【技术实现步骤摘要】
本专利技术属于计算机视觉，涉及一种基于卷积网络时空融合的遥感图像作物分类方法。
技术介绍
1、农作物空间分布信息是农业生产管理、农作物产量估算以及农业土地结构调整等的重要基础数据。传统实地调研方法的周期长、成本高，其获取的农作物种植面积信息存在较高的不确定性和时间滞后性。及时、准确地掌握农作物空间分布信息对于调整农作物种植结构、制定农业生产布局方案、推进水土资源高效利用等具有重要意义。由于研究区域范围过大，种植结构的空间分布通过人工调查等传统手段往往难以获取。准确有效地提取作物种植结构，分析和揭示作物的时空分布特征，可以为作物种植结构调整、区域农业资源的优化管理和分配提供参考。
2、自深度学习出现，卷积神经网络就被应用于遥感影像的作物分类。卷积神经网络是一种深度学习模型，专门设计用于处理图像数据。在遥感图像作物分类中，cnn的应用使得系统能够自动地从大规模的图像数据中学习特征，而不需要手工设计特征提取器。通过多层卷积和池化层，cnn可以捕捉到图像中的空间信息，如纹理、形状和结构，这对于识别不同类型的农田和作物非常有帮助。随着深度学习技术的不断进步，卷积神经网络的性能在遥感图像作物分类任务中不断提高，为高效的农业监测和资源管理提供了有力支持。同时，作物生长特征在不同季节和年份会发生显著变化，因此，时间序列数据对于作物分类和监测非常关键。时序遥感数据集合了多个时间点的图像，这些信息有助于捕捉作物生长、病虫害传播以及收获等过程。时序卷积可以帮助模型提取时间变化的局部特征，通过时序卷积，模型可以提取不同时间节点的特征模式。与
3、但是，目前未见将上述所有技术全部融合到一个深度学习模型中来解决提高作物分类精度的应用。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于卷积网络时空融合的遥感图像作物分类方法，应用深度学习方法来提高作物分类的精度，具体是使用语义分割的空间特征编码器获取图像的空间纹理信息，然后在时间序列维度上使用残差一维卷积块提取局部时序特征，再结合注意力机制的全局特征建模能力充分融合时序特征。利用这种特征提取网络可以充分提取遥感图像中的作物关键特征，从而提高作物分类的准确度。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于卷积网络时空融合的遥感图像作物分类方法，使用语义分割的空间特征编码器提取空间特征；接着，对不同尺度的空间特征应用时序卷积模块来提取时序特征，其中，时序卷积模块包括一维卷积层、relu激活函数和dropout层，形成残差结构；然后，通过注意力机制融合全局时序信息，以更好地识别作物特征；最后，将不同尺度的特征图输入到解码器中，还原特征到原始分辨率，最终生成作物分类结果；
4、该方法具体包括以下步骤：
5、s1：获取原始图像信息并进行裁剪；
6、s2：空间特征编码：将裁剪后的原始图像通过一个语义分割的空间特征编码器，获得多个不同缩放尺度的空间特征图；
7、s3：时序卷积模块局部时序特征编码：对步骤s2获得的不同缩放尺度的空间特征使用时序卷积模块来提取时序特征；
8、s4：注意力机制全局时序信息融合：对于经过空间特征编码器和时序卷积模块之后的图像特征，使用注意力机制来融合整个时间序列的信息，这样模型能够同时获取时序上通过卷积操作映射的局部特征和注意力机制运算生成的全局特征；
9、s5：对不同缩放尺度的时空融合特征图进行解码。
10、进一步，步骤s2中，所述空间特征编码器是将不同时间点的遥感图像通过卷积映射为特征向量，将图像经过不同的二维的卷积核可以充分提取原始图像的空间纹理特征，通过调节卷积核的大小和步长可以获取不同分辨率的空间特征图，这样经过不断的调整卷积核大小和步长可以获得多个不同缩放尺度的空间特征图，即充分提取遥感图像各个尺度的空间信息。
11、进一步，步骤s3中，所述时序卷积模块具体包括：首先需要使用时序卷积对对步骤s2获得的不同缩放尺度的空间特征进行充分的特征预提取，在时间维度上的卷积操作同样可以通过设置一维卷积核的大小和步长来对时序特征进行提取，通过设置三组不同大小的卷积核来组成一个卷积块，设置卷积块的步长在高维和低维产生不同的编码特征，使用残差连接来组合这些残差块，这样使得不同时序的图像在时间维度上有一个局部的融合特征提取。
12、进一步，步骤s3中，所述时序卷积模块的构建步骤为：
13、1)构建一维卷积模块，这个卷积模块主要包括一维卷积层、relu激活函数和dropout；
14、2)在每一个层传播中引入残差连接，使得模块泛化性更强；
15、3)在经过每一个残差块的时候不改变特征的形状，这使得残差块可以根据需要而选择叠加块数量。
16、进一步，步骤s4中，所述注意力机制的运用主要是使用一个全局的查询query与时间序列上的所有特征点乘，通过点乘运算计算query与各个时间维度的相似度，最终可以获取各个时间维度的特征在全部时间维度的注意力分数，根据注意力分数的大小对不同时间节点分配不同的权重，最后将这组权重与经过时序卷积处理的特征相乘得到融合了全局注意力的特征图，即不同缩放尺度下的时空融合特征图。
17、进一步，步骤s5中，解码的步骤主要是语义分割的空间特征编码器的解码操作，结合转置卷积和卷积运算的上采样方法，可以将低分辨率的大尺度特征图采样到更高分辨率的特征空间上，将上采样之后的特征图与高分辨率的特征图融合，最终将特征图恢复到原始分辨率，最后通过激活函数得到输出结果图。
18、本专利技术的有益效果在于：本专利技术将语义分割特征编码器，时序卷积，注意力机制结合起来，全面融合了空间信息、局部和全局时序信息，从而提高遥感图像作物分类的精确性。
19、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于卷积网络时空融合的遥感图像作物分类方法，其特征在于，该方法具体包括以下步骤：
2.根据权利要求1所述的遥感图像作物分类方法，其特征在于，步骤S2中，所述空间特征编码器是将不同时间点的遥感图像通过卷积映射为特征向量，将图像经过不同的二维的卷积核充分提取原始图像的空间纹理特征，通过调节卷积核的大小和步长获取不同分辨率的空间特征图，这样经过不断的调整卷积核大小和步长获得多个不同缩放尺度的空间特征图。
3.根据权利要求1所述的遥感图像作物分类方法，其特征在于，步骤S3中，所述时序卷积模块具体包括：首先使用时序卷积对对步骤S2获得的不同缩放尺度的空间特征进行充分的特征预提取，在时间维度上的卷积操作通过设置一维卷积核的大小和步长来对时序特征进行提取，通过设置三组不同大小的卷积核来组成一个卷积块，设置卷积块的步长在高维和低维产生不同的编码特征，使用残差连接来组合残差块，这样使得不同时序的图像在时间维度上有一个局部的融合特征提取。
4.根据权利要求3所述的遥感图像作物分类方法，其特征在于，步骤S3中，所述时序卷积模块的构建步骤为：
5.
6.根据权利要求1所述的遥感图像作物分类方法，其特征在于，步骤S5中，解码的步骤是语义分割的空间特征编码器的解码操作，结合转置卷积和卷积运算的上采样方法，将低分辨率的大尺度特征图采样到高分辨率的特征空间上，将上采样之后的特征图与高分辨率的特征图融合，最终将特征图恢复到原始分辨率，最后通过激活函数得到输出结果图。
...【技术特征摘要】
1.一种基于卷积网络时空融合的遥感图像作物分类方法，其特征在于，该方法具体包括以下步骤：
2.根据权利要求1所述的遥感图像作物分类方法，其特征在于，步骤s2中，所述空间特征编码器是将不同时间点的遥感图像通过卷积映射为特征向量，将图像经过不同的二维的卷积核充分提取原始图像的空间纹理特征，通过调节卷积核的大小和步长获取不同分辨率的空间特征图，这样经过不断的调整卷积核大小和步长获得多个不同缩放尺度的空间特征图。
3.根据权利要求1所述的遥感图像作物分类方法，其特征在于，步骤s3中，所述时序卷积模块具体包括：首先使用时序卷积对对步骤s2获得的不同缩放尺度的空间特征进行充分的特征预提取，在时间维度上的卷积操作通过设置一维卷积核的大小和步长来对时序特征进行提取，通过设置三组不同大小的卷积核来组成一个卷积块，设置卷积块的步长在高维和低维产生不同的编码特征，使用残差连接来组合残差块，这样使得不同时序的图像在时间维度上有一个局部的融合特征提...
【专利技术属性】
技术研发人员：袁正午，陈望，杨爱霞，徐发鹏，
申请(专利权)人：重庆邮电大学，
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。