【技术实现步骤摘要】
本专利技术涉及图像处理领域，具体而言，涉及一种土地覆盖特征提取方法、装置、电子设备及存储介质。
技术介绍
1、多标签遥感土地覆盖场景分类是指对遥感图像中的土地覆盖类型进行多个标签的分类任务，能够识别出输入的遥感图像对应的多个土地覆盖类型，更全面地描述遥感图像所代表的场景。在多标签遥感土地覆盖场景分类中，在遥感图像中提取的土地覆盖特征的质量是影响该遥感图像对应的多标签遥感土地覆盖场景分类的分类结果准确性的重要因素。
2、由于遥感图像中存在多种覆盖类型和复杂的地貌特征会对特征产生遮挡或干扰，导致提取的土地覆盖特征不全面，使得多标签遥感土地覆盖场景分类的分类结果的准确性较低。
技术实现思路
1、本专利技术解决的问题是相关技术中提取的土地覆盖特征不全面，使得多标签遥感土地覆盖场景分类的分类结果的准确性较低的问题。
2、为解决上述问题，本专利技术提供了一种土地覆盖特征提取方法，该方法包括：获取目标图像的第一超像素场景图与初始特征图，其中，所述初始特征图包括底层特征图和中层特征图；根据所述第一超像素场景图与所述中层特征图得到超像素特征图，并通过图卷积神经网络对所述底层特征图进行卷积处理，得到目标底层特征图；将所述目标底层特征图和所述超像素特征图进行元路径融合，得到融合特征图；根据所述融合特征图确定所述目标图像的土地覆盖特征，其中，所述土地覆盖特征用于确定所述目标图像的土地覆盖标签。
3、在一个可选的实施例中，所述根据所述第一超像素场景图与所述中层特征图得到超
4、在一个可选的实施例中，所述根据所述第一超像素场景图和所述中层特征图构建出新的超像素场景图，得到第二超像素场景图，包括：对所述中层特征图进行上采样，其中，上采样后的所述中层特征图的尺寸与所述第一超像素场景图的尺寸一致；将所述第一超像素场景图中的超像素特征与上采样后的所述中层特征图进行结合，得到结合特征；根据所述结合特征得到所述第二超像素场景图。
5、在一个可选的实施例中，所述根据所述第二超像素场景图生成所述超像素特征图，包括：将所述第二超像素场景图输入至生成对抗网络中的生成器，其中，所述生成器中包括n层神经网络结构；根据所述生成器生成所述超像素特征图，其中，所述超像素特征图包括n层超像素特征，n层所述超像素特征与n层所述神经网络结构一一对应。
6、在一个可选的实施例中，所述通过图卷积神经网络对所述底层特征图进行卷积处理，得到目标底层特征图，包括：将所述底层特征图输入至所述图卷积神经网络，其中，所述图卷积神经网络包括n个卷积核；所述图卷积神经网络通过所述n个卷积核对所述底层特征图执行n次图卷积操作，得到所述目标底层特征图，其中，所述目标底层特征图包括n层目标底层特征，n层所述目标底层特征与n个所述卷积核一一对应。
7、在一个可选的实施例中，所述将所述目标底层特征图和所述超像素特征图进行元路径融合，得到融合特征图，包括：在所述目标底层特征图包括n层目标底层特征以及所述超像素特征图中包括n层超像素特征的情况下，将n层所述目标底层特征中的每一层所述目标底层特征与对应的所述超像素特征进行融合，得到n个融合特征；将n个所述融合特征、第n层所述超像素特征和第n层所述目标底层特征连接，得到所述融合特征图。
8、在一个可选的实施例中，根据所述融合特征图确定所述目标图像的土地覆盖特征，包括：将所述初始特征图进行向量特征的转换，得到第一向量特征；将所述融合特征图进行向量特征的转换，得到第二向量特征；将所述第一向量特征与所述第二向量特征进行连接，得到所述土地覆盖特征。
9、本专利技术还提供一种土地覆盖特征提取装置，该装置包括：获取模块，用于获取目标图像的第一超像素场景图与初始特征图，其中，所述初始特征图包括底层特征图和中层特征图；处理单元，用于根据所述第一超像素场景图与所述中层特征图得到超像素特征图，并通过图卷积神经网络对所述底层特征图进行卷积处理，得到目标底层特征图；融合单元，用于将所述目标底层特征图和所述超像素特征图进行元路径融合，得到融合特征图；确定单元，根据所述融合特征图确定所述目标图像的土地覆盖特征，其中，所述土地覆盖特征用于确定所述目标图像的土地覆盖标签。
10、本专利技术还提供了一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的土地覆盖特征提取方法。
11、本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，当所述计算机程序被处理器执行时，执行如上所述的土地覆盖特征提取方法。
12、通过本专利技术，目标图像的第一超像素场景图与初始特征图中的中层特征图得到超像素特征图，超像素特征能够捕捉目标图像的局部信息，中层特征包含更高层次的语义信息，第一超像素场景图与中层特征图结合得到的超像素特征图保留局部细节的同时，引入了全局语义信息，实现局部信息与全局语义信息的有效融合，通过图卷积神经网络对初始特征图中的底层特征图进行卷积处理，得到目标底层特征图，图卷积神经网络在卷积过程中考虑了底层特征图中各个节点本身以及其相邻节点的特征，能够充分利用局部信息和全局信息；将目标底层特征图和超像素特征图进行元路径融合，得到融合特征图，通过元路径融合，可以综合利用目标底层特征图和超像素特征图中不同粒度的信息，能够充分利用局部信息和全局信息；根据融合特征图确定的目标图像的土地覆盖特征，因此，经过多层次的特征处理，实现对目标图像多层次信息的捕捉，通过处理不同特征图，充分利用局部信息和全局信息，能够减少多种覆盖类型和复杂的地貌特征的影响，从而提取出全面且强表达能力的土地覆盖特征，使用该土地覆盖特征进行多标签遥感土地覆盖场景分类，提高了分类结果的准确性。
本文档来自技高网...【技术保护点】
1.一种土地覆盖特征提取方法，其特征在于，包括：
2.根据权利要求1所述的土地覆盖特征提取方法，其特征在于，所述根据所述第一超像素场景图与所述中层特征图得到超像素特征图，包括：
3.根据权利要求2所述的土地覆盖特征提取方法，其特征在于，所述根据所述第一超像素场景图和所述中层特征图构建出新的超像素场景图，得到第二超像素场景图，包括：
4.根据权利要求2所述的土地覆盖特征提取方法，其特征在于，所述根据所述第二超像素场景图生成所述超像素特征图，包括：
5.根据权利要求1所述的土地覆盖特征提取方法，其特征在于，所述通过图卷积神经网络对所述底层特征图进行卷积处理，得到目标底层特征图，包括：
6.根据权利要求1所述的土地覆盖特征提取方法，其特征在于，所述将所述目标底层特征图和所述超像素特征图进行元路径融合，得到融合特征图，包括：
7.根据权利要求1所述的土地覆盖特征提取方法，其特征在于，根据所述融合特征图确定所述目标图像的土地覆盖特征，包括：
8.一种土地覆盖特征提取装置，其特征在于，包括：
9.
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，当所述计算机程序被处理器执行时，实现如所述权利要求1-7任一项中所述的土地覆盖特征提取方法。
...【技术特征摘要】
1.一种土地覆盖特征提取方法，其特征在于，包括：
2.根据权利要求1所述的土地覆盖特征提取方法，其特征在于，所述根据所述第一超像素场景图与所述中层特征图得到超像素特征图，包括：
3.根据权利要求2所述的土地覆盖特征提取方法，其特征在于，所述根据所述第一超像素场景图和所述中层特征图构建出新的超像素场景图，得到第二超像素场景图，包括：
4.根据权利要求2所述的土地覆盖特征提取方法，其特征在于，所述根据所述第二超像素场景图生成所述超像素特征图，包括：
5.根据权利要求1所述的土地覆盖特征提取方法，其特征在于，所述通过图卷积神经网络对所述底层特征图进行卷积处理，得到目标底...
【专利技术属性】
技术研发人员：敖子航，李显巨，王春青，王祖顺，张生鹏，陈刚，
申请(专利权)人：中国地质大学武汉，
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。