一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法技术

本发明专利技术公开了一种基于地物依赖关系的语义

【技术实现步骤摘要】
一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法


[0001]本专利技术涉及遥感影像分类
，具体涉及一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法。

技术介绍

[0002]土地利用信息与人类生存发展、生态环境演变等息息相关，长期以来都是全球关注的热点和核心领域。在城市规划、精准农业、国土空间规划、土地资源调查、农林牧渔监测等政府决策、科学研究和生产生活各方面都具有重要价值。随着航天遥感技术的快速发展，遥感影像成为获取土地利用信息的主要来源。通过遥感影像解译，可以实现快速、准确、大规模的地表测绘，比人工野外测量效率高很多，因此如何基于遥感影像实现土地利用的自动分类成为研究热点问题。
[0003]迄今为止，国内外研究人员对高分辨率遥感影像的土地利用分类进行了广泛的研究。最初分类算法通过光谱和空间
‑
光谱特征来读取图像的内容，例如文献：Myint S W,Gober P,Brazel A,et al.“Per
‑
pixel vs.object
‑
based classification of urban land cover extraction using high spatial resolution imagery[J]”.Remote sensing of environment,2011,115(5):1145
‑
1161.证明了上述观点。但由于高分辨率图像的信息非常详细，存在不同土地类别之间差异小，同一土地类别之间差异大的现象，使得这些传统特征难以准确描述地物的性质，文献：Zhao B,Zhong Y,Xia G S,et al.“Dirichlet
‑
derived multiple topic scene classification model for high spatial resolution remote sensing imagery[J]”.IEEE Transactions on Geoscience and Remote Sensing,2015,54(4):2108
‑
2123.以及Zhong Y,Wu S,Zhao B.“Scene semantic understanding based on the spatial context relations of multiple objects[J]”.Remote Sensing,2017,9(10):1030.都证明了该表述。同时研究表明，高分辨率遥感图像的语义信息可以极大地提高分类性能，文献：Yu H,Yang W,Xia G S,et al.“A color
‑
texture
‑
structure descriptor for high
‑
resolution satellite image classification[J]”.Remote Sensing,2016,8(3):259.证明了上述观点。近年来，智能计算技术迅速发展，以卷积神经网络(Convolutional neural network,CNN)为代表的深度学习技术备受关注，它可以自适应地从数据中学习高级语义特征，以其强大的辨别能力、特征提取能力在遥感智能解译领域取得了较大的进展，文献：S.Hao,W.Wang,Y.Ye,et al.“Two
‑
stream deep architecture for hyperspectral image classification[J]”,IEEE Transactions on Geoscience and Remote Sensing,2018,56(4):2349
‑
2361.和W.Zhao,S.Du,“Spectral
–
spatial feature extraction for hyper
‑
spectral image classification:A dimension reduction and deep learning approach[J]”,IEEE Transactions on Geoscience and Remote Sensing.2016,54(8):4544
‑
4554.均证明了以上表述。然而空间分辨率的逐渐提高所带来的细节性和结构性信息在实际应用中未得到充
分考虑，难以实现土地利用准确分类。大量的研究表明，仅依靠单一的深度模型难以获取影像局部
‑
全局土地利用类别的特征信息，传统卷积神经网络受限于固定的感受野，使其对于整个影像的全局信息处理不够充分，只能对影像的局部特征进行提取，而对于全局的上下文信息理解不足，特别是当影像区域地物分布和几何外观复杂时，误分类情况显著，文献：LeCun Y,Bengio Y,Hinton G.“Deep learning[J]”.nature,2015,521(7553):436
‑
444.和Zeiler M D,Fergus R.“Visualizing and understanding convolutional networks[C]”//European conference on computer vision.Springer,Cham,2014:818
‑
833.证明了上述观点。
[0004]同时，高分辨率遥感影像中“同物异谱”和“异物同谱”现象的存在增加了分类难度。丰富的细节信息虽然可以清晰地描述地物特性，但也增加了土地利用类型识别的难度。传统深度卷积神经网络可以学习高级语义特征，提取地物的本质属性，但容易忽略地物间的依赖关系，而此类空间信息通常是描述高分影像中土地利用类别必不可少的，导致深度卷积神经网络的特征判别能力容易受到同类差异和类间混淆的影响，文献：Y.Xu,J.Du,J.Shi,“Endmember classes determination using spectral similarity analysis for MODIS reflectance channels[J]”.IEEE Geosci.Remote Sens.Symp.,Jul.2014,pp.2989
–
2992.和Y.Wang,D.Yu,S.Ji,Q.Cheng,at el,“The joint spatial and radiometric transformer for remote sensing image retrieval[J]”.Photogramm.,Remote Sens.Spatial Inf.Sci.,vol.XLIII
‑
B3
‑
2020,227
–
231,Aug.2020.都证明了上述观点。
[0005]针对上述问题，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法，其特征在于：包括语义
‑
空间融合异构卷积神经网络(FSSC
‑
GCN)，所述语义
‑
空间融合异构卷积神经网络(FSSC
‑
GCN)包括基于像素的地物语义信息提取分支(PSEB)、基于超像素的空间依赖关系提取分支(SSDEB)和语义
‑
空间融合模块(SSFM)，语义
‑
空间特征信息融合模块(SSFM)将地物语义信息提取分支(PSEB)、空间依赖关系提取分支(SSDEB)通过多头注意力机制模块(MAB)进行特征加权实现融合；所述基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法，包括以下步骤：步骤S1:设计基于像素的地物语义信息提取分支(PSEB)：所述地物语义信息提取分支(PSEB)是基于卷积神经网络，可以自适应地捕获局部和全局语义信息用于土地利用分类，地物语义信息提取分支(PSEB)包括四个块，其中每一块包含卷积层、归一化层和激活函数，在卷积层后加入批处理标准化(BN)层，加快模型拟合速度，还可以避免过拟合现象，并使用ReLu激活函数，有效地避免梯度爆炸或消失，使网络训练更快；步骤S2、设计基于超像素的空间依赖关系提取分支(SSDEB)：空间依赖关系提取分支(SSDEB)设计了构造依赖关系的图形编码器，利用GATConv测算节点之间多跳的依赖关系，生成加权邻接矩阵描述地物间依赖程度，最后利用图卷积网络实现利用影像中地物间的空间信息，有利于提高模型的分类精度；步骤S3、构建语义
‑
空间融合模块(SSFM)：所述步骤S3通过引入多头注意力机制模块(MAB)选择性地加权分类过程中每个阶段的语义和空间特征的贡献；语义
‑
空间融合模块(SSFM)的目标在于融合步骤S1和步骤S2中不同分支提取的特征，以充分利用影像信息，实现在土地利用分类任务中带来更好的模型性能和更高的准确性；步骤S4、利用数据集验证和对比模型的方法：对上述步骤提出的语义
‑
空间融合异构卷积神经网络(FSSC
‑
GCN)进行比较验证，用于验证所提方法在复杂的土地利用分类场景下突出性能。2.根据权利要求1所述的基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法，其特征在于：所述步骤S2具体步骤为：基于超像素的空间依赖关系提取分支(SSDEB)提出基于超像素的空间依赖关系提取分支(SSDEB)，基于超像素的空间依赖关系提取分支(SSDEB)用于提取遥感影像地物间依赖关系；首先利用超像素分割方法将影响划分为具有相似光谱特征的对象。超像素分割方法用于初始超像素生成；从不同的物体中提取几何特征，通过捕获物体的一阶邻域构造图中的初始边，边的权重可以看作是依赖的强度；并将物体的光谱和几何特征作为初始节点属性；根据径向基函数定义图的邻接矩阵：式中，参数σ是径向基的半径，向量x
i
和x
j
表示与顶点V
i
和V
j
相关联的光谱特征。然后对邻接矩阵A进行归一化，得到归一化邻接矩阵避免GCN偏向度较大的节点而忽略节点中
携带的信息的问题；基于邻接矩阵和A，使用D＝diag(d1，d2，...，d
N
)定义节点度矩阵，其中节点i度为d
i
＝∑
j
a
ij
；即该元素连接其他元素的个数；因此，拉普拉斯矩阵L＝D
‑
A；为了增强图卷积网络对拓扑图形的泛化能力采用归一化拉普拉斯矩阵L
sym
＝I
‑
D
‑
1/2
LD
‑
1/2
用于图卷积操作；此外，L
sym
的标准化技巧：其中，和分别为归一化的度矩阵和归一化邻接矩阵；一层GCN只对近邻信息进行编码，而L层GCN可以聚合l阶邻域；图给出了GCN层的示例；对于L层GCNs，节点i可以获得L种表示；节点i在l层GCNs的表示为节点i在l层GCNs的表示为其中，W
(l)
，b

【专利技术属性】
技术研发人员：赫晓慧，程淅杰，乔梦佳，李盼乐，常蓬，高亚军，刘飞，田智慧，
申请(专利权)人：郑州大学，
类型：发明
国别省市：