[發明專利]基于光學影像與SAR影像時序特征融合的作物分類方法

在審

• 申請號: 202310169699.3
• 申請日: 2023-02-27
• 公開（公告）號: CN116310805A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 林鎮宇;楊玲波
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V20/13;G06V10/26;G06V10/40;G06V10/62;G06V10/764;G06V10/80;G06V10/82;G06N3/0442;G06N3/045;G06N3/048;G06N3/084
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 陳煒

本發明公開了基于光學影像與SAR影像時序特征融合的作物分類方法。該方法如下：1、模型輸入層數據為目標區域的光學合成影像及時序SAR影像。2、利用LSTM結構對時序SAR影像進行深層次時序特征提取，得到SAR時序特征圖。3、將SAR時序特征圖與光學合成影像疊加。4、基于UNET語義分割結構，從步驟3中獲取的特征中，提取不同層次的空間語義特征。5、基于步驟4中提取的空間語義特征，利用1×1卷積層和激活層，進行作物分類識別。本發明提取SAR時序影像中的深層次時序特征，并與光學影像波段特征結合，再融合提取其中豐富的空間語義特征，能夠實現基于光學和SAR影像融合的作物識別時空特征提取及作物高精度分類。

技術領域

本發明涉及利用深度學習技術的作物遙感分類領域，具體涉及一種基于光學影像與SAR影像時序特征融合的語義分割模型作物分類方法。

背景技術

基于衛星遙感影像進行農作物分類識別具有成本低、效率高、時效性強、客觀性強等優勢，成為當前獲取大區域尺度農作物種植區空間分布的主要方法之一。作物地塊在遙感影像中表現出區別其它地物類別的獨特特征，提取這些特征，成為高精度作物遙感識別的重要工作內容之一。常規的特征提取方法主要是基于專家經驗知識進行提取，如長勢旺盛的作物在表現出典型的植被特征，利用構建歸一化植被指數(Normalized?DifferenceVegetation?Index,NDVI)的方式可以提取這一特征；作物在整個生育期NDVI指數呈現先高后低的趨勢，可以利用時序NDVI指數的方式提取這一特征；而在SAR影像上，同樣表現出一定的時序特征。然而隨著遙感數據的日益增多，特征的日益復雜，分辨率日益提高，使得傳統的基于人工方式進行特征提取的方式存在一定的困難，提取的特征類型、數量、作物識別能力收到制約。

而隨著深度學習技術的出現，深度學習技術相比常規的機器學習方法具有的特征自動提取能力，成為解決如何從海量遙感數據中提取有效特征這一問題的有效方法。然而，在作物遙感識別領域，當前已有的深度學習方法多數為從圖像識別/分割等其它領域直接應用，難以適應多源多時序的衛星遙感影像作物識別需求。如何從包括光學和SAR數據中提取包括時序特征和空間特征在內的多類型特征，成為利用深度學習進行作物遙感識別的重要研究內容之一。

發明內容

本發明的目的是為通過設計一種適合提取時序SAR數據及光學影像數據中豐富的時空特征信息，進行作物高精度識別的深度學習模型方法，實現基于多源遙感數據的作物遙感分類識別。

一種基于光學影像與SAR影像時序特征融合的作物分類方法，包括以下步驟：

步驟1、模型輸入層數據為目標區域的光學合成影像及時序SAR影像；光學合成影像在單景光學遙感衛星影像的基礎上處理得到。

步驟2、利用LSTM結構對時序SAR影像進行深層次時序特征提取，得到SAR時序特征圖。

步驟3、利用疊加操作，將步驟2提取的SAR時序特征圖，與步驟1得到的光學合成影像疊加，獲得疊加后的SAR時序特征與光學影像波段特征。

步驟4、基于UNET語義分割結構，從步驟3中獲取的SAR時序特征與光學影像波段特征中，提取不同層次的空間語義特征。

步驟5、基于步驟4中提取的空間語義特征，利用1×1卷積層和激活層，進行作物分類識別，得到目標區域內的作物空間分布。

作為優選，所述的LSTM結構包含一層LSTM網絡；所述的LSTM網絡包含64個神經元，并通過reshape操作將輸出結果重組為128×128像素大小、64個特征波段的特征圖。

作為優選，所述的UNET語義分割結構輸出的特征圖的大小為128×128像素，特征數量為64個。

作為優選，步驟1中所述的單景光學遙感衛星影像的空間分辨率與時序SAR影像的空間分辨率相同，影像切片大小一致。