[发明专利]融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置

权利要求书

1.一种融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法，其特征在于，方法具体包括如下步骤：

S0、构建样本数据集，基于样本数据对融合地形数据与深度神经网络的高分辨率遥感影像云雪识别模型进行训练；所述融合地形数据与深度神经网络的高分辨率遥感影像云雪识别模型由基于简化残差神经网络的地形特征提取网络模型及引入注意力机制的DeepLabv3+语义分割神经网络模型组成，其中，

所述DeepLab v3+语义分割神经网络模型的编码区的骨架网络采用空洞卷积的Xception网络；解码区采用全卷积网络的跳步连接方式，将编码区的低层细节特征通过卷积降维与编码区输出的深层特征融合，用1×1卷积和双线性内插上采样将特征融合图像恢复至原图大小，并使用Softmax激活函数对每个像素进行分类；

在DeepLab v3+语义分割神经网络模型的编码区采用单独的地形特征提取网络模型提取地形特征；

在DeepLab v3+语义分割神经网络模型的编码区的空洞卷积金字塔池化层ASPP的输出端通过融合层Concat连接1×1卷积层，地形特征提取网络模型的输出端与融合层Concat连接；在融合层Concat输出端设置通道注意力模块；

所述地形特征提取网络模型依次由空洞3×3卷积层、批量归一化层、Relu激活函数、空洞3×3卷积层、批量归一化层、Relu激活函数和三层空洞残差网络组成；

S1、将高分辨率遥感影像输入DeepLab v3+语义分割神经网络模型中，将遥感影像对应位置的地形数据输入地形特征提取网络模型；

S2、地形特征提取网络模型提取的地形特征输出至DeepLab v3+语义分割神经网络模型，通过Concatenate方法与DeepLab v3+语义分割神经网络模型中的深层特征进行融合；通过通道注意力模块对融合地形特征的深层特征的不同通道注意力进行加权处理；

S3、DeepLab v3+语义分割神经网络模型输出高分辨率遥感影像中的云像元和雪像元。

2.如权利要求1所述融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法，其特征在于，所述样本数据的构建方法具体如下：

对高分辨率遥感影像进行辐射定标、几何校正和大气校正处理；

标记处理影像中的云像元和雪像元，对云像元和雪像元的集成区域进行剪裁；

对剪裁后的影像进行样本增强，形成样本数据集。