[发明专利]矿区土地利用识别方法、装置、设备及介质

说明书

本发明提供一种矿区土地利用识别方法、装置、设备及介质，该方法包括：通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，并提取各影像对象的影像对象特征；将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的DenseNet网络；将所述优化后的影像对象特征和所述深度特征叠加后进行类别识别，得到矿区用地类型分类结果。本发明用以解决无法高精度识别矿区用地类型的缺陷，实现了提升矿区用地类型的识别精度。

技术领域

本发明涉及矿区土地利用技术领域，尤其涉及一种矿区土地利用识别方法、装置、设备及介质。

背景技术

矿产资源是自然资源的重要组成部分，矿区用地类型的动态监测和统计对于矿产资源的合理开发、区域生态环境保护具有重要意义，因此实现矿区不同用地类型的高效和准确识别是目前亟待解决的问题之一。传统的用地识别提取是通过外业调查或者影像人工勾绘的方式获取。随着遥感技术的快速发展，大量高分辨率遥感对地观测数据可被获取，使得基于高分影像数据自动分类的方式可以替代人工方式。矿区是人类活动与自然环境相互作用的复杂场景，此外，高分辨率意味着细节更加复杂，信息提取难度更高，因此基于高分影像实现高精度自动化的矿区用地类型识别具有极大困难。

随着深度学习技术的兴起，卷积神经网络CNN已经得到了广泛的应用。CNN通过层次化的结构来模拟特征表达、逐层抽象目标特征并最终实现复杂背景下的有效信息自动挖掘，因此对于高分影像分类，相较于传统的基于手工特征的面向对象方法，CNN具有更强的地物区分能力。

传统基于CNN的影像分类方法把逐像素、尺度固定的影像Patch作为网络输入进行特征学习和分类。这种方式对时间和内存需求较高，并且容易导致分类结果中地物边界模糊。如今，越来越多先进的深度学习模型被提出，如ResNet、Inception、DenseNet等，但是这些模型仍然无法克服上述问题。

面向对象的CNN(OCNN)目前得到了越来越多的关注，这类方法不再采用基于像素的分类方法，而是利用影像Patch来表达每个对象，从而通过CNN实现影像对象分类。但是，现有OCNN方法存在以下问题：(1)地物是多尺度的，而影像Patch大小是固定的，无法准确表达影像对象，因此不能有效挖掘地物多尺度特性，影响最终的分类精度以及算法的实用性；(2)仅仅采用卷积神经网络对影像进行深度特征提取，忽略了影像特征对于影像的分类能力。

综上所述，传统的CNN影像分类受限于逐像素表达方式，现有的面向对象CNN需要复杂的对象表达策略且忽略了矿区地物的多尺度特性，同时传统的影像特征对于矿区地物的识别同样具有重要作用，因此现有面向对象CNN方法无法高精度识别矿区用地类型，现有技术中存在识别矿区用地类型的精度低的缺陷。

发明内容

本发明提供一种矿区土地利用识别方法、装置、设备及介质，用以解决现有技术中无法高精度识别矿区用地类型的缺陷，实现提升矿区用地类型的识别精度。

本发明提供一种矿区土地利用识别方法，包括：

通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，并提取各影像对象的影像对象特征；

将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；

将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的DenseNet网络；

将所述优化后的影像对象特征和所述深度特征叠加后进行类别识别，得到矿区用地类型分类结果。