一种基于深度特征融合模型的矿区土地覆盖分类方法技术

本发明专利技术提供了一种基于深度特征融合模型的矿区土地覆盖分类方法，包括：获取标定矿区的遥感数据，从标定矿区的遥感数据中提取多模态数据，其中，多模态数据包括多光谱影像和数字高程模型数据；基于多模态数据提取多模态浅层特征，使用深度置信模型处理多模态浅层特征获得多模态深度特征；使用第一深层模型处理多光谱影像的像元邻域获得深层光谱

【技术实现步骤摘要】
一种基于深度特征融合模型的矿区土地覆盖分类方法


[0001]本专利技术涉及遥感影像分类领域，具体而言，涉及一种基于深度特征融合模型的矿区土地覆盖分类方法。

技术介绍

[0002]开展矿区土地覆盖精细分类研究，对于矿区的精细化管理、矿区生态环境监测与可持续发展等具有重要意义。在复杂的露天采矿景观中，特定于景观的部分特征限制了算法的准确性。例如矿区的复杂景观特点如立体地形特征显著、光谱
‑
空间特征同质性强和遥感特征时空变异性强，严重制约了土地覆盖分类精度的提升。基于特征工程和传统机器学习分类器的方法在各种遥感分类中取得了一定的成功，但浅层人工设计特征的表示能力不足，限制了其开展分类的精度上限。

技术实现思路

[0003]本专利技术解决的问题是如何针对矿区典型特征以提高土地覆盖分类精度。
[0004]为解决上述问题，本专利技术提供一种基于深度特征融合模型的矿区土地覆盖分类方法，所述深度特征融合模型包括第一深层模型、第二深层模型、深度置信模型和分类器，所述基于深度特征融合模型的矿区土地覆盖分类方法包括：获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据；基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征；使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱
‑
空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征；融合所述多模态深度特征、所述深层光谱
‑
空间特征以及所述深层地形特征输入所述分类器，获得分类结果。
[0005]相对于现有技术，本专利技术通过多光谱影像和数字高程模型数据，获得浅层光谱
‑
空间特征以及浅层地形特征；再通过浅层地形特征与深度置信模型获得深度特征，使获得的深度特征更具有准确性，在缺少或没有先验知识的情况下获得鲁棒性更强的特征数据；通过第一深层模型和第二深层模型分别处理多光谱影像和数字高程模型数据的像元邻域，获得深度光谱
‑
空间特征和深度地形特征，结合了遥感数据中光谱空间与地形及其相邻区域的关联性的特征，保证提取到的特征具有更好的准确性，使分类模型输出的分类结果更加具有鲁棒性；将基于无监督学习获得的深度特征和基于深层模型获得的深层特征相结合，保证发挥各自的优势，提高最终分类模型的鲁棒性，不会被复杂的遥感图像干扰。
[0006]可选地，所述基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征包括：使用所述多模态数据提取所述多模态浅层特征，其中，所述多模态浅层特征包括浅层光谱
‑
空间特征和浅层地形特征；将所述浅层光谱
‑
空间特征与所述浅层地形特征通过向量串联的方式堆叠，获得浅层堆叠特征；基于所述深度置信模型处理所述浅层堆叠特征
获得所述多模态深度特征。
[0007]由此，通过向量串联的方式对浅层特征进行堆叠，然后使用深度置信网络模型进行深度特征的提取，可以保证充分利用深度置信网络模型算法的优点，在缺少先验知识或不使用先验知识的情况下自动获取潜藏在数据中难以解读的高层信息，输出的信息对数据有一定的表征作用。
[0008]可选地，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱
‑
空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征之前，还包括：获取所述遥感数据的地物类型及数据尺寸；根据所述地物类型和所述数据尺寸获得所述像元邻域的大小。
[0009]由此，遥感数据的地物类型会影响遥感数据像元与其邻域的相关程度，遥感图像的尺寸会影响在实际分类时遥感数据的像元及其邻域的权重大小，故基于遥感数据的地物类型与尺寸，设置像元邻域的取值，基于地物在空间分布的连续性，保证使输出的深层光谱
‑
空间特征与深层地形特征更加准确。
[0010]可选地，所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱
‑
空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征包括：基于所述多光谱影像的像元及其对应的所述像元邻域的大小，提取第一数据，基于所述数字高程模型数据的像元及其对应的所述像元邻域的大小，获得第二数据；使用所述第一深层模型处理所述第一数据获得所述深层光谱
‑
空间特征，使用所述第二深层模型处理所述第二数据获得所述深层地形特征。
[0011]由此，通过确定像元邻域的大小，基于深层模型处理数据获得深层光谱
‑
空间特征和深层地形特征，可以获得更准确的深层特征数据，增加分类模型的鲁棒性。
[0012]可选地，所述融合所述多模态深度特征、所述深层光谱
‑
空间特征以及所述深层地形特征输入分类器，获得分类结果包括：使用特征堆叠的方式进行融合，所述特征堆叠包括将所述多模态深度特征、所述深层光谱
‑
空间特征以及所述深层地形特征进行向量串联，作为全连接层的输入，通过所述分类器处理所述全连接层获得所述分类结果。
[0013]由此，将三种特征进行向量串联，形成全连接层，使用此特征进行后续的分类，可以充分利用卷积神经网络与深度置信网络模型的优点，可以获得准确度和鲁棒性更高的分类模型。
[0014]可选地，所述多模态浅层特征包括：浅层光谱
‑
空间特征和浅层地形特征，其中，所述浅层光谱
‑
空间特征包括表示光谱波段的光谱特征、表示光谱波段的第一主成分特征和第二主成分特征以及归一化植被指数的植被特征，所述浅层地形特征包括DTM、坡度特征和坡向特征。
[0015]由此，通过光谱特征、第一和第二主成分特征、归一化植被指数、DTM、坡度特征和坡向特征，可以为后续分类提供更可靠的数据，增加分类模型的鲁棒性。
[0016]可选地，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱
‑
空间特征之前，包括：获取多光谱影像训练集、数字高程模型数据训练集；通过所述多光谱影像训练集
训练第一卷积神经网络获得所述第一深层模型，通过所述数字高程模型数据训练集训练第二卷积神经网络获得所述第二深层模型。
[0017]由此，使用多光谱影像训练集对第一卷积神经网络进行训练，并基于训练结果进行微调，获得第一深层模型，可以在有先验知识的条件下，获得更准确的深层光谱
‑
空间特征；使用数字高程模型数据训练集训练第二卷积神经网络，并基于训练结果进行微调，获得第二深层模型，可以在有先验知识的条件下，获得更准确的深层地形特征，且使用多光谱影像与数字高程模型数据分别独立训练各自的卷积神经网络，可以在有先验知识的情况下获得具有针对性提取特征的网络。
[0018]另一方面，本专利技术还提出一种基于深度特征融合模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述深度特征融合模型包括第一深层模型、第二深层模型、深度置信模型和分类器，所述基于深度特征融合模型的矿区土地覆盖分类方法包括：获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据；基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征；使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱
‑
空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征；融合所述多模态深度特征、所述深层光谱
‑
空间特征以及所述深层地形特征输入所述分类器，获得分类结果。2.根据权利要求1所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征包括：使用所述多模态数据提取所述多模态浅层特征，其中，所述多模态浅层特征包括浅层光谱
‑
空间特征和浅层地形特征；将所述浅层光谱
‑
空间特征与所述浅层地形特征通过向量串联的方式堆叠，获得浅层堆叠特征；基于所述深度置信模型处理所述浅层堆叠特征获得所述多模态深度特征。3.根据权利要求2所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱
‑
空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征之前，还包括：获取所述遥感数据的地物类型及数据尺寸；根据所述地物类型和所述数据尺寸获得所述像元邻域的大小。4.根据权利要求3所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱
‑
空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征包括：基于所述多光谱影像的像元及其对应的所述像元邻域的大小，提取第一数据，基于所述数字高程模型数据的像元及其对应的所述像元邻域的大小，获得第二数据；使用所述第一深层模型处理所述第一数据获得所述深层光谱
‑
空间特征，使用所述第二深层模型处理所述第二数据获得所述深层地形特征。5.根据权利要求4所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述融合所述多模...

【专利技术属性】
技术研发人员：杨静，秦艳艳，李显巨，胡学彤，
申请(专利权)人：宁夏回族自治区地球物理地球化学调查院，
类型：发明
国别省市：