[发明专利]基于自适应样本集构造与深度学习的遥感影像解译方法

说明书

本发明公开了一种基于自适应样本集构造与深度学习的遥感影像解译方法，包括步骤：对样本总集进行特征提取，并对提取的特征进行聚类，构建视觉词袋模型的特征词典，得到样本子集；构建基于深度学习网络的解译模型，并先后输入样本总集和聚类的样本子集对解译模型进行训练，分别得到总解译模型和与各样本子集相对应的子解译模型；采用总解译模型以及根据待解译遥感影像的影像特征选取的合适的若干子解译模型，对待解译遥感影像进行自适应解译。其显著效果是：通过聚类的自动化、分布式手段快速建立海量遥感影像的样本库，并利用机器深度学习技术对样本库数据进行训练，获得适应于不同场景的智能解译模型，解译精度高，鲁棒性好。

技术领域

本发明涉及到遥感影像处理技术领域，具体涉及一种基于自适应样本集构造与深度学习的遥感影像解译方法。

背景技术

遥感技术经过几十年的发展，卫星遥感影像分辨率不断提高。随着国内资源三号、高分系列以及其它商业卫星不断发射成功，遥感信息提取获得了充足的信息来源。而遥感影像分类是利用遥感技术手段获得土地覆盖信息的重要环节，如何利用遥感影像大数据，实现遥感影像的自动分类以及不同时相的影像变化信息提取是一项非常重要的研究课题。

近年来利用高分辨率遥感图像进行变化信息提取受到了广泛的关注，然而实际作业中依然依赖于人工核查，导致生产效率低下。随着计算机计算性能的不断提升与大数据时代的到来，人工智能技术已经在计算机视觉、自然语言处理、信息检索与语音识别等领域取得了巨大的成功。使用人工智能技术特别是深度学习技术对遥感大数据进行遥感影像解译、变化发现成为了遥感领域新的热点，为土地利用变化检测、自然资源违法监测提供了新的思路，具有重要的应用价值。

目前，针对高分辨遥感影像自动解译与识别任务的研究方法主要有两种：第一种是传统的模式识别方法，这类方法将目标任务视为模式分类问题，综合利用影像的光谱、几何、纹理特征，或者专家知识和经验指数，构建特征知识库实现“经验化”的解译过程，主要包括特征抽取、特征融合及选择，以及特征分类三个步骤。第二种是人工智能的方法，人类视觉系统具有极强的识别能力和适应(学习)能力，人工智能方法是解决遥感影像快速采集地理信息的必由之路，视觉认知计算通过对人类视觉认知机理的了解，完成其数学建模以实现高效、鲁棒的视觉任务。

然而，以上两种方法的解译都具有较大的局限性，传统模式识别方法由于图像分割、特征选择等环节缺乏普适的原则或理论，在大范围复杂影像中难以达到实际应用所需的精度和鲁棒性；人工智能方法在遥感影像高可靠性的信息提取中，现有的以深度学习为代表的计算机视觉方法也难以媲美人类视觉系统的鲁棒性，主要原因在于缺乏大量已标注的像素级专业数据库供分析研究，因此如何对现有数据库进行有效构造和利用迫在眉睫。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于自适应样本集构造与深度学习的遥感影像解译方法，基于聚类的自动化、分布式手段快速建立海量遥感影像的样本库，并利用机器深度学习技术，对样本库数据进行训练，获得适应于不同场景的智能解译模型对遥感影像进行解译。

为达到上述目的，本发明采用的技术方案如下：

一种基于自适应样本集构造与深度学习的遥感影像解译方法，其关键在于：包括如下步骤：

步骤1，对样本总集进行特征提取，并对提取的特征进行聚类，构建视觉词袋模型的特征词典，得到样本子集；

步骤2，构建基于深度学习网络的解译模型，并先后输入样本总集和聚类的样本子集对解译模型进行训练，分别得到总解译模型和与各样本子集相对应的子解译模型；

步骤3，采用总解译模型以及根据待解译遥感影像的影像特征选取的合适的若干子解译模型，对待解译遥感影像进行自适应解译。

进一步的，步骤1中获得样本子集的具体步骤为：

步骤1.1，将样本总集中所有影像划分为若干影像块，提取每个影像块的CS-LBP特征，获得CS-LBP直方图；