【技术实现步骤摘要】
一种基于多特征U
‑
Net网络的工程活动图斑的识别方法
[0001]本专利技术涉及图像识别处理
,尤其涉及一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法
。
技术介绍
[0002]工程建设活动对城市现代化
、
设施完善
、
经济发展起着推动性的作用
。
当前,工程活动遥感监测工作主要依靠人工目视解译,不仅效率低下,结果还易受主观影响造成错误和遗漏
。
[0003]随着影像质量的提高
、
成像频次的加快,通过图斑自动识别分类技术可代替人工目视监测,如早期研究方法有
K
邻近法
(KNN)、BP
神经网络
、
支持向量机
(SVM)
等,近年来,深度学习技术在计算机视觉
、
语音识别
、
信息检索等方面成效显著,也为工程活动图斑的自动识别提供了新的思路
。Chen
等将栈式自编码网络应用于高光谱数据图像分类中,
Luus
等采用深度卷积神经网络进行遥感影像土地利用分类,
Li
等基于
DeepUNet
模型实现了遥感影像海陆分割
。
然而这些方法的精度远不及人实际生产工作的要求,识别精度低
。
技术实现思路
[0004]本专利技术的目的在于提供一种基于多特征
U
【技术保护点】
【技术特征摘要】
1.
一种基于多特征
U
‑
Net
网络的工程活动图斑的识别方法,其特征在于,包括以下步骤:获取光学遥感影像数据,并对光学遥感影像数据进行构建反映露天工程活动的标注,得到影像样本集;提取所述影像样本集的多维特征,并基于多特征
U
‑
Net
网络模型进行训练;获取待识别光学遥感影像数据基于训练后的多特征
U
‑
Net
网络模型,输出工程活动图斑识别结果
。2.
如权利要求1所述的基于多特征
U
‑
Net
网络的工程活动图斑的识别方法,其特征在于,提取所述影像样本集的多维特征,并基于多特征
U
‑
Net
网络模型进行训练,其中,所述提取影像样本集的多维特征,具体步骤包括:提取光谱特征;提取纹理特征;基于所述光谱特征和所述纹理特征定义图像多维特征向量
。3.
如权利要求2所述的基于多特征
U
‑
Net
网络的工程活动图斑的识别方法,其特征在于,所述提取光谱特征,具体步骤包括:选取波段均值和波段标准差作为基本统计量
。4.
如权利要求2所述的基于多特征
U
‑
Net
网络的工程活动图斑的识别方法,其特征在于,所述提取纹理特征,具体步骤包括:计算图像的灰度共生矩阵,并选取对比度
、
能量
、
同质度作为基本统计量
。5.
如权利要求1所述的基于多特征
U
‑
Net
网络的工程活动图斑的识别方法,其特征在于,提取所述影像样本集的多维特征,并基于多特征
U<...
【专利技术属性】
技术研发人员:黄磊,何德平,陈尔东昊,张秋,王新胜,潘科,潘成军,周隽,蒋奔,孙建华,罗旭,何超,王志耕,
申请(专利权)人:重庆市测绘科学技术研究院重庆市地图编制中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。