【技术实现步骤摘要】
本专利技术属于遥感影像处理，具体涉及一种高分辨率遥感影像的全要素地物分类方法。
技术介绍
1、随着深度学习在遥感影像解译中的快速发展，深度学习方法已经广泛应用于全要素地物分类任务中。相关学者开发了优秀的深度学习网络，无论是提取精度或视觉效果，相比于传统的机器学习方法，均有了较大的提升。然而，由于高分辨率遥感影像包含大量的地面物体信息，呈现出多样性和复杂性，且类内方差较大和类间方差较小，类别区分度低，这些特点使得语义分割较为困难，因此单一的深度学习网络地物分类，容易造成边界不准确，同类地物错分的问题，同时，某些现有算法只能实现目标的对象分割，而无法识别目标的语义类别。综上所述，在基于光学遥感影像的地物分类任务中，以往的自动分类方法仍存在地物提取边界不精确、同类地物容易产生错误检测等问题，距离理想的全自动分类精度需求仍然存在较大的提升空间。
技术实现思路
1、有鉴于此，本专利技术提供了一种高分辨率遥感影像的全要素地物分类方法，实现了遥感影像全要素地物分类，能够准确获得影像的边界信息和类别信息，从而达到理想的地物分类效果。
2、本专利技术提供的一种高分辨率遥感影像的全要素地物分类方法，包括以下步骤：
3、获取目标区域全年高分辨率遥感影像建立样本集，对样本进行第一预处理得到第一样本集；
4、采用第一样本集对基于深度学习的图像分割模型进行预训练，补充高分辨率遥感影像采用训练标注迭代过程组成数据引擎完成基于深度学习的图像分割模型的二次训练，将得到的子图、特征
5、将第二样本集划分为对应四个季节目标区域的四组子样本集，采用四组子样本集完成基于深度可分离卷积的特征提取模型的训练；
6、对待分类高分辨率遥感影像进行预处理后输入基于深度学习的图像分割模型得到第一特征，再将待分类高分辨率遥感影像输入基于深度可分离卷积的特征提取模型得到第二特征；
7、融合第一特征和第二特征，确定待分类高分辨率遥感影像中各像素点的类别完成地物分类。
8、进一步地，所述获取目标区域全年高分辨率遥感影像建立样本集，对样本进行第一预处理得到第一样本集，包括：
9、从地理信息系统平台上获取目标区域的多个全年的历史高分辨率遥感影像；对高分辨率遥感影像进行数据增强处理，再进行归一化处理，得到第一样本集。
10、进一步地，所述采用第一样本集对基于深度学习的图像分割模型进行预训练，补充高分辨率遥感影像采用训练标注迭代过程组成数据引擎完成基于深度学习的图像分割模型的二次训练，将得到的子图及标签作为第二样本集，包括：
11、采用第一样本集完成基于深度学习的图像分割模型中图像分类模型的预训练，将预训练得到的图像分类模型作为编码器的初始权重；
12、使用手动标注补充高分辨率遥感影像样本，预先填充掩膜，再使用注释器以交互式的方式注释未填充的部分，形成高分辨率遥感影像样本，完成基于深度学习的图像分割模型的最终训练，采集训练结果得到分割后的子图和标签，以此作为第二样本集。
13、进一步地，所述手动标注采用交互式标注工具实现。
14、进一步地，所述将第二样本集划分为对应四个季节目标区域的四组子样本集，采用四组子样本集完成基于深度可分离卷积的特征提取模型的训练，包括：
15、根据季节标签将第二样本集划分为四组子样本集，四组子样本集分别对应四个季节目标区域；
16、所述基于深度可分离卷积的特征提取模型包含四个子特征提取模型，每个子特征提取模型分别用于处理一个特定季节的高分辨率遥感影像；
17、采用四组子样本集完成与之对应的子特征提取模型的训练。
18、进一步地，所述子特征提取模型包含自注意力计算网络和深度可分离卷积网络。
19、进一步地，所述对待分类高分辨率遥感影像进行预处理后输入基于深度学习的图像分割模型得到第一特征，包括：
20、将完成预处理的待分类高分辨率遥感影像进行图像编码提取图像嵌入，再使用卷积嵌入提示，最后根据图像嵌入、提示嵌入和token预测掩码，以掩码作为第一特征。
21、进一步地，所述对待分类高分辨率遥感影像进行预处理后输入基于深度学习的图像分割模型得到第一特征，再将待分类高分辨率遥感影像输入基于深度可分离卷积的特征提取模型得到第二特征，包括：
22、将完成预处理的待分类高分辨率遥感影像进行图像编码提取图像嵌入，再使用卷积嵌入提示，最后根据图像嵌入、提示嵌入和token预测掩码，同时获取待分类高分辨率遥感影像的季节标签，由掩码和季节标签共同组成第一特征；根据第一特征中的季节标签再将待分类高分辨率遥感影像输入基于深度可分离卷积的特征提取模型得到第二特征。
23、进一步地，所述融合第一特征和第二特征，确定待分类高分辨率遥感影像中各像素点的类别完成地物分类，包括：
24、确定进行最大投票的图像区域或像素点；对于每个图像区域或像素点，使用固定大小的窗口确定周围像素点，统计每个周围像素点的像素值出现的次数；选择出现次数最多的像素值作为最终结果，再将最终结果应用到图像区域或像素点中作为最终的图像处理结果。
25、进一步地，所述对待分类高分辨率遥感影像进行预处理后输入基于深度学习的图像分割模型得到第一特征，再将待分类高分辨率遥感影像输入基于深度可分离卷积的特征提取模型得到第二特征，包括：
26、选取待分类高分辨率遥感影像相同目标区域的历史全年高分辨率遥感影像样本作为参考影像，将待分类高分辨率遥感影像及参考影像均进行预处理后输入基于深度学习的图像分割模型得到一组第一特征，其中待分类高分辨率遥感影像对应的第一特征记为首要第一特征；根据第一特征中的季节标签再将待分类高分辨率遥感影像输入基于深度可分离卷积的特征提取模型，得到一组第二特征，其中待分类高分辨率遥感影像对应的第二特征记为首要第二特征；
27、将所述一组第二特征分别对应的特征图融合为总特征图，再采用纹理特征提取方式从所述总特征图中提取特征，根据提取到的特征计算总特征图的异常度，得到每个特征图的异常度，若首要第二特征对应的特征图正常则保留首要第二特征，否则删除第二特征重新执行将待分类高分辨率遥感影像输入基于深度可分离卷积的特征提取模型得到第二特征的过程。
28、有益效果：
29、本专利技术通过获取全年高分辨率遥感影像建立样本集，采用样本集及训练标注迭代方式完成基于深度学习的图像分割模型的训练，通过基于深度学习的图像分割模型在分割图像的同时获取了更细粒度的语义类别，尽可能的保留了影响的全要素信息从而保证了地物提取边界的精确性，在此基础上采用由基于深度学习的图像分割模型处理得到的数据完成基于深度可分离卷积的特征提取模型的训练提高了训练精度，最后将由基于深度学习的图像分割模型得到的第一特征与基于深度可分离卷积的特征提取模型得到的第二特征融合确定待分类高分辨率遥感影像的类型，进一步提高了地物分类精本文档来自技高网...
【技术保护点】
1.一种高分辨率遥感影像的全要素地物分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述获取目标区域全年高分辨率遥感影像建立样本集，对样本进行第一预处理得到第一样本集，包括：
3.根据权利要求1所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述采用第一样本集对基于深度学习的图像分割模型进行预训练，补充高分辨率遥感影像采用训练标注迭代过程组成数据引擎完成基于深度学习的图像分割模型的二次训练，将得到的子图及标签作为第二样本集，包括：
4.根据权利要求3所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述手动标注采用交互式标注工具实现。
5.根据权利要求1所述的全要素地物分类方法，其特征在于，所述将第二样本集划分为对应四个季节目标区域的四组子样本集，采用四组子样本集完成基于深度可分离卷积的特征提取模型的训练，包括：
6.根据权利要求5所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述子特征提取模型包含自注意力计算网络和深
7.根据权利要求1所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述对待分类高分辨率遥感影像进行预处理后输入基于深度学习的图像分割模型得到第一特征，包括：
8.根据权利要求6所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述对待分类高分辨率遥感影像进行预处理后输入基于深度学习的图像分割模型得到第一特征，再将待分类高分辨率遥感影像输入基于深度可分离卷积的特征提取模型得到第二特征，包括：
9.根据权利要求6所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述融合第一特征和第二特征，确定待分类高分辨率遥感影像中各像素点的类别完成地物分类，包括：
10.根据权利要求8所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述对待分类高分辨率遥感影像进行预处理后输入基于深度学习的图像分割模型得到第一特征，再将待分类高分辨率遥感影像输入基于深度可分离卷积的特征提取模型得到第二特征，包括：
...【技术特征摘要】
1.一种高分辨率遥感影像的全要素地物分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述获取目标区域全年高分辨率遥感影像建立样本集，对样本进行第一预处理得到第一样本集，包括：
3.根据权利要求1所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述采用第一样本集对基于深度学习的图像分割模型进行预训练，补充高分辨率遥感影像采用训练标注迭代过程组成数据引擎完成基于深度学习的图像分割模型的二次训练，将得到的子图及标签作为第二样本集，包括：
4.根据权利要求3所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在于，所述手动标注采用交互式标注工具实现。
5.根据权利要求1所述的全要素地物分类方法，其特征在于，所述将第二样本集划分为对应四个季节目标区域的四组子样本集，采用四组子样本集完成基于深度可分离卷积的特征提取模型的训练，包括：
6.根据权利要求5所述的一种高分辨率遥感影像的全要素地物分类方法，其特征在...
【专利技术属性】
技术研发人员：王志盼，罗青青，宋海军，许日林，赵俊峰，刘秀，杨伟民，李志飞，周毅，陈林枫，李艺，
申请(专利权)人：湖南星图空间信息技术有限公司，
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。