[发明专利]基于深度学习的超分辨率土地覆被分类图的获取方法

说明书

本发明实施例提供一种基于深度学习的超分辨率土地覆被分类图的获取方法，该方法包括：将所述低时空分辨率的土地覆盖图输入超分辨率提取模型，输出对应于所述低时空分辨率的土地覆盖图的超分辨率土地覆被分类图；其中，所述超分辨率提取模型是基于样本低时空分辨率的土地覆盖图和对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签进行训练后得到的，所述超分辨率提取模型采用卷积运算单元与LSTM网络级联后建立的网络进行训练，所述卷积运算单元使用的卷积核是X*1矩形卷积核，X为大于0的整数。本发明实施例提供的方法，实现了获取更准确和更明确的超分辨率土地覆被分类图。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的超分辨率土地覆被分类图的获取方法。

背景技术

土地覆盖是指地球表面的植被覆盖物和人工覆盖物的总称，是自然植被与自然营造体和人工建造所覆盖的地表诸要素的综合反映。土地覆盖是人类认识自然、掌握自然规律必备的信息，也是各种资源管理和地理信息服务所需要的最基本数据。因此，土地覆被信息的获取、分析和更新显得极其重要。

遥感影像数据以其宏观性，实时性的特点，一直以来都是土地覆盖检测的重要手段。目前基于遥感数据的土地覆被分类方法一般分为两种，一种是基于遥感原始图像作为目视解译的传统方法；另一种则是利用深度学习的思想基于遥感的数据产品(包括一级产品和更高级产品)的智能分类。

土地覆被分类图已被广泛使用，但是越来越需要更高的时空分辨率的土地覆被分类图。高温卫星数据往往具有较粗糙的空间分辨率，而高空间分辨率卫星数据通常具有较低的时间分辨率。生产高空间和时间分辨率的土地覆盖分类产品极具挑战性。超分辨率方法可以帮助实现这一目标，但是目前能获取超分辨率的土地覆被分类图的方法有限。

在传统的土地覆被制图中，通常根据现有数据制作具有相应分辨率的土地覆被分类图。根据常规方法，通过将遥感图像的每个像素仅分配给一个土地覆盖类别来对土地覆盖进行分类。

超分辨率的方法，可以从低分辨率图像中获得精细的空间分辨率土地覆被分类图。显然，低分辨率图像可以通过插值(例如双线性插值和双三次卷积)进行上采样。但是，通过这些方法获得的高分辨率图像不明确，无法添加更多有用的信息。

因此，如何避免现有的超分辨率土地覆被分类图的获取方法造成的获得的高分辨率图像不明确和不准确，无法添加更多有用的信息的情况，仍然是本领域技术人员亟待解决的问题。

发明内容

本发明实施例提供一种基于深度学习的超分辨率土地覆被分类图的获取方法，用以解决现有的超分辨率土地覆被分类图的获取方法造成的获得的高分辨率图像不明确和不准确，无法添加更多有用的信息的问题。

第一方面，本发明实施例提供一种基于深度学习的超分辨率土地覆被分类图的获取方法，包括：

确定低时空分辨率的土地覆盖图；

将所述低时空分辨率的土地覆盖图输入超分辨率提取模型，输出对应于所述低时空分辨率的土地覆盖图的超分辨率土地覆被分类图；

其中，所述超分辨率提取模型是基于样本低时空分辨率的土地覆盖图和对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签进行训练后得到的，所述超分辨率提取模型采用卷积运算单元与LSTM网络级联后建立的网络进行训练，所述卷积运算单元使用的卷积核是X*1矩形卷积核，X为大于0的整数。

优选地，该方法中，对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签的获取，具体包括：

采用人工插值对各样本低时空分辨率的土地覆盖图进行上采样，得到对应于各样本低时空分辨率的土地覆盖图的超分辨率土地覆被分类图标签，

其中，土地覆被分类类别为基于CNLUCC类别合并而成的10种大类别。