【技术实现步骤摘要】
本专利技术实施例涉及生态保护，尤其涉及生态保护领域工作中采用的人类活动变化检测样本制作、人类活动变化检测模型训练和人类活动变化检测模型应用，具体涉及一种多分辨率正弦神经网络模型变化监测方法及一体化系统。
技术介绍
1、现有技术在人类活动变化监测中，通常采用u-net网络等网络模型，而其存在有在训练中容易出现过拟合的现象，若变化检测数据集中图像背景复杂，小目标的变化情况容易被漏检等问题；并且在采用上述模型监测时，采用的训练样本多为单一特征、单分辨率的样本。而在样本数据的处理过程中，现有的样本制作多数为人工对照前后时相影像数据进行变化信息的勾画，形成变化图斑矢量，后再利用程序进行变化样本图片的导出，存在人工占比大，自动化程度低，投入过大等问题。
技术实现思路
1、基于现有技术的上述情况，本专利技术实施例的目的在于提供一种多分辨率正弦神经网络模型变化监测方法及一体化系统，以解决上述现有技术中存在的问题，实现了从数据准备处理、变化监测模型训练、变化监测模型推理的一体化处理。
2、为达到上述目的，根据本专利技术的一个方面，提供了一种多分辨率正弦神经网络模型变化监测方法，所述方法包括：
3、获取被监测对象的第一遥感影像数据，所述第一遥感影像数据包括前时相遥感影像数据和后时相遥感影像数据；所述第一遥感影像数据包括全色影像数据、多光谱影像数据、融合影像数据、以及真彩色影像数据；
4、对所述第一遥感影像数据进行第一处理，生成变化样本矢量数据；
5、将所
6、利用所述训练样本数据对多分辨率正弦神经网络模型进行训练，得到训练好的多分辨率正弦神经网络模型；
7、利用所述训练好的多分辨率正弦神经网络模型对待监测对象进行变化监测。
8、进一步的，所述第一处理包括：
9、对前时相遥感影像数据进行第一分割处理；
10、根据所述第一分割处理的结果对后时相遥感影像数据进行第二分割处理，以使得所述前时相遥感影像数据和后时相遥感影像数据中非变化区域的边界一致。
11、进一步的，所述第二分割处理包括：
12、计算影像数据中每一个像元与其相邻像元的异质性参数，根据所述异质性参数对像元进行合并。
13、进一步的，所述异质性参数根据以下公式计算：
14、
15、其中，表示异质性参数，表示权值，，表示影像数据的光谱异质性，表示影像数据的形状异质性。
16、进一步的，所述方法还包括：
17、获取被监测对象的地理特征向量；
18、基于所述地理特征向量，对经过第一处理的第一遥感影像数据进行变化分析；
19、基于分析结果提取所述第一遥感影像数据中的变化区域；
20、将所述变化区域导出为矢量格式，形成变化样本矢量数据。
21、进一步的，所述多分辨率正弦神经网络模型至少包括输入层、线性层、控制层和输出层；
22、所述输入层的输出根据如下公式确定：
23、
24、其中，表示输入层的正弦函数，表示第一遥感影像数据，包括全色影像数据、多光谱影像数据、融合影像数据、以及真彩色影像数据；
25、
26、其中，a表示所述正弦函数的振幅，表示频率，表示空间位置，表示相位，用于控制正弦波的起始位置；
27、所述线性层的输出根据如下公式确定：
28、
29、其中，表示第i阶段线性层的权重，的取值在0-1之间；
30、将各控制层的输出根据如下公式进行混合后输出：
31、
32、其中，表示控制层的输出，⊙ 表示逐元素相乘。
33、进一步的，将所述变化样本矢量数据与第一遥感影像数据进行匹配，得到训练样本数据，包括：
34、将所述变化样本矢量数据和第一遥感影像数据进行空间位置匹配，得到第一样本导出数据；
35、针对所述第一样本导出数据中每一个数据，以变化样本矢量图斑为样本切片中心，将对应的变化样本矢量数据转换成相同大小的栅格格式标签文件，作为训练样本数据。
36、进一步的，所述训练包括：
37、将多分辨率正弦神经网络模型划分为若干个阶段，每个阶段以受控方式学习与各阶段相对应的细节级别；
38、按照从低到高的细节级别按顺序训练每个阶段。
39、根据本专利技术的另一个方面，提供了一种采用多分辨率正弦神经网络模型变化监测方法进行监测的一体化系统，所述系统包括：
40、数据获取模块，用于获取被监测对象的第一遥感影像数据，所述第一遥感影像数据包括前时相遥感影像数据和后时相遥感影像数据；
41、数据处理模块，用于对所述第一遥感影像数据进行第一处理，生成变化样本矢量数据；
42、数据匹配模块，用于将所述变化样本矢量数据与第一遥感影像数据进行匹配，得到训练样本数据；
43、模型训练模块，用于利用所述训练样本数据对多分辨率正弦神经网络模型进行训练，得到训练好的多分辨率正弦神经网络模型；
44、监测模块，用于利用所述训练好的多分辨率正弦神经网络模型对待监测对象进行变化监测。
45、进一步的，数据处理模块，用于对所述第一遥感影像数据进行第一处理，生成变化样本矢量数据包括：
46、对前时相遥感影像数据进行第一分割处理；
47、根据所述第一分割处理的结果对后时相遥感影像数据进行第二分割处理，以使得所述前时相遥感影像数据和后时相遥感影像数据中非变化区域的边界一致。
48、综上所述，本专利技术实施例提供了一种多分辨率正弦神经网络模型变化监测方法及一体化系统，该方法包括：取被监测对象的第一遥感影像数据，所述第一遥感影像数据包括前时相遥感影像数据和后时相遥感影像数据；对所述第一遥感影像数据进行第一处理，生成变化样本矢量数据；将所述变化样本矢量数据与第一遥感影像数据进行匹配，得到训练样本数据；利用所述训练样本数据对多分辨率正弦神经网络模型进行训练，得到训练好的多分辨率正弦神经网络模型；利用所述训练好的多分辨率正弦神经网络模型对待监测对象进行变化监测。本专利技术实施例提供的技术方案，采用多特征、多分辨率变化监测样本，基于面向对象分割对数据样本进行处理，以及采用多分辨率正弦神经网络模型及特定的训练方法，得到用于监测对象数据变化的多分辨率正弦神经网络模型，可以完善人类活动地类在各特征、各分辨率影像中的参数，提高了监测的准确性、可靠性和适用性。
本文档来自技高网...【技术保护点】
1.一种多分辨率正弦神经网络模型变化监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一处理包括：
3.根据权利要求2所述的方法，其特征在于，所述第二分割处理包括：
4.根据权利要求3所述的方法，其特征在于，所述异质性参数根据以下公式计算：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述多分辨率正弦神经网络模型至少包括输入层、线性层、控制层和输出层；
7.根据权利要求1所述的方法，其特征在于，将所述变化样本矢量数据与第一遥感影像数据进行匹配，得到训练样本数据，包括：
8.根据权利要求1所述的方法，其特征在于，所述训练包括：
9.一种采用多分辨率正弦神经网络模型变化监测方法进行监测的一体化系统，其特征在于，所述系统包括：
10.根据权利要求9所述的系统，其特征在于，数据处理模块，用于对所述第一遥感影像数据进行第一处理，生成变化样本矢量数据包括：
【技术特征摘要】
1.一种多分辨率正弦神经网络模型变化监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一处理包括：
3.根据权利要求2所述的方法，其特征在于，所述第二分割处理包括：
4.根据权利要求3所述的方法，其特征在于，所述异质性参数根据以下公式计算：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述多分辨率正弦神经网络模型至少包括输...
【专利技术属性】
技术研发人员：蔡明勇，张新胜，高吉喜，申文明，刘思含，赵永鹏，邰文飞，龙飞，王丽霞，张丹，
申请(专利权)人：生态环境部卫星环境应用中心，
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。