[发明专利]一种基于深度学习的地理空间信息变化检测分类方法及系统

说明书

本发明公开了一种基于深度学习的地理空间信息变化检测分类方法，包括以下步骤：基于深度学习语义分割与变化检测方法生成编译‑解译结构的多层次多维度网络模型；构建了数据清洗预处理并分割聚类生成样本数据集的方法；基于迁移学习技术，架构迁移学习框架，应用新的数据集在基础模型上通过训练自动化快速地更新修正模型，生成融合模型应用于新的地理空间信息变化检测与分类领域。本发明还公开了一种基于深度学习的地理空间信息变化检测分类系统。本发明基于基础模型、样本数据利用迁移学习技术对基础模型再训练，获得适应于不同领域、不同场景的地理空间信息变化检测及分类的动态成长模型，提高了精度与效率。

技术领域

本发明涉及卫星遥感影像技术领域，尤其涉及一种基于深度学习的地理空间信息变化检测分类方法及系统。

背景技术

基于遥感影像数据的地理信息数据调查已广泛应用于各领域，但由于地理空间信息具有多样性、复杂性、易变性，数据信息变化难以准确提取，且影响因子较多。关于遥感影像的变化分类，传统的遥感技术大多分析遥感影像的光谱、纹理信息，提取各分类特征采用监督分类方法进行分类，但由于忽略了地理空间关联关系和复杂的内部组成结构，问题较多精度较差；或依赖人工进行检测分类，依赖人力资源且生产效率低，随着遥感影像数据的不断增加，显而易见，传统的遥感技术已经不适用。因此，依托于现如今算力水平的不断提升，基于深度学习语义分割架构模型处理遥感大数据，提取变化特征精确分类的研究具有重要意义。

发明内容

针对现有技术不足问题，本发明的目的是提出一种基于深度学习的地理空间信息变化检测分类方法，解决多源遥感影像数据以及地理空间变化关系的混乱、破碎难以系统性的检测分类问题。基于深度学习技术，基于深度学习技术建立基础的动态模型，具备学习能力，基于迁移学习，重训练模型，扩大模型的认知，进而对不同的遥感影像进行系统性、高精度的变化检测与分类。

本发明公开一种基于深度学习的地理空间信息变化检测分类方法，包括以下步骤：

基于深度学习语义分割与变化检测方法生成编译-解译结构的网络模型，对所述编译-解译结构的网络模型进行训练测试，获得基础模型；

基于迁移学习技术和所述基础模型，构建迁移学习框架；使用样本数据集在所述迁移学习框架上进行迁移学习，构建迁移学习的新模型；

所述迁移学习的新模型与所述基础模型整合，形成融合模型；

根据所述融合模型对待检测遥感影像进行检测分类。

优选地，样本数据集的获取方法为：清洗历史遥感影像数据并制作地理空间信息变化检测分类的样本数据集。

优选地，清洗数据并制作地理空间信息变化检测分类的样本数据集，具体步骤为：

获取历史遥感影像数据，对历史遥感影像数据进行预处理，得到预处理影像数据；

所述预处理影像数据分割提取纹理特征向量；采用高斯混合聚类方法将纹理特征向量进行聚类，得到带有特征词典的聚类后影像；

所述聚类后影像进行切片处理，得到样本数据集。

优选地，基于深度学习语义分割与变化检测方法生成编译-解译结构的网络模型，对所述编译-解译结构的网络模型进行训练测试，获得基础模型，具体步骤为：

构建深度学习语义分割与变化检测方法的编译-解译结构的网络模型，深度学习语义分割与变化检测方法的编译-解译结构的网络模型包括跨层组合分布的地理空间信息特征基本提取层、地理空间信息特征基本映射层和地理空间信息特征基本输出层；

对所述编译-解译结构的网络模型进行训练、测试，获得基础模型。

优选地，构建深度学习语义分割与变化检测方法的编译-解译结构的网络模型，包括跨层组合分布的地理空间信息特征基本提取层、地理空间信息特征基本映射层和地理空间信息特征基本输出层，包括：