[發明專利]一種地理國情監測成果可靠性質檢方法及系統

在審

• 申請號: 202010040770.4
• 申請日: 2020-01-15
• 公開（公告）號: CN111259955A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 沈晶;張繼賢;張莉;韓文立;章力博;葛娟;盧遙;周進
• 申請（專利權）人: 國家測繪產品質量檢驗測試中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 北京市盈科律師事務所 11344
• 代理人: 劉立國

1.一種地理國情監測成果可靠性質檢方法，其特征在于：包括以下步驟：

S1：將已有地表覆蓋數據柵格化，并賦予各地類指定代碼，生成掩膜數據；

S2：將正射影像數據與掩膜數據建立樣本數據集，并利用四種方式對樣本數據進行增廣，在此基礎上，對深度卷積神經網絡模型進行增強與融合；

S3：利用超像素多尺度分割方法對新時相影像T2進行分割，并將分割后結果映射到舊時相地表覆蓋數據上，提取地表覆蓋變化區域幾何信息；

S4：利用深度卷積神經網絡模型對地表覆蓋變化區域進行語義標記；

S5：將步驟S4所得到的變化圖斑與待檢地表覆蓋數據疊加。

2.如權利要求1所述的地理國情監測成果可靠性質檢方法，其特征在于：還包括以下步驟：

S6：疑似錯漏檢查及質檢報告生成：

將得到的地表覆蓋變化檢測結果與待檢地表覆蓋數據進行幾何和屬性數據的對比分析，并將新舊時相影像T2、T1與檢測結果疊加進行驗證，最后統計變化檢測的漏檢、錯檢率，生成質檢報告。

3.如權利要求1所述的地理國情監測成果可靠性質檢方法，其特征在于：所述步驟S2中的深度卷積神經網絡模型按照以下步驟建立：

1)樣本選擇與劃分階段，首先將已有正射影像T與掩膜數據分割為多個子區域，每一子區域對應一個瓦片，然后采用基于瓦片的機制來將整個樣本集分為訓練樣本集、驗證樣本集與測試樣本集；

2)對訓練樣本進行數據增廣操作；

3)將數據增廣操作后的訓練樣本輸入到深度卷積神經網絡模型中，進行前向推理和后向學習，訓練計算模型的超參值。

4.如權利要求1所述的地理國情監測成果可靠性質檢方法，其特征在于：所述步驟S3中的超像素結合區域鄰接圖的分割映射策略按照以下步驟進行：

S31：利用超像素多尺度分割方法對新時相影像T2進行分割，在此基礎上，采用空間約束的分水嶺分割算法進行超像素分割；

S32：構建區域鄰接圖；將初始分割結果中的每個超像素抽象為一個節點，超像素相鄰即代表節點連通，則用一條帶有權重的線段連接連通節點；

S33：區域合并；根據合并代價的排序，循環合并代價函數值最小的相鄰區域，直到最小合并代價函數值滿足條件。

5.如權利要求1所述的地理國情監測成果可靠性質檢方法，其特征在于：所述合并代價按照以下函數進行計算：

H(m,n)＝w₁*D_S(m,n)+w₂*D_T(m,n)+w₃*D_F(m,n) (2)

式中，C(m,n)表示相鄰超像素的合并代價函數；

A_m、A_n分別表示超像素m和n的面積；

L表示相鄰超像素的公共邊界長度；

λ表示形狀系數；

H(m,n)表示相鄰超像素的異質性；

w₁、w₂、w₃分別表示光譜異質性、紋理異質性和特征因子異質性的權重；

D_S(m,n)、D_T(m,n)、D_F(m,n)分別表示光譜異質性、紋理異質性和特征因子異質性，下標為f和a的符號分別表示前時相和后時相的特征值。

6.如權利要求1所述的地理國情監測成果可靠性質檢方法，其特征在于：所述步驟S4中的深度卷積神經網絡模型采用以下的旋轉變換模型的數據增強方法并將進行融合得到最終的預測結果，所述旋轉變換模型數據増強方法；通過比較不同旋轉間隔下的標記精度，獲取最優的配置方案；具體步驟如下：

輸入已有正射影像T及掩膜數據；以不同的旋轉間隔旋轉樣本；輸入到深度卷積神經網絡模型訓練；生成不同旋轉間隔的語義標記結果；比較確定影像旋轉間隔；將所有樣本以選定間隔旋轉；增強深度卷積神經網絡模型。