CN116091850A - 一种矿区土地覆盖分类模型建立及分类方法 - Google Patents
一种矿区土地覆盖分类模型建立及分类方法 Download PDFInfo
- Publication number
- CN116091850A CN116091850A CN202310379614.4A CN202310379614A CN116091850A CN 116091850 A CN116091850 A CN 116091850A CN 202310379614 A CN202310379614 A CN 202310379614A CN 116091850 A CN116091850 A CN 116091850A
- Authority
- CN
- China
- Prior art keywords
- size
- mining area
- depth
- multispectral
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种矿区土地覆盖分类模型建立及分类方法,所述分类模型建立方法包括:获取研究区的历史遥感图像数据,根据所述研究区的历史遥感图像数据确定对应的多光谱影像和地形数据;基于所述多光谱影像确定浅层光谱‑空间特征以及不同尺寸多光谱影像;基于所述地形数据确定最优尺寸地形数据影像;根据所述浅层光谱‑空间特征、所述不同尺寸多光谱影像以及所述最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型。本发明提高了露天采矿区土地覆盖分类的精确度。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种矿区土地覆盖分类模型建立及分类方法。
背景技术
采矿有两种方法,分为硐采与露天采矿,和硐采相比,露天采矿具有开采规模大、开采效率高、回采率高、安全性高的优势,然而无序、粗放的露天采矿往往会引发一系列矿山地质环境问题。因此,基于高空间分辨率遥感技术开展露天采矿区土地覆盖精细分类,有助于实现对采矿活动的准实时监控与管理,推进采矿区绿色修复、生态文明建设与可持续发展。
露天采矿活动对地表物质的剥蚀、搬运和堆积等导致地表呈现出不同程度的正负地形,同时形成了具有不同光谱-空间特征的采矿功能区,如采坑、选矿场和排土场等。露天采矿区不仅具有上述复杂景观,同时也混杂其它复杂地物,如不同物种、不同物候阶段的农业景观。复杂露天采矿区因而具有三个典型特征,即立体地形特征显著、遥感特征变异性强和光谱-空间同质性强。在遥感影像分类领域,和机器学习相比,深度学习技术的效率和精确度更高。然而在基于深度学习技术的采矿区土地覆盖精细分类方法中,存在深度学习网络模型对样本具有大量的需求与遥感分类的少样本情况的矛盾,而上述复杂露天采矿区的典型特征加剧了土地覆盖精细分类时,对样本的大量需求与少样本情况的矛盾,使得基于高分遥感技术的复杂露天采矿区土地覆盖精细分类精度难以提升。
发明内容
本发明解决的问题是如何提高基于高分遥感技术的复杂露天采矿区土地覆盖精细分类精度。
为解决上述问题,本发明提供一种矿区土地覆盖分类模型建立及分类方法。
第一方面,本发明提供了一种矿区土地覆盖分类模型建立方法,包括:
获取研究区的历史遥感图像数据,根据所述研究区的历史遥感图像数据确定对应的多光谱影像和地形数据;
基于所述多光谱影像确定浅层光谱-空间特征以及不同尺寸多光谱影像;基于所述地形数据确定最优尺寸地形数据影像;
根据所述浅层光谱-空间特征、所述不同尺寸多光谱影像以及所述最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型。
可选地,所述初始模型包括基于非对称卷积模块的深度残差网络模型、特征融合模块以及分类器;所述不同尺寸多光谱影像包括最优尺寸多光谱影像、第一尺寸多光谱影像以及第二尺寸多光谱影像,其中,所述第一尺寸多光谱影像的尺寸小于所述最优尺寸多光谱影像,所述第二尺寸多光谱影像的尺寸大于所述最优尺寸多光谱影像;所述根据所述浅层光谱-空间特征、所述不同尺寸多光谱影像以及所述最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型包括:
将所述最优尺寸多光谱影像、所述第一尺寸多光谱影像、所述第二尺寸多光谱影像以及所述最优尺寸地形数据影像作为训练集输入所述深度残差网络模型,输出对应的深度特征;
在所述特征融合模块中对所述深度特征以及所述浅层光谱-空间特征进行融合,得到多层次深度融合特征;
将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型。
可选地,所述深度残差网络模型的构建过程包括:
将标准残差网络模型中的传统卷积块改为非对称卷积模块,其中,在所述非对称卷积模块中先进行3×3深度可分离卷积,再进行1×3深度可分离卷积,然后进行3×1深度可分离卷积。
可选地,所述对所述深度特征以及所述浅层光谱-空间特征进行融合,得到多层次深度融合特征包括:
将所述最优尺寸多光谱影像对应的所述深度特征与所述浅层光谱-空间特征进行融合,得到浅层-深度融合特征;
将所述第一尺寸多光谱影像对应的所述深度特征与所述第二尺寸多光谱影像对应的所述深度特征进行融合,得到多尺寸深度融合特征;
将所述浅层-深度融合特征与所述多尺寸深度融合特征进行融合,得到浅层-多尺寸深度融合特征;
将所述浅层-多尺寸深度融合特征与所述最优尺寸地形数据影像对应的所述深度特征进行融合,得到所述多层次深度融合特征。
可选地,所述分类器为归一化指数函数分类器,其中,所述归一化指数函数分类器的输入为所述多层次深度融合特征,输出为地物分类概率矢量。
可选地,所述将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型包括:
通过所述分类器输出所述地物分类概率矢量,根据所述地物分类概率矢量确定初始地物分类标签结果,根据所述初始地物分类标签结果与预设标签结果计算损失,根据所述损失进行反向传播,以构建所述矿区土地覆盖分类模型。
可选地,在所述将所述最优尺寸多光谱影像、所述第一尺寸多光谱影像、所述第二尺寸多光谱影像以及所述最优尺寸地形数据影像作为所述矿区土地覆盖分类模型的训练集输入所述深度残差网络模型之前,还包括:
建立露天采矿区土地覆盖分类体系,其中,所述露天采矿区土地覆盖分类体系包括二级地物类别;
根据所述二级地物类别对所述训练集进行标签化。
可选地,所述将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型还包括:
根据F1-score、Kappa、OA精度评价指标对所述训练好的矿区土地覆盖分类模型进行精度评价。
可选地,所述基于所述多光谱影像确定不同尺寸多光谱影像包括:
建立最优尺寸调参数据集,根据所述最优尺寸调参数据集和所述多光谱影像确定不同尺寸多光谱影像。
本发明所述的矿区土地覆盖分类模型建立方法的有益效果是:本发明基于浅层光谱-空间特征、不同尺寸的多光谱影像以及最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型,该模型能够提取到多层次、多尺寸以及多模态的特征信息,针对立体地形特征显著、遥感特征变异性强和光谱-空间同质性强的复杂露天采矿区,可以提取更加丰富、有效的特征信息,从而提高了露天采矿区土地覆盖分类的精确度。
第二方面,本发明提供了一种矿区土地覆盖分类方法,包括:
获取待分类遥感图像数据,将所述待分类遥感图像数据输入到第一方面所述的矿区土地覆盖分类模型建立方法所建立的矿区土地覆盖分类模型中,得到地物分类结果。
所述矿区土地覆盖分类方法与上述矿区土地覆盖分类模型建立方法相对于现有技术所具有的优势相同,在此不再赘述。
附图说明
图1为本发明实施例的一种矿区土地覆盖分类模型建立方法的流程示意图;
图2为本发明实施例的一种矿区土地覆盖分类模型建立方法的示意图;
图3为基于非对称卷积模块的深度残差网络模型的总体架构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1为本发明实施例提供的一种矿区土地覆盖分类模型建立方法的流程示意图,如图1所示,该方法包括:
101、获取研究区的历史遥感图像数据,根据所述研究区的历史遥感图像数据确定对应的多光谱影像和地形数据。
具体地,可以基于资源三号卫星获取研究区的遥感图像数据,例如可以获取资源三号卫星在2012年6月20日拍摄的1B级产品。
从2012年6月20日拍摄的1B级产品中确定训练图像集、验证图像集以及测试图像集,包括:用遥感影像目视解译方法绘制数据多边形,从数据多边形中随机选择相互独立的训练图像集、验证图像集和测试图像集。本实施例中可以将训练图像集、验证图像集和测试图像集的样本数分别设置为2000、500以及500。步骤101中研究区的历史遥感图像数据指的是训练图像集中的数据。
其中,绘制数据多边形的方法为:对研究区的所有历史遥感图像数据进行目视解译,即通过直接观察法在本实施例所获取的所有历史遥感图像数据上获取地物类型的信息,之后手工划分不同地物类型所属区域,将属于同一地物类型且地理上邻近的地表覆盖物划分在一个多边形内,不同地物类型的地表覆盖物分属于不同的数据多边形,且这些多边形在空间上相互独立。
其中,构建训练图像集、验证图像集和测试图像集的具体方法为:通过目视解译以及实地考察的方式采集样本点,在相互独立的数据多边形中,对每一个数据多边形中包含的数据样本进行等比例随机抽样,从而构建训练图像集、验证图像集和测试图像集。
根据资源三号卫星获得的研究区的历史遥感图像数据,提取其多光谱影像和地形数据。其中,多光谱影像为训练多光谱影像,地形数据为训练地形数据。具体地,提取训练图像集中的历史遥感图像数据对应的训练多光谱影像和训练地形数据。
多光谱影像是指对地物辐射中多个单波段的摄取得到的影像数据,该影像数据中会有多个波段的光谱信息,有的波段不是人肉眼可见范围内的。若取其中RGB三个波段的信息显示,就是RGB彩色图像。
地形数据也叫DEM数据,是能够表示地球表面高低起伏状态的数据,即具有高程信息的数据。
102、基于所述多光谱影像确定浅层光谱-空间特征以及不同尺寸多光谱影像;基于所述地形数据确定最优尺寸地形数据影像。
具体地,在提取多光谱影像和地形数据之后,基于多光谱影像提取浅层光谱-空间特征。
多尺寸多光谱影像包含三种尺寸多光谱影像,根据地形数据获取最优尺寸地形数据影像,其中,地形数据影像的最优尺寸与三种尺寸多光谱影像中的最优尺寸相同。
103、根据所述浅层光谱-空间特征、所述不同尺寸多光谱影像以及所述最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型。
具体地,根据浅层光谱-空间特征、不同尺寸多光谱影像以及最优尺寸地形数据影像进行网络训练,获得矿区土地覆盖分类模型,根据该矿区土地覆盖分类模型确定地物分类结果。
在一种可能的实施方式中,所述初始模型包括基于非对称卷积模块的深度残差网络模型、特征融合模块以及分类器;所述不同尺寸多光谱影像包括最优尺寸多光谱影像、第一尺寸多光谱影像以及第二尺寸多光谱影像,其中,所述第一尺寸多光谱影像的尺寸小于所述最优尺寸多光谱影像,所述第二尺寸多光谱影像的尺寸大于所述最优尺寸多光谱影像;所述根据所述浅层光谱-空间特征、所述不同尺寸多光谱影像以及所述最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型包括:
将所述最优尺寸多光谱影像、所述第一尺寸多光谱影像、所述第二尺寸多光谱影像以及所述最优尺寸地形数据影像作为训练集输入所述深度残差网络模型,输出对应的深度特征;
在所述特征融合模块中对所述深度特征以及所述浅层光谱-空间特征进行融合,得到多层次深度融合特征;
将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型。
具体地,此处的深度残差网络模型是基于非对称卷积模块的深度残差网络模型,参照图2,该模型的输入为多个尺寸的多光谱影像以及最优尺寸地形数据影像,输出为多个尺寸的多光谱影像以及最优尺寸地形数据影像对应的深度特征。
对最优尺寸多光谱影像、第一尺寸多光谱影像、第二尺寸多光谱影像以及最优尺寸地形数据影像分别对应的深度特征以及浅层光谱-空间特征进行融合,得到多层次深度融合特征。多层次深度融合特征实现了多层次、多尺寸和多模态的特征融合。
分类器的任务是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类或预测。
在本发明实施例中,基于浅层光谱-空间特征、不同尺寸的多光谱影像以及最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型,在模型的特征融合模块中对深度特征以及浅层光谱-空间特征进行融合,提取到多层次、多尺寸以及多模态的特征信息,针对立体地形特征显著、遥感特征变异性强和光谱-空间同质性强的复杂露天采矿区,可以提取更加丰富、有效的特征信息,从而提高了露天采矿区土地覆盖分类的精确度。
在一种可能的实施方式中,所述基于所述多光谱影像确定不同尺寸多光谱影像包括:
建立最优尺寸调参数据集,根据所述最优尺寸调参数据集和所述多光谱影像确定不同尺寸多光谱影像。
具体地,基于空间上独立的训练和验证多边形,建立最优尺寸调参的专用数据集来确定最优邻域尺寸,确保像元点的邻域重叠度小于50%。
其中,最优尺寸调参的专用数据集是一个数据多边形的集合,该集合通过空间上独立的训练和验证多边形确定,为训练多边形或验证多边形的子集,像元点的邻域重叠度是指最优尺寸调参专用数据集中每一种地物类型的数据多边形对应的最优尺寸多光谱影像与其它地物类型的数据多边形对应的最优尺寸多光谱影像的重叠度。
根据最优尺寸调参的专用数据集确定最优邻域尺寸后,该最优邻域尺寸即最优尺寸,根据最优尺寸以及多光谱影像确定最优尺寸多光谱影像,继而确定出第一尺寸多光谱影像、第二尺寸多光谱影像。实施者确定最优尺寸为16×16像素,第一尺寸为8×8像素,第二尺寸为32×32像素。
在本实施例中,确定邻域尺寸时设定像元点的邻域重叠度可以尽量减少分类器对不同地物类型的混淆程度,从而提高地物分类的精确度。
在一种可能的实施方式中,所述深度残差网络模型的构建过程包括:
将标准残差网络模型中的传统卷积块改为非对称卷积模块,其中,在所述非对称卷积模块中先进行3×3深度可分离卷积,再进行1×3深度可分离卷积,然后进行3×1深度可分离卷积。
参照图3,具体地,将标准残差网络改进为基于非对称卷积模块的深度残差网络模型,引入卷积块和恒等块。该卷积块改良自传统的残差模块,该残差元主分支包含三个非对称卷积层,侧分支连接一个非对称卷积层。恒等块同样改良自传统的残差模块,该残差元主分支包含三个非对称卷积层,侧分支无网络结构。卷积块中输入特征矩阵和输出特征矩阵不能直接相加,输入特征矩阵需要经过侧分支的非对称卷积层才能与主分支的输出特征矩阵相加;恒等块中输入特征矩阵和输出特征矩阵能够直接相加。
在本实施例中,非对称卷积模块先进行3×3深度可分离卷积,再进行1×3深度可分离卷积,最后进行3×1深度可分离卷积,从而降低了运算量。
在一种可能的实施方式中,所述分类器为归一化指数函数分类器,其中,所述归一化指数函数分类器的输入为所述多层次深度融合特征,输出为地物分类概率矢量。
具体地,归一化指数函数分类器又称为Softmax分类器,Softmax分类器是根据输入特征来对离散型输出概率做出预测的模型,适用于多分类预测问题。
在一种可能的实施方式中,在所述将所述最优尺寸多光谱影像、所述第一尺寸多光谱影像、所述第二尺寸多光谱影像以及所述最优尺寸地形数据影像作为所述矿区土地覆盖分类模型的训练集输入所述深度残差网络模型之前,还包括:
建立露天采矿区土地覆盖分类体系,其中,所述露天采矿区土地覆盖分类体系包括二级地物类别;
根据所述二级地物类别对所述训练集进行标签化。
具体地,露天采矿区土地覆盖分类体系包括一级地物和二级地物类别,二级地物即精细分类类别,使用二级地物分类方案对训练集进行标签化。
其中,二级地物类别包括四种类型的耕地、四种类型的林地、两种水域、三种道路、三种类型的居民用地、一种未利用地以及三种类型的矿山用地。具体地,四种类型的耕地即稻田,温室、绿色旱地和休耕土地,四种类型的林地,即林地、灌木、胁迫植被和苗圃,两种水域,即池塘和采矿集水坑,三种道路,即沥青公路、水泥路和土路,三种类型的居民用地,即城镇用地、农村居民点和其它建设用地,一种未利用地,即裸地,三种类型的矿山用地,即采坑、选矿场和排土场。
在本实施例中,建立二级地物类别,根据所建立的二级地物类别对训练集进行标签化,从而帮助后续训练出深度学习网络模型。
在一种可能的实施方式中,所述对所述深度特征以及所述浅层光谱-空间特征进行融合,得到多层次深度融合特征包括:
将所述最优尺寸多光谱影像对应的所述深度特征与所述浅层光谱-空间特征进行融合,得到浅层-深度融合特征;
将所述第一尺寸多光谱影像对应的所述深度特征与所述第二尺寸多光谱影像对应的所述深度特征进行融合,得到多尺寸深度融合特征;
将所述浅层-深度融合特征与所述多尺寸深度融合特征进行融合,得到浅层-多尺寸深度融合特征;
将所述浅层-多尺寸深度融合特征与所述最优尺寸地形数据影像对应的所述深度特征进行融合,得到所述多层次深度融合特征。
具体地,将最优尺寸多光谱影像对应的深度特征与浅层光谱-空间特征进行融合,该融合为深度特征与浅层特征的融合,实现了多层次的特征融合。将第一尺寸多光谱影像对应的深度特征与第二尺寸多光谱影像对应的深度特征进行融合,实现了多尺寸的特征融合,将浅层-深度融合特征与多尺寸深度融合特征进行融合,实现了多层次、多尺寸的特征融合。由于浅层-多尺寸深度融合特征是基于多光谱影像得到的,而最优尺寸地形数据影像对应的深度特征是基于地形数据影像得到的,因而将浅层-多尺寸深度融合特征与最优尺寸地形数据影像对应的深度特征进行融合,实现了多层次、多尺寸和多模态特征融合。
在本发明实施例中,提取多光谱影像的浅层光谱-空间特征,浅层光谱-空间特征和基于深度残差网络模型的深度特征的融合实现了多层次的特征融合,使得提取到的特征信息更加丰富,以及更具有判别性;其次,本发明的特征融合中包含了基于多尺寸的多光谱影像的特征融合,使得多光谱影像中每个采样点不仅有当前像素的信息,也涵盖其邻域像素的信息,获得了更具有全局性的深度特征;另外,本发明的特征融合中包含了基于多光谱影像和地形数据影像的特征融合,使得提取的特征信息更加丰富,最终提高了露天采矿区土地覆盖分类的精确度。
在一种可能的实施方式中,所述将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型包括:
通过所述分类器输出所述地物分类概率矢量,根据所述地物分类概率矢量确定初始地物分类标签结果,根据所述初始地物分类标签结果与预设标签结果计算损失,根据所述损失进行反向传播,以构建所述矿区土地覆盖分类模型。
具体地,将多层次深度融合特征输入归一化指数函数分类器,输出地物分类概率矢量,从而确定出初始地物分类标签结果,初始地物分类标签结果即预测出的地物分类结果,根据预测结果与预设标签结果计算损失,根据该损失对模型进行调整,从而确定训练好的矿区土地覆盖分类模型。
在本实施例中,确定初始地物分类标签结果,根据该初始地物分类标签结果与真实标签结果计算损失,根据该损失对模型进行优化。
在一种可能的实施方式中,所述将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型还包括:
根据F1-score、Kappa、OA精度评价指标对所述训练好的矿区土地覆盖分类模型进行精度评价。
具体地,针对当前模型的参数取值,使用训练集和验证集对该历史分类模型进行五次训练和验证实验,再取五次重复实验的训练精度和验证精度的平均值作为当前模型参数下模型的训练精度和验证精度,最后在模型不同参数取值对应的验证精度中,选取最高验证精度对应的参数取值下的模型,使用测试集对该模型进行精度评价。在进行精度评价时所采用的精度评价指标为F1-score、Kappa、OA精度评价指标。
本发明还提出一种矿区土地覆盖分类方法,该方法包括:
获取待分类遥感图像数据,将所述待分类遥感图像数据输入到矿区土地覆盖分类模型建立方法所建立的矿区土地覆盖分类模型中,得到地物分类结果。
获取待分类遥感图像数据之后,还包括:根据待分类遥感图像数据确定对应的待分类多光谱影像和待分类地形数据,基于待分类多光谱影像提取待分类多光谱影像的浅层光谱-空间特征;
基于待分类多光谱影像确定最优尺寸待分类多光谱影像、第一尺寸待分类多光谱影像以及第二尺寸待分类多光谱影像;基于待分类地形数据确定最优尺寸待分类地形数据影像。其中,矿区土地覆盖分类方法中的最优尺寸、第一尺寸以及第二尺寸为矿区土地覆盖分类模型建立方法中所确定的最优尺寸、第一尺寸以及第二尺寸。
将最优尺寸待分类多光谱影像、第一尺寸待分类多光谱影像、第二尺寸待分类多光谱影像以及最优尺寸待分类地形数据影像输入到矿区土地覆盖分类模型建立方法所建立的矿区土地覆盖分类模型中,得到地物分类结果。
对模型进行跨时域研究,利用研究区的历史遥感图像数据训练模型,利用迁移学习算法将训练好的模型用于研究区的待分类遥感图像数据的分类。示例性地,待分类遥感图像数据可以选取研究区2020年11月11日的遥感图像数据。将通过2012年6月20日遥感图像数据训练的模型和参数迁移至2020年的遥感数据集,完成对2020年遥感数据集的分类任务。其中,参数是指卷积块数量、恒等块数量、全连接层数量和残差网络的深度,其中,卷积块数量的训练范围为1和2,恒等块数量的训练范围为1、2、3,全连接层数的训练范围为1、2、3,残差网络的深度的训练范围为ResNet18、ResNet34、ResNet50、ResNet101、ResNet152。
深度学习需要的样本量很大,而遥感领域样本比较少且昂贵,在本实施例中,利用研究区历史遥感图像数据训练好的模型预测待分类遥感图像数据,避免了再次进行模型训练,在节省时间的同时节约了成本。
为了证明该矿区土地覆盖分类方法的有益效果,在相同的研究区上与设立的4组对比实验和其他2种分类网络分别进行了对比,得到了在F1-score、Kappa、OA(OverallAccuracy)三个精度评价指标上的结果。F1-score是精度和召回率的调和平均值,用于评估所有土地覆盖类别的平均精度。Kappa系数是一种基于混淆矩阵的统计数据,用于衡量分类精度。OA用来评估不同分类模型的综合性能。结果表明,本发明的一种矿区土地覆盖分类方法在三个精度指标F1-score、Kappa和OA上均取得了最好的结果。
其中,在对比实验中,对比网络一为:基于多光谱和地形数据最优尺寸邻域、两个深度残差网络分支的网络结构。
对比网络二:基于多光谱和地形数据最优尺寸邻域、两个深度残差网络分支及浅层光谱-空间特征的网络结构。
对比网络三:基于多光谱和地形数据最优尺寸邻域、两个残差网络分支的网络结构。
对比网络四:基于多光谱和地形数据最优尺寸邻域、两个残差网络分支及浅层光谱-空间特征的网络结构。
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种矿区土地覆盖分类模型建立方法,其特征在于,包括:
获取研究区的历史遥感图像数据,根据所述研究区的历史遥感图像数据确定对应的多光谱影像和地形数据;
基于所述多光谱影像确定浅层光谱-空间特征以及不同尺寸多光谱影像;基于所述地形数据确定最优尺寸地形数据影像;
根据所述浅层光谱-空间特征、所述不同尺寸多光谱影像以及所述最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型。
2.根据权利要求1所述的矿区土地覆盖分类模型建立方法,其特征在于,所述初始模型包括基于非对称卷积模块的深度残差网络模型、特征融合模块以及分类器;所述不同尺寸多光谱影像包括最优尺寸多光谱影像、第一尺寸多光谱影像以及第二尺寸多光谱影像,其中,所述第一尺寸多光谱影像的尺寸小于所述最优尺寸多光谱影像,所述第二尺寸多光谱影像的尺寸大于所述最优尺寸多光谱影像;所述根据所述浅层光谱-空间特征、所述不同尺寸多光谱影像以及所述最优尺寸地形数据影像训练初始模型,以构建矿区土地覆盖分类模型包括:
将所述最优尺寸多光谱影像、所述第一尺寸多光谱影像、所述第二尺寸多光谱影像以及所述最优尺寸地形数据影像作为训练集输入所述深度残差网络模型,输出对应的深度特征;
在所述特征融合模块中对所述深度特征以及所述浅层光谱-空间特征进行融合,得到多层次深度融合特征;
将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型。
3.根据权利要求2所述的矿区土地覆盖分类模型建立方法,其特征在于,所述深度残差网络模型的构建过程包括:
将标准残差网络模型中的传统卷积块改为非对称卷积模块,其中,在所述非对称卷积模块中先进行3×3深度可分离卷积,再进行1×3深度可分离卷积,然后进行3×1深度可分离卷积。
4.根据权利要求2所述的矿区土地覆盖分类模型建立方法,其特征在于,所述对所述深度特征以及所述浅层光谱-空间特征进行融合,得到多层次深度融合特征包括:
将所述最优尺寸多光谱影像对应的所述深度特征与所述浅层光谱-空间特征进行融合,得到浅层-深度融合特征;
将所述第一尺寸多光谱影像对应的所述深度特征与所述第二尺寸多光谱影像对应的所述深度特征进行融合,得到多尺寸深度融合特征;
将所述浅层-深度融合特征与所述多尺寸深度融合特征进行融合,得到浅层-多尺寸深度融合特征;
将所述浅层-多尺寸深度融合特征与所述最优尺寸地形数据影像对应的所述深度特征进行融合,得到所述多层次深度融合特征。
5.根据权利要求2所述的矿区土地覆盖分类模型建立方法,其特征在于,所述分类器为归一化指数函数分类器,其中,所述归一化指数函数分类器的输入为所述多层次深度融合特征,输出为地物分类概率矢量。
6.根据权利要求5所述的矿区土地覆盖分类模型建立方法,其特征在于,所述将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型包括:
通过所述分类器输出所述地物分类概率矢量,根据所述地物分类概率矢量确定初始地物分类标签结果,根据所述初始地物分类标签结果与预设标签结果计算损失,根据所述损失进行反向传播,以构建所述矿区土地覆盖分类模型。
7.根据权利要求2所述的矿区土地覆盖分类模型建立方法,其特征在于,在所述将所述最优尺寸多光谱影像、所述第一尺寸多光谱影像、所述第二尺寸多光谱影像以及所述最优尺寸地形数据影像作为训练集输入所述深度残差网络模型之前,还包括:
建立露天采矿区土地覆盖分类体系,其中,所述露天采矿区土地覆盖分类体系包括二级地物类别;
根据所述二级地物类别对所述训练集进行标签化。
8.根据权利要求6所述的矿区土地覆盖分类模型建立方法,其特征在于,所述将所述多层次深度融合特征输入所述分类器,以构建所述矿区土地覆盖分类模型还包括:
根据F1-score、Kappa、OA精度评价指标对所述矿区土地覆盖分类模型进行精度评价。
9.根据权利要求2所述的矿区土地覆盖分类模型建立方法,其特征在于,所述基于所述多光谱影像确定不同尺寸多光谱影像包括:
建立最优尺寸调参数据集,根据所述最优尺寸调参数据集和所述多光谱影像确定不同尺寸多光谱影像。
10.一种矿区土地覆盖分类方法,其特征在于,包括:
获取待分类遥感图像数据,将所述待分类遥感图像数据输入到权利要求1至9任一项所述的矿区土地覆盖分类模型建立方法所建立的矿区土地覆盖分类模型中,得到地物分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310379614.4A CN116091850B (zh) | 2023-04-11 | 2023-04-11 | 一种矿区土地覆盖分类模型建立及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310379614.4A CN116091850B (zh) | 2023-04-11 | 2023-04-11 | 一种矿区土地覆盖分类模型建立及分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091850A true CN116091850A (zh) | 2023-05-09 |
CN116091850B CN116091850B (zh) | 2023-06-23 |
Family
ID=86204914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310379614.4A Active CN116091850B (zh) | 2023-04-11 | 2023-04-11 | 一种矿区土地覆盖分类模型建立及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091850B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704363A (zh) * | 2023-05-22 | 2023-09-05 | 中国地质大学(武汉) | 一种深度学习模型、土地覆盖分类方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003088130A1 (en) * | 2002-04-05 | 2003-10-23 | Commonwealth Scientific And Industrial Research Organisation | Method of identifying endmember spectral values from hyperspectral image data |
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN101923707A (zh) * | 2009-07-23 | 2010-12-22 | 北京师范大学 | 一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法 |
CN102193090A (zh) * | 2010-03-19 | 2011-09-21 | 复旦大学 | 一种遥感图像混合像元分解方法 |
CN105427309A (zh) * | 2015-11-23 | 2016-03-23 | 中国地质大学(北京) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN110084294A (zh) * | 2019-04-18 | 2019-08-02 | 北京师范大学 | 一种基于多尺度深度特征的遥感影像分类方法 |
CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及*** |
WO2021122446A1 (en) * | 2019-12-20 | 2021-06-24 | KWS SAAT SE & Co. KGaA | Method and system for automated plant image labeling |
CN113139532A (zh) * | 2021-06-22 | 2021-07-20 | 中国地质大学(武汉) | 一种基于多输出分类模型的分类方法、计算机设备及介质 |
CN113963262A (zh) * | 2021-12-20 | 2022-01-21 | 中国地质大学(武汉) | 一种基于深度特征融合模型的矿区土地覆盖分类方法 |
CN115661655A (zh) * | 2022-11-03 | 2023-01-31 | 重庆市地理信息和遥感应用中心 | 高光谱和高分影像深度特征融合的西南山区耕地提取方法 |
-
2023
- 2023-04-11 CN CN202310379614.4A patent/CN116091850B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003088130A1 (en) * | 2002-04-05 | 2003-10-23 | Commonwealth Scientific And Industrial Research Organisation | Method of identifying endmember spectral values from hyperspectral image data |
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN101923707A (zh) * | 2009-07-23 | 2010-12-22 | 北京师范大学 | 一种基于分水岭算法的高空间分辨率多光谱遥感图像分割方法 |
CN102193090A (zh) * | 2010-03-19 | 2011-09-21 | 复旦大学 | 一种遥感图像混合像元分解方法 |
CN105427309A (zh) * | 2015-11-23 | 2016-03-23 | 中国地质大学(北京) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 |
CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
CN110084294A (zh) * | 2019-04-18 | 2019-08-02 | 北京师范大学 | 一种基于多尺度深度特征的遥感影像分类方法 |
WO2021122446A1 (en) * | 2019-12-20 | 2021-06-24 | KWS SAAT SE & Co. KGaA | Method and system for automated plant image labeling |
CN111709379A (zh) * | 2020-06-18 | 2020-09-25 | 谢国雪 | 基于遥感影像的丘陵区柑橘种植地块监测方法及*** |
CN113139532A (zh) * | 2021-06-22 | 2021-07-20 | 中国地质大学(武汉) | 一种基于多输出分类模型的分类方法、计算机设备及介质 |
CN113963262A (zh) * | 2021-12-20 | 2022-01-21 | 中国地质大学(武汉) | 一种基于深度特征融合模型的矿区土地覆盖分类方法 |
CN115661655A (zh) * | 2022-11-03 | 2023-01-31 | 重庆市地理信息和遥感应用中心 | 高光谱和高分影像深度特征融合的西南山区耕地提取方法 |
Non-Patent Citations (2)
Title |
---|
DIYA ZHANG ET AL: "Three-Stream and Double Attention-Based DenseNet-BiLSTM for Fine Land Cover Classification of ComplexMining Landscapes", 《SUSTAINABILITY》, pages 1 - 21 * |
刘文雅;岳安志;季珏;师卫华;邓孺孺;梁业恒;熊龙海;: "基于DeepLabv3+语义分割模型的GF-2影像城市绿地提取", 国土资源遥感, no. 02, pages 120 - 129 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704363A (zh) * | 2023-05-22 | 2023-09-05 | 中国地质大学(武汉) | 一种深度学习模型、土地覆盖分类方法及装置 |
CN116704363B (zh) * | 2023-05-22 | 2024-01-26 | 中国地质大学(武汉) | 一种基于深度学习模型的土地覆盖分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116091850B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Building extraction at scale using convolutional neural network: Mapping of the united states | |
Voltersen et al. | Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level | |
Ramachandra et al. | Geographic Resources Decision Support System for land use, land cover dynamics analysis | |
CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及*** | |
Chen et al. | Enhanced normalized difference index for impervious surface area estimation at the plateau basin scale | |
Shekhar | Detecting slums from Quick Bird data in Pune using an object oriented approach | |
CN111160127B (zh) | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN116091850B (zh) | 一种矿区土地覆盖分类模型建立及分类方法 | |
CN110879992A (zh) | 基于迁移学习的草原地表覆盖物分类方法和*** | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
CN104463168A (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN115187866A (zh) | 基于高分辨率影像的生态图斑提取方法 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN116030355B (zh) | 一种地物分类方法及*** | |
CN117611893A (zh) | 一种基于降冗余特征优选策略的大豆种植区遥感提取方法 | |
CN113158770A (zh) | 一种改进的全卷积孪生神经网络的矿区变化检测方法 | |
CN116994071A (zh) | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 | |
Teodoro et al. | Exploration of the OBIA methods available in SPRING non-commercial software to UAV data processing | |
Bergado et al. | Land use classification using deep multitask networks | |
Huang et al. | Evaluation of deep learning benchmarks in retrieving outfalls into rivers with UAS images | |
Carvalho et al. | Urban land cover classification with worldview-2 images using data mining and object-based image analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |