[发明专利]一种矿区土地覆盖分类方法、设备、装置及存储介质

说明书

本发明提供了一种矿区土地覆盖分类方法、设备、装置及存储介质，包括：获取标定矿区的遥感数据，从标定矿区的遥感数据中提取多模态数据，其中，多模态数据包括多光谱影像和数字高程模型数据；基于多模态数据提取多模态浅层特征，使用深度置信模型处理多模态浅层特征获得多模态深度特征；使用第一深层模型处理多光谱影像的像元邻域获得深层光谱‑空间特征，使用第二深层模型处理数字高程模型数据的像元邻域获得深层地形特征；融合多模态深度特征、深层光谱‑空间特征以及深层地形特征输入分类器，获得分类结果。利用卷积神经网络和深度置信网络的各自优势，能解决由于矿区典型特征导致其土地覆盖分类精度难以提升的问题。

技术领域

本发明涉及遥感影像分类领域，具体而言，涉及一种矿区土地覆盖分类方法。

背景技术

开展矿区土地覆盖精细分类研究，对于矿区的精细化管理、矿区生态环境监测与可持续发展等具有重要意义。在复杂的露天采矿景观中，特定于景观的部分特征限制了算法的准确性。例如矿区的复杂景观特点如立体地形特征显著、光谱-空间特征同质性强和遥感特征时空变异性强，严重制约了土地覆盖分类精度的提升。基于特征工程和传统机器学习分类器的方法在各种遥感分类中取得了一定的成功，但浅层人工设计特征的表示能力不足，限制了其开展分类的精度上限。

发明内容

本发明解决的问题是如何针对矿区典型特征以提高土地覆盖分类精度。

为解决上述问题，本发明提供一种矿区土地覆盖分类方法，所述深度特征融合模型包括第一深层模型、第二深层模型、深度置信模型和分类器，所述矿区土地覆盖分类方法包括：

获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据；基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征；使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征；融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入所述分类器，获得分类结果。

相对于现有技术，本发明通过多光谱影像和数字高程模型数据，获得浅层光谱-空间特征以及浅层地形特征；再通过浅层地形特征与深度置信模型获得深度特征，使获得的深度特征更具有准确性，在缺少或没有先验知识的情况下获得鲁棒性更强的特征数据；通过第一深层模型和第二深层模型分别处理多光谱影像和数字高程模型数据的像元邻域，获得深度光谱-空间特征和深度地形特征，结合了遥感数据中光谱空间与地形及其相邻区域的关联性的特征，保证提取到的特征具有更好的准确性，使分类模型输出的分类结果更加具有鲁棒性；将基于无监督学习获得的深度特征和基于深层模型获得的深层特征相结合，保证发挥各自的优势，提高最终分类模型的鲁棒性，不会被复杂的遥感图像干扰。

可选地，所述基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征包括：

使用所述多模态数据提取所述多模态浅层特征，其中，所述多模态浅层特征包括浅层光谱-空间特征和浅层地形特征；将所述浅层光谱-空间特征与所述浅层地形特征通过向量串联的方式堆叠，获得浅层堆叠特征；基于所述深度置信模型处理所述浅层堆叠特征获得所述多模态深度特征。

由此，通过向量串联的方式对浅层特征进行堆叠，然后使用深度置信网络模型进行深度特征的提取，可以保证充分利用深度置信网络模型算法的优点，在缺少先验知识或不使用先验知识的情况下自动获取潜藏在数据中难以解读的高层信息，输出的信息对数据有一定的表征作用。

可选地，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征之前，还包括：获取所述遥感数据的地物类型及数据尺寸；根据所述地物类型和所述数据尺寸获得所述像元邻域的大小。