[发明专利]基于深度神经网络的遥感影像滑坡测图方法

摘要

本发明提供基于深度神经网络的遥感影像滑坡测图方法，包括：对滑坡前后的遥感影像进行预处理；对滑坡后影像进行超像素分割；将滑坡后影像的超像素区域与滑坡前影像叠加，获得滑坡前影像的超像素区域；计算每个超像素所在区域的变化强度特征；将滑坡前后的超像素光谱特征与变化强度特征融合，生成特征向量；计算各像素变化强度特征，并通过LSELUC算法进行滑坡提取，进而与超像素区域叠加，计算各区域变化比率，并通过阈值分割提取伪样本数据集，形成滑坡提取初始结果；构建滑坡测图深度神经网络模型，利用伪样本数据集进行训练，输入特征向量进行分类；融合滑坡提取初始结果和模型分类结果，生成最终的滑坡测图结果。

主权项

1.一种基于深度神经网络的遥感影像滑坡测图方法，其特征在于，包括以下步骤：步骤1：获取滑坡前后的遥感影像，进行影像预处理，得到滑坡前影像和滑坡后影像；步骤2：采用分形网络演化方法，设定分割尺度、形状参数、紧致度参数，对滑坡后影像进行超像素分割，得到滑坡后影像的超像素；然后，将滑坡后影像的超像素区域与滑坡前影像叠加，获得滑坡前影像的超像素区域，使滑坡前后影像具有相同的分割边界，同时保证滑坡数据的完整性；步骤3：采用超像素级变化向量分析方法计算所得的每个超像素所在区域的变化强度特征；将滑坡前后的超像素光谱特征与变化强度特征融合，生成特征向量，作为滑坡测图的依据；步骤4：对于滑坡前影像和滑坡后影像，采用像素级变化向量分析方法计算每个像素的变化强度特征，并通过LSELUC算法进行滑坡提取，得到初始的像素级滑坡提取结果；将像素级滑坡提取结果与超像素区域叠加，计算每个超像素区域内的变化比率，并通过阈值分割提取“滑坡”与“非滑坡”的伪样本数据集，形成滑坡提取初始结果；步骤5：构建针对滑坡测图的深度神经网络模型，利用伪样本数据集对深度神经网络模型进行训练，输入非样本数据的特征向量进行分类，生成分类结果；步骤6：利用多数投票法融合滑坡提取初始结果和深度神经网络模型分类结果，生成最终的滑坡测图结果。