[发明专利]联合多时相特征的遥感影像地表要素识别方法及存储介质

权利要求书

1.一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的识别方法包括：

步骤1：获取多时相遥感影像数据；

步骤2：分别提取多时相遥感影像的时序关联特征和时空谱三维判别特征；

步骤3：对时序关联特征和时空谱三维判别特征进行级联和批量归一化处理；

步骤4：通过全连接层获得高级语义特征；

步骤5：通过分类器对高级语义特征进行分类，获得遥感影像地表要素识别结果。

2.根据权利要求1所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的步骤2中遥感影像的时序关联特征的提取方法为：

搭建由3层LSTM网络串联构成的LSTM网络模型；

使用LSTM网络模型提取遥感影像的时序关联特征。

3.根据权利要求2所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的LSTM网络模型中单个LSTM网络的滤波核数量为128，非线性激活函数为ReLU函数。

4.根据权利要求1所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的步骤2中遥感影像的时空谱三维判别特征提取方法为：

搭建CNN网络模型；

使用CNN网络模型提取遥感影像的时空谱三维判别特征；

所述的CNN网络模型包括：

CONV3T模块：用于沿时间维度执行三维卷积，学习空谱特征在不同时序下变化特征；

CONV3S模块：用于沿光谱维度执行三维卷积，融合单个波段随时间的光谱波动。

5.根据权利要求4所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的CNN网络模型提取遥感影像的时空谱三维判别特征的方法具体为：

首先，将多时相数据分别输入CONV3T模块和CONV3S模块；

其次，对CONV3T模块和CONV3S输出的特征进行级联操作；

最后，对级联特征进行批量归一化和展平操作后输出时空谱级联特征。

6.根据权利要求5所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的CONV3T模块和CONV3S模块均包括1×1和3×3两种感受野的三维卷积模块CONV3进行级联融合，即：CONV3T模块包括卷积核大小为3×3×n的CONV3子模块和1×1×n的CONV3子模块，CONV3S模块包括3×3×t的CONV3子模块和1×1×t的CONV3子模块，其中，n为每幅图像包含的波段数，t为多时相遥感影像的时相数，每个子模块卷积核的数量均为64；

CONV3T模块和CONV3S模块在分别对两种感受野子模块提取的特征进行级联融合后，均对所提取的特征进行批量归一化处理；

CNN网络模型对CONV3T模块和CONV3S模块输出的特征进行级联和批量归一化处理。

7.根据权利要求6所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的CONV3T模块和CONV3S模块在对所提取的特征进行批量归一化处理后分别对处理后的特征进行重采样处理。

8.根据权利要求6所述的一种联合多时相特征的遥感影像地表要素识别方法，其特征在于，所述的CNN网络模型设有1×1和3×3两种感受野的二维卷积模块CONV2，即CNN网络模型设有卷积核大小为1×1的CONV2模块和3×3的CONV2模块，每个CONV2模块的卷积核数量均为128，用于增强多时相遥感影像的空间上下文信息；

所述的CNN网络模型对CONV3T模块和CONV3S模块输出的特征进行级联和批量归一化处理后，将处理后的特征分别输入卷积核大小为1×1的CONV2模块和3×3的CONV2模块，然后将卷积核大小为的1×1CONV2模块和3×3的CONV2模块输出的特征进行级联和批量归一化处理，最后展平后输出时空谱级联特征。