[發明專利]一種基于深度訓練模型和影像解譯樣本庫的影像解譯方法

有效

• 申請號: 202110052257.1
• 申請日: 2020-07-27
• 公開（公告）號: CN112836728B
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 徐晶;周興付
• 申請（專利權）人: 鹽城郅聯空間科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06T7/11
• 代理公司: 北京冠和權律師事務所 11399
• 代理人: 吳金水

1.一種基于深度訓練模型和影像解譯樣本庫的影像解譯方法，其特征在于，包括：

獲取歷史影像和矢量數據，構建影像解譯樣本庫；

構建深度殘差全卷積網絡，通過影像解譯樣本庫對所述深度殘差全卷積網絡進行訓練，確定第一解析影像；

基于時空大數據分析挖掘結果對所述第一解析影像進行優化，確定目標解析影像；

所述構建深度殘差全卷積網絡，通過影像解譯樣本庫對所述深度殘差全卷積網絡進行訓練，確定第一解析影像，包括：

獲取測繪數據，確定不同分辨率遙感影像；

構建深度殘差卷積神經網絡模型和特征編碼器，并配置多層的非線性殘差運算單元，根據多層的非線性殘差運算單元，抽取不同分辨率遙感影像的本質空間特征；

將所述不同分辨率遙感影像的本質空間特征進行特征級可微分融合，確定融合特征；

根據所述融合特征，使用影像解譯樣本庫訓練深度殘差全卷積網絡模型，并利用梯度下降算法收斂損失值；

利用訓練完成的深度殘差全卷積網絡模型進行影像解譯，生成第一解析影像。

2.根據權利要求1所述的一種基于深度訓練模型和影像解譯樣本庫的影像解譯方法，其特征在于：所述利用梯度下降算法收斂損失值，包括：

根據所述融合特征，確定每個融合特征的數量場S_i(x_i,y_i,z_i)，x_i代表空間緯度中第一緯度下第i個特征值，y_i代表空間緯度中第二緯度下第i個特征值，z_i代表空間緯度中第三緯度下第i個特征值；

根據所述數量場，確定所述融合特征的梯度向量其中，所述i＝(1，2，3，……n)；所述T_i表示第i個融合特征的梯度向量；

獲取所述影像解譯樣本庫的影像特征集合A(a₁,a₂,a₃……a_j)；j＝(1，2，3，……m)；所述a_j表示影像解譯樣本庫的第j個影像特征；

確定所述梯度向量在收斂過程中的貢獻度：

根據所述貢獻度，確定貢獻百分值，并基于所述貢獻百分值，確定損失值。

3.根據權利要求1所述的一種基于深度訓練模型和影像解譯樣本庫的影像解譯方法，其特征在于：所述基于時空大數據分析挖掘結果對所述第一解析影像進行優化，確定目標解析影像，包括：

獲取時空大數據，進行分析挖掘，確定時空大數據分析挖掘結果，并作為第二解析影像；其中，

所述第二解析影像包括位置信息和分類要素信息；

將所述第一解析影像做為基底，融合所述位置信息和分類要素信息，判斷分類結果是否正確，并進行調整，生成融合時空大數據后的目標解析影像。

4.根據權利要求3所述的一種基于深度訓練模型和影像解譯樣本庫的影像解譯方法，其特征在于：所述獲取時空大數據，進行分析挖掘，確定時空大數據分析挖掘結果，包括：

根據所述歷史影像和矢量數據，確定時空大數據；其中，

所述時空大數據包括物聯網傳感器、互聯網數據、電信信令數據；

基于所述影像解譯樣本庫，對所述時空大數據的數據進行挖掘，確定第一目標數據；

基于數據分類和解譯目標，對所述第一目標數據進行分析篩選，確定時空大數據。

5.根據權利要求1所述的一種基于深度訓練模型和影像解譯樣本庫的影像解譯方法，其特征在于：所述基于時空大數據分析挖掘結果對所述第一解析影像進行優化，確定目標解析影像，還包括：

根據所述時空大數據，確定幾何位置、自然屬性、社會屬性；

將所述幾何位置、自然屬性、社會屬性與所述目標解析影像匹配；其中，

若匹配吻合，驗證無誤，表示目標解析影像；

如果匹配不吻合，分析誤差原因，進行相應地修正，并確定目標解析影像，其中

所述誤差原因包括：地表變化誤差或解譯誤差。