[發明專利]基于自適應樣本集構造與深度學習的遙感影像解譯方法

有效

• 申請號: 202110140498.1
• 申請日: 2021-02-02
• 公開（公告）號: CN112883839B
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 胡艷;李朋龍;丁憶;胡翔云;馬澤忠;肖禾;張覓;張澤烈;榮子豪;李曉龍;羅鼎;陳靜;段松江;劉朝暉;曾攀;殷明
• 申請（專利權）人: 重慶市地理信息和遙感應用中心;武漢大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/08
• 代理公司: 重慶飛思明珠專利代理事務所(普通合伙) 50228
• 代理人: 劉念芝

本發明公開了一種基于自適應樣本集構造與深度學習的遙感影像解譯方法，包括步驟：對樣本總集進行特征提取，并對提取的特征進行聚類，構建視覺詞袋模型的特征詞典，得到樣本子集；構建基于深度學習網絡的解譯模型，并先后輸入樣本總集和聚類的樣本子集對解譯模型進行訓練，分別得到總解譯模型和與各樣本子集相對應的子解譯模型；采用總解譯模型以及根據待解譯遙感影像的影像特征選取的合適的若干子解譯模型，對待解譯遙感影像進行自適應解譯。其顯著效果是：通過聚類的自動化、分布式手段快速建立海量遙感影像的樣本庫，并利用機器深度學習技術對樣本庫數據進行訓練，獲得適應于不同場景的智能解譯模型，解譯精度高，魯棒性好。

技術領域

本發明涉及到遙感影像處理技術領域，具體涉及一種基于自適應樣本集構造與深度學習的遙感影像解譯方法。

背景技術

遙感技術經過幾十年的發展，衛星遙感影像分辨率不斷提高。隨著國內資源三號、高分系列以及其它商業衛星不斷發射成功，遙感信息提取獲得了充足的信息來源。而遙感影像分類是利用遙感技術手段獲得土地覆蓋信息的重要環節，如何利用遙感影像大數據，實現遙感影像的自動分類以及不同時相的影像變化信息提取是一項非常重要的研究課題。

近年來利用高分辨率遙感圖像進行變化信息提取受到了廣泛的關注，然而實際作業中依然依賴于人工核查，導致生產效率低下。隨著計算機計算性能的不斷提升與大數據時代的到來，人工智能技術已經在計算機視覺、自然語言處理、信息檢索與語音識別等領域取得了巨大的成功。使用人工智能技術特別是深度學習技術對遙感大數據進行遙感影像解譯、變化發現成為了遙感領域新的熱點，為土地利用變化檢測、自然資源違法監測提供了新的思路，具有重要的應用價值。

目前，針對高分辨遙感影像自動解譯與識別任務的研究方法主要有兩種：第一種是傳統的模式識別方法，這類方法將目標任務視為模式分類問題，綜合利用影像的光譜、幾何、紋理特征，或者專家知識和經驗指數，構建特征知識庫實現“經驗化”的解譯過程，主要包括特征抽取、特征融合及選擇，以及特征分類三個步驟。第二種是人工智能的方法，人類視覺系統具有極強的識別能力和適應(學習)能力，人工智能方法是解決遙感影像快速采集地理信息的必由之路，視覺認知計算通過對人類視覺認知機理的了解，完成其數學建模以實現高效、魯棒的視覺任務。

然而，以上兩種方法的解譯都具有較大的局限性，傳統模式識別方法由于圖像分割、特征選擇等環節缺乏普適的原則或理論，在大范圍復雜影像中難以達到實際應用所需的精度和魯棒性；人工智能方法在遙感影像高可靠性的信息提取中，現有的以深度學習為代表的計算機視覺方法也難以媲美人類視覺系統的魯棒性，主要原因在于缺乏大量已標注的像素級專業數據庫供分析研究，因此如何對現有數據庫進行有效構造和利用迫在眉睫。

發明內容

針對現有技術的不足，本發明的目的是提供一種基于自適應樣本集構造與深度學習的遙感影像解譯方法，基于聚類的自動化、分布式手段快速建立海量遙感影像的樣本庫，并利用機器深度學習技術，對樣本庫數據進行訓練，獲得適應于不同場景的智能解譯模型對遙感影像進行解譯。

為達到上述目的，本發明采用的技術方案如下：

一種基于自適應樣本集構造與深度學習的遙感影像解譯方法，其關鍵在于：包括如下步驟：

步驟1，對樣本總集進行特征提取，并對提取的特征進行聚類，構建視覺詞袋模型的特征詞典，得到樣本子集；

步驟2，構建基于深度學習網絡的解譯模型，并先后輸入樣本總集和聚類的樣本子集對解譯模型進行訓練，分別得到總解譯模型和與各樣本子集相對應的子解譯模型；

步驟3，采用總解譯模型以及根據待解譯遙感影像的影像特征選取的合適的若干子解譯模型，對待解譯遙感影像進行自適應解譯。

進一步的，步驟1中獲得樣本子集的具體步驟為：

步驟1.1，將樣本總集中所有影像劃分為若干影像塊，提取每個影像塊的CS-LBP特征，獲得CS-LBP直方圖；