[发明专利]遥感图像地物识别的训练样本构建方法及识别方法

说明书

本发明属于地理测绘技术领域，提供了一种遥感图像地物识别的训练样本构建方法及识别方法，其泛化性能更好，识别准确度更高，能适应于实际工程应用，尤其是输电线路选线工程的需求。其样本构建方法，首先基于遥感图像，进行地物的类型和边界标注，并获得与遥感图像相对应的掩码图像；并基于DSM数据和DEM数据，获得与各遥感图像相对应的nDSM数据；然后，将nDSM数据作为额外波段附加到对应的遥感图像中，获得融合数据；最后，对融合数据和掩码图像进行裁剪，获得各类地物类型的训练样本。识别方法，则采用UCTransNet模型，并采用训练样本构建方法所构建的训练样本进行训练。

技术领域

本发明属于地理测绘技术领域，尤其涉及一种遥感图像地物识别的训练样本构建方法及识别方法。

背景技术

随着对地观测技术的发展，遥感影像的获取手段与类型日趋多样化，影像数据的现势性和有效性也有了极大的提高，尤其是近年对无人航测技术的应用，能获取到不同类型的高分辨率遥感数据大幅增加，因此，目前，高分辨率遥感影像被广泛地应用于土地利用、城市规划，环境监测等领域中。

而对高分辨率遥感影像信息提取的前提和基础是遥感影像分类，根据分类单元的不同，遥感影像分类方法可以分为基于像元和面向对象的分类。其中，传统的，主要采用面向对象的方法，其主要利用像元之间的空间系。但在传统的输电线路选线的过程中，基于遥感影像中地物要素的识别和提取，主要依靠人工实现，其效率低、成本高且周期长，无法通过常态化更新来保持数据的现势性和有效性，增强其应用价值。另一方面，通过目视解释的方式进行地物的分类，具有主观性，不同的作业人员判断的标准不一样，很可能会出现不同的结果，造成结果的不准确。

自从以全卷积神经网络FCN为代表的语义分割模型出现后，可以通过语义分割模型，联系上下文信息实现基于像素的密集预测任务，进行图像的准确分类。目前，该方法被广泛地应用到图像的分类任务中，取得了较好的效果，也得到了极大的发展，现有常见的语义分割模型包括：U-NET、SegNet、DeepLab、Dilated Convolutions、RefineNet、PSPNet等。因此，在现有研究中，也有将语义分割模型应用于遥感图像地物识别的尝试。

但目前的语义分割模型，主要针对小尺度图像，比如医学图像、机器视觉等，因此，在将其应用于遥感图像的地物识别时，存在以下不足：一方面，高分辨率遥感影像虽然能展示地面目标的清晰细节，减小了目标地物的类间差异，但是光谱信息更加复杂，同时也增加了类内的差异；另一方面，高分辨率遥感影像的波段一般较少，光谱信息相对欠缺，在一定程度上限制了模型特征学习的丰富度，无法很好的处理地物内部由于光谱信息相似而造成的错分现象。

尤其是，在现有的大多数研究中，通常为试验性质的尝试，其主要利用公开的数据样本或某一指定区域的少量遥感数据，其数据格式标准，所涉及到的区域和数据量均较小，需要识别的地物要素形态单一。但在实际的工程中，如实际的输电线路选线工程中，所涉及的区域跨度大，所涉及到的遥感图像，通常以无人机拍摄的航飞数据为主，数据量大，且由于航拍无人机轨迹的随机性、光学系统的差异性等原因，所获得遥感图像数据的分辨率、色调和质量等各不相同，不同工程中包含的需要识别的地物要素形态差别较大。因此，基于上述差异，导致现有研究所获得的遥感数据地物识别模型，通常缺乏代表性和一定程度的泛化性。因此，在实际的工程应用中，对地物识别的准确度不高，难以满足实际的工程应用的需求。

发明内容

本发明所要解决的技术问题是：提出一种遥感图像地物识别的训练样本构建方法及识别方法，其泛化性能更好，识别准确度更高，能适应于实际工程应用的需求。

本发明解决上述技术问题采用的技术方案是：

遥感图像地物识别的训练样本构建方法，包括以下步骤：

S1、数据准备