[发明专利]一种基于神经网络的遥感影像工程量监测方法

权利要求书

1.一种基于神经网络的遥感影像工程量监测方法，其特征在于：

所述监测方法依次按照以下步骤进行：

S1、模型建立与训练

获取大量无标签的遥感图像并将其分成样本集、训练集，根据样本集构建基于卷积神经网络的语义分割模型，然后采用样本集和训练集分别对基于卷积神经网络的语义分割模型进行训练与测试；

S2、影像解译

选取任意前后两期影像，进行预处理，再将经预处理后的前后两期影像输入训练好的基于卷积神经网络的语义分割模型中，以对前后两期影像中各类地物进行自动解译；

S3、影像变化检测

对经自动解译后的前后两期影像采用SLIC超像素分割算法进行影像分割，对经影像分割后的前后两期影像进行特征提取，基于前后两期影像之间的特征差异，得到前后两期影像的变化置信度图，随后采用最大类间方差法确定变化置信度图中前景与背景的分割阈值，最后利用二值化进行影像前景与背景的切割，输出前后两期影像的变化图斑。

2.根据权利要求1所述的一种基于神经网络的遥感影像工程量监测方法，其特征在于：

步骤S1中，所述基于卷积神经网络的语义分割模型包括输入层、N个卷积层、N个池化层、输出层，所述卷积层与池化层一一对应，上个卷积层的池化结果作为下个卷积层的输入，对每个卷积层的池化结果进行上采样，将各个经上采样后的卷积层池化结果通过MP算法进行流形排序，根据流形排序结果选取最优的卷积层池化结果通过输出层进行归一化处理，最终输出解译后的影像。

3.根据权利要求2所述的一种基于神经网络的遥感影像工程量监测方法，其特征在于：

所述卷积层所使用的卷积核为根据以下步骤得到的深度学习模型：

A1、先对样本集进行等价模式的LBP特征提取，然后根据提取的LBP特征值通过K-means聚类算法得到N个聚类中心，所述N个聚类中心汇聚成一个BOW特征词典；

A2、将遥感图像的每个LBP特征分配至与其最相近的聚类中心，统计各个聚类中心出现的次数，将遥感图像划入最近的聚类中心，从而将样本集划分为N个与聚类中心一一对应的子集；

A3、采用BP算法对N个子集进行训练，得到N个与子集一一对应的深度学习模型，所述深度学习模型即为基于卷积神经网络的语义分割模型中卷积层所使用的卷积核。

4.根据权利要求2或3所述的一种基于神经网络的遥感影像工程量监测方法，其特征在于：所述上采样采用最近邻插值法。

5.根据权利要求3所述的一种基于神经网络的遥感影像工程量监测方法，其特征在于：

所述输入层的图像大小为224×224×3；

所述卷积层的数量为5个，5个卷积层共同组成判别器， 5个卷积层分别为卷积层C1、卷积层C2+ReLU、卷积层C3+ReLU、卷积层C4+ReLU、卷积层C5+ReLU，

所述卷积层C1使用11×11×6的卷积核，激活函数为ReLU函数，步长s=2，得到6组107x107特征映射，可训练参数量为6×121+6=732；

所述卷积层C2+ReLU使用7×7×8的卷积核，步长s=2，特征映射为51×51×8=20808，可训练参数为8×49+8=400；

所述卷积层C3+ReLU使用5×5×16的卷积核，步长s=2，特征映射为25×25×16=10000，可训练参数为16×25+16=416；

所述卷积层C4+ReLU使用3×3×32的卷积核，步长s=2，特征映射为12×12×32=4608，可训练参数为32×9+32=320；

所述卷积层C5+ReLU使用3×3×64的卷积核，步长s=2，特征映射为5x5x64=1600，可训练参数为64x9+64=640；

最大池化层统一核心大小为2×2，步长s=2；

所述输出层使用Softmax损失层。