[發(fā)明專利]一種面向時(shí)間序列遙感影像的土地利用分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010565482.0
• 申請(qǐng)日: 2020-06-19
• 公開（公告）號(hào): CN111738329B
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 陶超;沈靖;李海峰
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06T3/40;G06T7/40
• 代理公司: 長(zhǎng)沙大珂知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 43236
• 代理人: 伍志祥

1.一種面向時(shí)間序列遙感影像的土地利用分類方法，其特征在于，包括以下步驟：

步驟1，對(duì)組成時(shí)間序列遙感數(shù)據(jù)的多光譜影像進(jìn)行主成分分析，獲取三個(gè)主成分的影像；

步驟2，對(duì)每個(gè)三波段影像進(jìn)行預(yù)訓(xùn)練，提取出特征圖像；

步驟3，特征圖像按時(shí)間順序依次輸入半監(jiān)督卷積長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

步驟4，利用訓(xùn)練好的模型對(duì)最后一時(shí)相的影像進(jìn)行預(yù)測(cè)分類，獲得分類結(jié)果；

在步驟1中，所述的時(shí)間序列遙感數(shù)據(jù)集Γ＝(X₁，X₂，X₃，...，X_N)中的所有多光譜影像X_n(n＝1，2，3，...，N)的尺寸為h×w×c，h、w、c分別表示影像的長(zhǎng)、寬、和波段數(shù)，經(jīng)過(guò)主成分分析后的尺寸為h×w×3，成為三波段影像；

步驟2中所述的預(yù)訓(xùn)練過(guò)程為：選擇在開源的ImageNet大型自然影像數(shù)據(jù)庫(kù)上完成訓(xùn)練后的ResNet模型作為預(yù)訓(xùn)練模型，提取出預(yù)訓(xùn)練模型中淺層的特征圖像，尺寸為h′×w′×c′，其中，h′＜h，w′＜w，c′＞c，為了恢復(fù)至原始影像大小的長(zhǎng)和寬，采用雙線性差值算法對(duì)提取后的特征圖進(jìn)行上采樣，得到尺寸為h×w×c′的特征圖像，再將上采樣后的特征圖像與原始影像的多光譜波段進(jìn)行融合，以得到尺寸為h×w×(c+c′)的數(shù)據(jù)；

步驟3中所述的半監(jiān)督卷積長(zhǎng)短期記憶網(wǎng)絡(luò)模型是基于長(zhǎng)短期記憶網(wǎng)絡(luò)的基礎(chǔ)上，將輸入到狀態(tài)和狀態(tài)到狀態(tài)之間的全連接傳輸過(guò)程轉(zhuǎn)換為卷積運(yùn)算，即ConvLSTM單元，在ConvLSTM單元中，隨著時(shí)間序列數(shù)據(jù)中每個(gè)時(shí)刻數(shù)據(jù)的輸入X_n(n＝1，2，3，...，N)，網(wǎng)絡(luò)記憶單元狀態(tài)S_n，以及當(dāng)前隱藏層狀態(tài)值H_n，由三個(gè)門機(jī)制控制，即輸入門i_n、遺忘門f_n和輸出門o_n，并不斷被保存和更新，計(jì)算公式為：

i_n＝σ(W_i，X*X_n+W_i，H*H_n-1+W_i，S·S_n-1+b_i)

f_n＝σ(W_f，X*X_n+W_f，H*H_n-1+W_f，S·S_n-1+b_f)

o_n＝σ(W_o，X*X_n+W_o，H*H_n-1+W_o，S·S_n+b_o)

H_n＝o_n·tanh(S_n)

其中，S_n-1，H_n-1分別表示上一時(shí)刻的記憶單元狀態(tài)和隱藏層狀態(tài)，函數(shù)σ和tanh分別表示sigmoid和雙曲正切函數(shù)，W_i，X，W_i，H，W_i，s表示輸入門i_n分別與當(dāng)前的輸入X_n、隱藏層H_n和記憶單元狀態(tài)S_n之間的權(quán)重矩陣，W_f，X，W_f，H，W_f，s表示遺忘門f_n分別與當(dāng)前的輸入、隱藏層和記憶單元狀態(tài)之間的權(quán)重矩陣，W_o，X，W_o，H，W_o，S表示輸出門o_n分別與當(dāng)前的輸入、隱藏層和記憶單元狀態(tài)之間的權(quán)重矩陣，W_S，X，W_S，H分別表示記憶狀態(tài)與輸入和隱藏層之間的權(quán)重矩陣，b_i，b_f，b_o，b_S對(duì)應(yīng)各個(gè)門和網(wǎng)絡(luò)記憶單元的偏置項(xiàng)，表示當(dāng)前輸入激活的記憶狀態(tài)，符號(hào)‘*’及‘·’分別表示卷積運(yùn)算和Hadamard矩陣乘積；

在訓(xùn)練過(guò)程中，由隱藏層狀態(tài)計(jì)算出當(dāng)前時(shí)間序列數(shù)據(jù)輸入所對(duì)應(yīng)的預(yù)測(cè)值，并利用已知和未知標(biāo)簽的聯(lián)合信息計(jì)算損失函數(shù)，使其收斂以訓(xùn)練并優(yōu)化網(wǎng)絡(luò)模型，其損失函數(shù)由兩部分組成，即利用已知標(biāo)簽信息的標(biāo)準(zhǔn)交叉熵，和聯(lián)合已知和未知標(biāo)簽信息的無(wú)監(jiān)督損失函數(shù)，公式可表示為：

其中，B表示每次輸入的批次量，L代表有標(biāo)簽的訓(xùn)練樣本，表示該訓(xùn)練樣本所對(duì)應(yīng)的真實(shí)標(biāo)簽，z_i表示時(shí)間序列輸入所對(duì)應(yīng)的預(yù)測(cè)標(biāo)簽經(jīng)softmax函數(shù)轉(zhuǎn)化后的輸出概率，表示與同一個(gè)時(shí)間序列數(shù)據(jù)輸入經(jīng)過(guò)數(shù)據(jù)增強(qiáng)或時(shí)序變化后所對(duì)應(yīng)的預(yù)測(cè)標(biāo)簽概率，C為類別數(shù)量，w(t)為一個(gè)隨時(shí)間變化的變量，以權(quán)衡兩部分損失函數(shù)的占比。

2.根據(jù)權(quán)利要求1所述的土地利用分類方法，其特征在于，在步驟4中，利用訓(xùn)練好的模型計(jì)算出待測(cè)試影像的預(yù)測(cè)標(biāo)簽概率，并采用argmax函數(shù)取概率最大值的類別作為分類結(jié)果。