[发明专利]基于深度学习的高分辨率遥感影像分类方法及系统

说明书

本发明公开一种基于深度学习的高分辨率遥感影像土地利用分类方法及系统，获取高分辨率遥感影像原始图像并进行预处理；制作土地利用类型训练集、验证集、测试集；构建深度学习实例分割模型，对coco数据集进行预训练；利用经过coco数据集预训练的模型，对训练集进行训练，对测试集进行随机测试，在验证集上调整模型参数，进而测试；以地理空间关系对待分类遥感影像按行列进行分割并进行编码，将均等分割后的数据全部作为输入数据输入网络模型进行土地利用分类，对数据进行映射式解码，获取图像。本发明基于深度学习的高分辨率遥感影像分类方法，在基于coco数据集进行预训练的基础上，对高分辨率遥感影像进行实例分割，提高了遥感影像的自动分类精度。

技术领域

本发明涉及遥感影像分类技术领域，具体涉及一种基于深度学习的高分辨率遥感影像土地利用分类方法及系统。

背景技术

土地利用分类是区分土地利用空间地域组成单元的过程。这种空间地域单元是土地利用的地域组合单位，表现人类对土地利用、改造的方式和成果，反映土地的利用形式和用途(功能)。土地利用分类是为完成土地资源调查或进行统一的科学土地管理，从土地利用现状出发，根据土地利用的地域分异规律、土地用途、土地利用方式等，将一个国家或地区的土地利用情况，按照一定的层次等级体系划分为若干个不同的土地利用类别。

目前基于高分辨率遥感影像的土地利用技术主要有最大似然法、二进制代码法和K-MEANS算法等非监督分类方法以及利用支持向量机(SVM)、决策树 (DT)、随机森林(RF)以及人工神经网络(ANN)等算法的监督分类方法，但在实际应用中仍然较难获得令人满意的结果。因此，迫切需要一种新的高分辨率遥感影像土地利用分类方法。

随着遥感影像地物特征不断丰富，传统的目标检测方法难以满足其分类需求，而深度学习具有学习能力强、覆盖范围广、适应能力强、可移植性好，且算法应用灵活，可以用来完成目标分类、目标检测、语义分割、实例分割、姿态识别等多个任务，能把底层的特征和高层的特征进行融合，可进行细致检测，在图像学中取得了良好的效能。因此，采用深度学习进行高分辨率遥感影像土地利用分类是一条可行途径。

综上，现有图像分析技术直接应用到遥感影像分析上的效果欠佳；同时，单纯的利用遥感影像图像信息而忽略了土地利用类型复杂的内部组成结构和各类型之间的地理空间关联关系，无法明确地反映人类对土地自然属性的利用方式和目的意图。因此，该技术有必要改进。

发明内容

本发明所要解决的技术问题是现有基于遥感影像的土地利用分类方法精度不高，效果不佳，因为传统遥感影像分类方法普遍依赖于人工判读，虽然具有较好的精度，但是要求操作人员具备丰富经验，且解译过程耗时耗力，无法满足当代自然资源管理和经济社会发展对卫星遥感影像的需求。本发明目的在于提供一种基于深度学习的高分辨率遥感影像分类方法及系统，提高数据在神经网络中训练效果，基于细粒度的分类关注样本特征，将局部特征与全局特征结合在一起，既关注整体的分类效果又对局部更精细的分类。本发明技术从像素级的尺度对遥感图像的土地利用分类问题进行研究，基于像素级的土地利用分类技术能够分析遥感影像自动化完成解译工作，提取不同时期土地利用类型等信息，为精准划定“三区三线”、动态监测土地利用变化以及国土空间用途管制等工作的开展提供了动态、精准的数据保障。

本发明通过下述技术方案实现：

一方面，本发明提供了一种基于深度学习的高分辨率遥感影像分类方法，该方法包括以下步骤：

S1：获取高分辨率遥感影像数据，进行降噪、几何校正以及图像增强等预处理；

S2：将预处理好的遥感影像图使用黑色像素填充影像的边缘，采用按掩膜提取的方式对图像进行不同尺寸的分割，并将分割后的影像批量降维到分辨率 1024×1024，同时结合兴趣点(Point of Interest，POI)所带有的属性信息制作土地利用类型训练集、验证集、测试集；