【技术实现步骤摘要】
本专利技术涉及遥感影像解译领域，特别涉及一种基于深度学习的遥感影像自动解译方法、装置、设备、及介质。
技术介绍
1、遥感影像在环境监测、资源勘查、城市规划等方面具有重要应用。在环境监测中，遥感影像可以用于监测森林覆盖变化、湿地保护、土地利用变化、水资源管理等。在资源勘查中，遥感影像可以帮助识别矿产资源分布、评估农业资源、监测渔业资源等。城市规划方面，遥感影像能够提供城市扩展、交通网络、基础设施建设等方面的关键数据支持。
2、传统的遥感影像解译方法主要依赖于人工分析，即由专业人员通过目视检查和手动标记影像中的特征。这种方法不仅效率低下，而且容易受到人为因素的影响，存在较大的主观性。例如，不同分析人员对同一影像的解读可能会产生不同的结果，导致解译结果的不一致。此外，人工解译还容易受到疲劳、经验不足等因素的影响，进一步增加了解译过程中的误差率。
3、有鉴于此，提出本申请。
技术实现思路
1、本专利技术公开了一种基于深度学习的遥感影像自动解译方法、装置、设备、及介质，旨在提高遥感影像解译的效率和准确性。
2、本专利技术第一实施例提供了一种基于深度学习的遥感影像自动解译方法，其特征在于，包括：
3、获取同一传感器卫星在不同区域、不同时期的多期遥感影像，并对所述遥感影像进行预处理；
4、调用预训练的卷积神经网络对所述多期遥感影像进行多层卷积和池化操作以生成不同层次的特征图，并对所述不同层次的特征图进行融合成地物目标的综合表征，其中，所
5、调用预训练的分类器对所述地物目标的综合表征进行分类，以生成分类结果，并将分类结果进行整合操作后，以表格的形式进行输出，其中，整合操作包括对所述分类结果的为每种类型的扰动图斑分配不同的颜色、使用不同的形状对扰动图斑进行标注、以及描绘出每个扰动图斑的边界。
6、优选地，所述预处理包括辐射定标、几何校正、以及大气校正。
7、优选地，所述生成不同层次的特征图的表达式为：
8、
9、其中，是特征图在位置和第个卷积核上的值，是遥感影像在位置和第个通道上的像素值，是第个卷积核在位置和第个通道上的权重，、是卷积核的宽度和高度，和是卷积核在遥感影像上的中心位置。
10、优选地，还包括：构建用于训练卷积神经网络的训练集，具体为：
11、获取由现场采集到的各类扰动图斑的信息，并将各类扰动图斑的信息进行整理归档后建立解译标识库，其中，所述各类扰动图斑的信息包括具体位置和类型信息，
12、根据所述解译标识库的信息对采集到的遥感图像上逐一绘制出相应的图斑，在每个图斑中添加对应的属性信息以形成训练集，其中，所述属性信息包括类型、位置、范围大小和描述。
13、本专利技术第二实施例提供了一种基于深度学习的遥感影像自动解译装置，包括：
14、预处理单元，用于获取同一传感器卫星在不同区域、不同时期的多期遥感影像，并对所述遥感影像进行预处理；
15、特征融合单元，用于调用预训练的卷积神经网络对所述多期遥感影像进行多层卷积和池化操作以生成不同层次的特征图，并对所述不同层次的特征图进行融合成地物目标的综合表征，其中，所述特征图包括遥感影像的边缘、纹理、形状和结构；
16、分类单元，用于调用预训练的分类器对所述地物目标的综合表征进行分类，以生成分类结果，并将分类结果进行整合操作后，以表格的形式进行输出，其中，整合操作包括对所述分类结果的为每种类型的扰动图斑分配不同的颜色、使用不同的形状对扰动图斑进行标注、以及描绘出每个扰动图斑的边界。
17、优选地，所述预处理包括辐射定标、几何校正、以及大气校正。
18、优选地，所述生成不同层次的特征图的表达式为：
19、
20、其中，是特征图在位置和第个卷积核上的值，是遥感影像在位置和第个通道上的像素值，是第个卷积核在位置和第个通道上的权重，、是卷积核的宽度和高度，和是卷积核在遥感影像上的中心位置。
21、优选地，还包括：构建用于训练卷积神经网络的训练集，具体为：
22、获取由现场采集到的各类扰动图斑的信息，并将各类扰动图斑的信息进行整理归档后建立解译标识库，其中，所述各类扰动图斑的信息包括具体位置和类型信息，
23、根据所述解译标识库的信息对采集到的遥感图像上逐一绘制出相应的图斑，在每个图斑中添加对应的属性信息以形成训练集，其中，所述属性信息包括类型、位置、范围大小和描述。
24、本专利技术第三实施例提供了一种基于深度学习的遥感影像自动解译设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上任意一项所述的一种基于深度学习的遥感影像自动解译方法。
25、本专利技术第四实施例提供了一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上任意一项所述一种基于深度学习的遥感影像自动解译方法。
26、基于本专利技术提供的一种基于深度学习的遥感影像自动解译方法、装置、设备、及介质，通过先获取同一传感器卫星在不同区域、不同时期的多期遥感影像，并对所述遥感影像进行预处理；接着，调用预训练的卷积神经网络对所述多期遥感影像进行多层卷积和池化操作以生成不同层次的特征图，并对所述不同层次的特征图进行融合成地物目标的综合表征，最后，调用预训练的分类器对所述地物目标的综合表征进行分类，以生成分类结果，并将分类结果进行整合操作后，以表格的形式进行输出，其中，整合操作包括对所述分类结果的为每种类型的扰动图斑分配不同的颜色、使用不同的形状对扰动图斑进行标注、以及描绘出每个扰动图斑的边界，解决了人工解译效率低下，且准确性不高的问题。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的遥感影像自动解译方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的遥感影像自动解译方法，其特征在于，所述预处理包括辐射定标、几何校正、以及大气校正。
3.根据权利要求1所述的一种基于深度学习的遥感影像自动解译方法，其特征在于，所述生成不同层次的特征图的表达式为：
4.根据权利要求1所述的一种基于深度学习的遥感影像自动解译方法，其特征在于，还包括：构建用于训练卷积神经网络的训练集，具体为：
5.一种基于深度学习的遥感影像自动解译装置，其特征在于，包括：
6.根据权利要求5所述的一种基于深度学习的遥感影像自动解译装置，其特征在于，所述预处理包括辐射定标、几何校正、以及大气校正。
7.根据权利要求5所述的一种基于深度学习的遥感影像自动解译装置，其特征在于，所述生成不同层次的特征图的表达式为：
8.根据权利要求5所述的一种基于深度学习的遥感影像自动解译装置，其特征在于，还包括：构建用于训练卷积神经网络的训练集，具体为：
9.一种基于深度学习的遥感影像自动
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如权利要求1至4任意一项所述一种基于深度学习的遥感影像自动解译方法。
...【技术特征摘要】
1.一种基于深度学习的遥感影像自动解译方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的遥感影像自动解译方法，其特征在于，所述预处理包括辐射定标、几何校正、以及大气校正。
3.根据权利要求1所述的一种基于深度学习的遥感影像自动解译方法，其特征在于，所述生成不同层次的特征图的表达式为：
4.根据权利要求1所述的一种基于深度学习的遥感影像自动解译方法，其特征在于，还包括：构建用于训练卷积神经网络的训练集，具体为：
5.一种基于深度学习的遥感影像自动解译装置，其特征在于，包括：
6.根据权利要求5所述的一种基于深度学习的遥感影像自动解译装置，其特征在于，所述预处理包括辐射定标、几何校正、以及大气校正。
7...
【专利技术属性】
技术研发人员：陈志景，蔡文杰，王晓强，韩贵州，潘海榕，
申请(专利权)人：厦门易景软件工程有限公司，
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。