[发明专利]基于DInSAR和DCNN的矿区分布信息提取方法及系统

权利要求书

1.一种基于DInSAR和DCNN的矿区分布信息提取方法，其特征在于：包括以下步骤：

S101：从需要进行矿区分布信息提取的目标区域对应的卫星上获取目标区域的多源遥感影像；所述多源遥感影像包括雷达影像和光学影像；

S102：根据所述雷达影像，采用差分干涉测量技术获取目标区域的沉降图，并采用阈值分割方法获得预采矿区域图；

S103：将所述预采矿区域图叠加至光学影像上，得到目标区域的第一光学影像；并采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别，并对识别出的水体区域进行剔除，得到剔除水体区域的第二光学影像；

S104：采用受限玻尔兹曼机与卷积神经网络的混合模型对所述第二光学影像中的裸地和建筑物场景进行识别，得到具有裸地和建筑物场景信息的第三光学影像；所述第三光学影像即为目标区域的露天矿区分布信息图，所述第三光学影像中的裸地和建筑物区域即为露天矿区；

步骤S103中，采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别的步骤具体包括：

S301：从UCM数据集中获取水体的训练样本；所述训练样本包括：第一训练集样本和验证集样本；

S302：搭建Alexnet神经网络模型，并利用第一训练集样本对搭建的Alexnet神经网络模型进行训练，利用验证集样本对搭建的Alexnet神经网络模型进行精度验证，进而得到训练好的高精度Alexnet神经网络模型；

S303：将所述预采矿区域图作为训练好的Alexnet神经网络模型的输入，对预采矿区域图中的水体区域进行识别，然后对识别出的水体区域进行剔除，得到剔除水体区域的第二光学影像；

步骤S302中，所述Alexnet神经网络模型由8层网络组成，包括5层卷积层和3层全连接层；其中，5个卷积层中，前两个卷积层和第五个卷积层有pool池化层，其他两个卷积层没有池化；卷积层主要进行特征的抽象和提取，池化操作用于卷积操作之后，其作用在于特征融合和降维；全连接层负责逻辑推断，所有的参数均通过学习得到，最后采用softmax分类器对Alexnet神经网络的逻辑回归进行分类；

步骤S104中，采用深度学习混合模型迁移学习的方法对所述第二光学影像中的裸地和建筑物区域进行识别的步骤具体包括：

S401：从UCM数据集中获取建筑物和裸地的第二训练集样本；

S402：搭建受限玻尔兹曼机与卷积神经网络混合模型；

S403：利用大数据集对所述混合模型中的卷积神经网络部分的参数进行预训练，得到预训练后的混合模型；所述大数据集为ILSVRC2012数据集；

S404：根据所述第二训练集样本，采用模型迁移学习方法，对所述预训练后的混合模型进行训练；得到训练后的混合模型；

S405：将所述第二光学影像作为训练后的混合模型的输入，对第二光学影像中的裸地和建筑物区域进行识别，得到具有裸地和建筑物区域信息的第三光学影像。

2.如权利要求1所述的一种基于DInSAR和DCNN的矿区分布信息提取方法，其特征在于：步骤S101中，所述雷达影像为从哨兵1号卫星上下载的雷达影像；所述光学影像为从高分二号卫星上下载的高分辨率遥感影像。

3.如权利要求1所述的一种基于DInSAR和DCNN的矿区分布信息提取方法，其特征在于：步骤S102中，所述雷达影像包括同一卫星拍摄的同一目标区域不同时间段的两幅雷达影像；采用差分干涉测量技术获取目标区域的沉降图的步骤，包括：

S201：对获取的两幅雷达影像进行精配准，并对配准后的两幅雷达影像进行干涉成像，得到目标区域的干涉图；所述干涉图上记录的为两幅雷达影像的相位差信息；

S202：将获得的干涉图进行滤波处理和去除平地效应，得到滤波后的干涉图，其中包含地形相位和形变相位；

S203：利用数字高程模型模拟在SAR干涉像对的空间基线条件下地表起伏所对应的地形相位，对干涉图和模拟的干涉像对进行差分处理，得到目标区域的差分干涉图；

S204：对所述差分干涉图再一次进行相位解缠，得到目标区域的沉降信息，进而得到目标区域的沉降图。