[发明专利]基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法

说明书

基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法，包括：基于OpenStreetMap数据自动生成目标域的影像对象样本集；采用与目标域影像具有相同成像传感器的源域影像，基于其历史分类图自动生成源域的影像对象样本集；综合以上目标域和源域样本集形成混合样本集，用于训练基于随机森林的迁移学习算法分类器；采用最终分类器预测目标域影像对象类型，以此得到最终分类结果。本发明在没有人工标注目标域影像类别的情况下，可以从OpenStreetMap数据中提取目标域影像对象的标签，通过挖掘相同传感器影像的历史分类图信息，结合目标域影像样本集，采用迁移学习算法对影像进行分类，降低了分类成本，可应用于大范围高空间分辨率遥感影像分类工作。

技术领域

本发明属于遥感影像处理领域，具体地说，涉及一种基于OpenStreetMap(OSM)的高空间分辨率遥感影像迁移学习分类方法，该方法可以基于OpenStreetMap获取目标域样本集，并结合源域样本集，采用迁移学习算法对高空间分辨率遥感影像进行分类。

背景技术

从高空间分辨率遥感影像上获取的地表信息可应用于城市规划、国土监测等行业。目前，从高空间分辨率遥感影像上获取地表类型信息主要分为非监督分类与监督分类两大类方法，监督分类需要事先准备一个样本集用于分类器的训练，而非监督分类无需先验知识的参与。在国土等行业的实际应用中，主要采用监督分类方法获取感兴趣区域的地表类型，其中一个关键问题就是训练样本集的获取。

传统的样本集获取通常采用人工目视解译或野外调查的方法，这些方法费时费力费钱，不适合用于大范围遥感影像分类问题。针对大范围分类问题，近年来，研究人员试图利用OpenStreetMap等开源地图数据辅助获取样本集(WAN T,LU H,LU Q,LUON.Classification of High-Resolution Remote-Sensing Image Using OpenStreetMapInformation[J].IEEE Geoscience and Remote Sensing Letters,2017,14(12):2305-9.)，这类方法能够有效利用地图上的各类地表类型信息，但在应用时也存在一些不足。例如，这类方法首先需要解决地图数据与影像的空间位置配准问题，空间位置偏移往往会导致错误样本的产生；第二个问题，像OpenStreetMap这种开源的地图数据依赖于大众的贡献，数据在不同的区域完整度差异较大，例如，在我国东部沿海城市相对于西部而言，数据完整性更高。这些问题给直接依赖OpenStreetMap数据产生样本集进行分类带来了挑战。

另一类可利用的先验知识为历史土地覆盖/利用信息，利用这类信息时往往需要采用迁移学习的思想，如果空间范围一致，历史土地覆盖/利用类型可直接作为属性信息迁移至目标影像(吴田军,骆剑承,夏列钢,杨海平,沈占锋,胡晓东.迁移学习支持下的遥感影像对象级分类样本自动选择方法[J].测绘学报,2014,(9):908-16.)。如果空间范围不一致，目标域分类时可借鉴源域中的类型特征，但为了提高分类精度，不可避免地需要人工标记一些目标域中的标签。

发明内容

本发明要克服现有技术的上述缺点，提出一种基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法。

本发明采用面向对象的影像分类思想，利用影像分割算法获取高空间分辨率遥感影像对象，结合OSM数据获取目标域样本集，结合源域影像的历史分类图获取源域样本集，使用基于随机森林的迁移学习算法训练分类器，采用该分类器预测目标域影像对象的类别，从而完成目标域影像的分类。

本发明的技术方案为一种基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法，包含以下步骤：

步骤1：基于OSM数据自动生成目标域样本集，包括以下过程：

(11)准备研究区的高空间分辨率遥感影像和相同空间范围的OSM数据，选择稳定、明显的控制点，对栅格影像与矢量数据进行空间配准；