[發明專利]一種多特征協同的高分影像耕地作物類型分類方法

在審

• 申請號: 202211323367.8
• 申請日: 2022-10-27
• 公開（公告）號: CN115482420A
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 林聰;聶翔宇;張偉;傅俊豪;胡澤周
• 申請（專利權）人: 南京市測繪勘察研究院股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06V20/10
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

1.一種多特征協同的高分影像耕地作物類型分類方法，其特征在于，具體包括以下步驟：

步驟1、收集遙感影像并對某區域的耕地作物類型進行人工標注，將數學形態學、擴展屬性剖面和灰度共生矩陣在內的三種淺層特征提取方法作用于遙感影像的每個波段，分別獲取遙感影像的形態淺層特征、屬性淺層特征和紋理淺層特征；

步驟2、構建高分影像耕地作物分類模型，所述高分影像耕地作物分類模型包括依次連接的第一線性映射層、多尺度特征提取模塊、通道注意力模塊、空間注意力模塊、第二線性映射層、深度特征融合模塊和多層感知機；

步驟3、將獲取遙感影像的形態淺層特征、屬性淺層特征和紋理淺層特征輸入高分影像耕地作物分類模型中進行訓練，直至達到最大迭代次數，完成對高分影像耕地作物分類模型的訓練；

步驟4、將遙感影像未標記區域輸入到訓練好的高分影像耕地作物分類模型中，輸出耕地作物所屬類型的概率，以概率最大的類型作為耕地作物類型。

2.根據權利要求1所述的一種多特征協同的高分影像耕地作物類型分類方法，其特征在于，所述形態淺層特征獲取時，將空間窗口W設置為7×7；所述鄰域特征提取時，面積閾值λ_a設置為150，對角線長度閾值λ_d設置為150，標準差閾值λ_s設置為20；所述紋理特征提取時，空間窗口W設置為7×7，偏移距離(a,b)設置為(2,2)。

3.根據權利要求1所述的一種多特征協同的高分影像耕地作物類型分類方法，其特征在于，所述第一線性映射層、第二線性映射層均為卷積核大小為1×1、步距為1的2D卷積層。

4.根據權利要求1所述的一種多特征協同的高分影像耕地作物類型分類方法，其特征在于，所述多尺度特征提取模塊由三個并行的空間特征提取層組成，每個空間特征提取層均由2D卷積層、GroupNorm標準化和ReLU激活函數組成；其中，三個2D卷積層的卷積核大小分別為3×3、5×5和7×7，步距為1。

5.根據權利要求1所述的一種多特征協同的高分影像耕地作物類型分類方法，其特征在于，所述深度特征融合模塊包括：第一特征層、第二特征層、第三特征層、第四特征層、第一下采樣層、第二下采樣層、第三下采樣層、第四下采樣層，所述第一特征層分別與第一下采樣層、第二特征層連接，第一下采樣層與第三特征層連接；所述第二特征層與第二下采樣層連接，所述第二下采樣層與第四特征層連接；所述第三特征層與第三下采樣層連接，所述第四特征層與第四下采樣層連接，所述第三下采樣層、第四下采樣層連接。

6.根據權利要求5所述的一種多特征協同的高分影像耕地作物類型分類方法，其特征在于，所述第一特征層、第二特征層、第三特征層、第四特征層均由2D卷積層、GroupNorm標準化和ReLU激活函數組成，所述第一下采樣層、第二下采樣層均為平均池化層Avg-Pooling，第三下采樣層、第四下采樣層均為最大池化層Max-Pooling；所述第一特征層、第四特征層的2D卷積層的卷積核大小均為3×3，步距為1；所述第二特征層、第三特征層的2D卷積層的卷積核大小均為5×5，步距為1；所述第一下采樣層、第二下采樣層、第三下采樣層、第四下采樣層的池化核大小為2×2，步距為2。

7.根據權利要求1所述的一種多特征協同的高分影像耕地作物類型分類方法，其特征在于，所述多層感知機模塊由多個全連接層和ReLU激活函數構成，最后一個全連接層的神經元個數等于耕地物類別數，并將最后一層的輸出結果經過Softmax函數，輸出結果滿足和為1的概率分布。