本库创建方法，其特征在于，包括如下步骤：步骤一
、
多源异构遥感影像解译样本库创建方法设计；步骤二
、
源数据获取与处理；步骤三
、
基于深度学习方法的遥感影像解译样本制作；步骤四
、
全局索引下遥感解译样本存储组织方法与管理；步骤五
、
实际应用需求下深度学习样本的分析与迭代
。2.
根据权利要求1所述的基于深度学习模型的多源遥感影像解译样本库创建方法，其特征在于，步骤一中，包括如下分步骤：
1)
样本概念设计深度学习模型由一组基础的神经网络参数定义，必须使用一组已知特征样本的输入标签栅格来训练模型进而寻找特定特征；遥感影像解译样本为特定已知样本的输入标签栅格和对应的遥感影像栅格组成；
2)
样本分类方法已知样本的输入标签栅格充分结合精细化的土地覆盖管理需求，保持分类的继承性和数据的可追溯性，依据土地的自然和社会经济属性，对地表覆盖类型进行归纳
、
分类；样本分类方法充分凸显高分辨率影像的光谱
、
几何
、
纹理空间特征，最大化提取影像可用信息，在样本量有限的情况下，提高深度学习结果的普适性和泛化能力；
3)
样本库创建原则受到成像条件
、
传感器特性
、
天气条件
、
气候条件
、
太阳高度
、
背景环境
、
高光反射
、
自身特征
、
瞬间运动特征多种因素的影响，遥感影像内部目标表征发生变化，在深度学习解译样本库创建过程中，目标样本库尽可能全面的覆盖各类要素和复杂条件，保证训练库的样本类型合理
、
类型分布合理
、
代表性强
。3.
根据权利要求2所述的基于深度学习模型的多源遥感影像解译样本库创建方法，其特征在于，步骤二中，遥感解译样本源数据包括遥感影像数据和目标样本的标签矢量数据；按照任务需求搜集
RGB
三波段和
RGB、NIR
四波段卫星遥感影像或航摄遥感影像；在复杂卫星遥感影像成像背景环境复杂区域，为消除传感器本身的误差，确定传感器入口处的准确辐射值，同时消除部分外界环境干扰，原始卫星遥感影像需进行辐射定标和大气校正处理，处理完成后进行几何纠正和影像融合处理，得到正射影像数据；利用卫星遥感影像进行目视语义分割，提取基础地理信息数据边界矢量，将遥感影像中的每个像素与预先定义的基础地理信息数据关联起来，获取包含遥感影像数据以及对应逐像素分类的栅格分类标签数据
。4.
根据权利要求3所述的基于深度学习模型的多源遥感影像解译样本库创建方法，其特征在于，步骤三中，遥感解译样本遥感影像数据和的目标图斑矢量数据套合检查后，通过数据处理和变换方法流程，将对应矢量数据及遥感影像转换成深度学习模型训练测试所需要的样本格式
。5.
根据权利要求4所述的基于深度学习模型的多源遥感影像解译样本库创建方法，其特征在于，遥感解译样本的制作主要包括如下分步骤：
1)
矢栅转换
矢量数据格式向栅格数据格式的转换又称多...

【专利技术属性】
技术研发人员：侯恩兵，任光耀，张海，汪涵，
申请(专利权)人：安徽省第二测绘院，
类型：发明
国别省市：