CN111079807A - 一种地物分类方法及装置 - Google Patents

Abstract

本发明公开了一种地物分类方法及装置，涉及遥感影像处理技术领域，将深度学习算法融入面向对象的整体框架进行遥感影像分类，解决了现有面向对象方法对某些易混淆地物混分的问题，提高了分类精度，本发明的主要技术方案为：获取遥感影像数据；利用深度学习模型对所述遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图；通过对所述深度学习概率图进行处理得到新的波段，将所述新的波段与所述遥感影像数据包含的多个波段进行合并得到目标影像数据；对所述目标影像数据执行分割处理，输出对应的多个影像对象。利用面向对象分类，对所述多个影像对象执行分类，得到对应的分类结果。

Description

一种地物分类方法及装置

技术领域

本发明涉及遥感影像处理技术领域，尤其涉及一种地物分类方法及装置。

背景技术

在遥感分类领域，面向对象分类方法是当前主流技术，国内外涌现出了一批成熟的分类工具并在工程项目中得到广泛应用，如eCognition、遥感影像处理平台(TheEnvironment for Visualizing Images，ENVI)、PCI、EasyInterpretation等。

面向对象分类模仿人类目视解译过程，不是以单个像素，而是以均质像素组成的影像对象为分析单元，影像对象除了具有光谱信息，还增加了形状信息、纹理信息和上下文信息。分类过程中，基于对象进行分析，提取光谱、纹理、形状、上下文特征，再将这些特征加入到分类器中，从而可以极大提高分类精度。

目前，面向对象分类的流程一般是基于两个主要的模块完成的，这两个主要的模块为：第一个模块是用于特征提取，即通过各种计算使用低维的少量数据表达高维的数据量很大的待分类影像，由于这种特征是通过人为设计的算法来得到的，因此这种特征也称为人工特征；第二个模块是利用预测模型完成分类任务，预测模型的目标就是希望学习到的模型在处理未知分类的数据时，预测到的分类结果越精确越好，即选用什么样的预测方法来拟合给定的数据，一般就要考虑模型的复杂度及精确度等因素。

在面向对象分类中，面向对象分类的特征抽取、预测模型相互独立，也就是特征提取和分类器设计各自分开来做，然后在应用时再合在一起，相当于是：首先要有一个特征表达或者特征提取的过程，然后把表达出来的特征放到学习算法中进行分类的学习。因此，特征提取的步骤异常关键，其特征提取的结果的好坏会影响到下一步骤，从而影响整个预测模型训练的结果。

然而，人工特征的抽取需要依赖于人们对输入数据的认知或者领域知识的，所以在很多情况下也会局限于人的经验和认知，随着遥感发展同物异谱、异物同谱现象严重，如何人工设计分类特征越来越难，同时对使用人员的专业素质要求也越来越高，一旦得到人工特征不佳，将导致结合该人工特征进行分类学习得到的预测模型不够准确的，最终会影响分类结果。

发明内容

有鉴于此，本发明提供一种地物分类方法及装置，主要目的在于预先利用深度学习对易混淆地物预先处理得到深度学习概率图，将深度学习概率图应用于面向对象分割分类流程，相当于是增加了深度学习概率图赋予的额外特征，从而最终提高分类精度。

为了达到上述目的，本发明主要提供如下技术方案：

一方面，本发明提供了一种地物分类方法，该方法包括：

获取遥感影像数据；

利用深度学习模型对所述遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图；

通过对所述深度学习概率图进行处理得到新的波段，将所述新的波段与所述遥感影像数据包含的多个波段进行合并得到目标影像数据；

对所述目标影像数据执行分割处理，输出对应的多个影像对象；

利用面向对象分类，对所述多个影像对象执行分类，得到对应的分类结果。

可选的，在所述获取遥感影像数据之后，所述方法还包括：

对所述遥感影像数据进行预处理，至少包括以下一项或多项：匀色、增强、云雾检测。

可选的，所述利用深度学习模型对所述遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图，包括：

预先选定指定类别地物；

根据所述指定类别地物，将所述遥感影像数据输入深度学习模型；

输出与所述指定类别地物匹配的深度学习概率图。

可选的，所述通过对所述深度学习概率图进行处理得到新的波段，包括：

获取所述遥感影像数据的数据格式，作为目标数据格式；

根据所述目标数据格式，对所述深度学习概率图的数据格式执行转换操作；

根据所述遥感影像数据，确定对应的动态范围；

根据所述动态范围，拉伸所述深度学习概率图，得到对应的新的波段。

可选的，所述将所述新的波段与所述遥感影像数据包含的多个波段进行合并得到目标影像数据，包括：

逐像素地比对所述遥感影像数据和经拉伸的深度学习概率图，在相同位置执行拼接操作，得到目标影像数据，所述目标影像数据为待执行分割分类图像数据。

可选的，所述对所述目标影像数据执行分割处理，输出对应多个影像对象，包括：

解析所述目标影像数据包含的多个波段；

预先对所述多个波段分别设置权重；

根据所述权重，对所述目标影像数据进行分割，得到多个影像对象。

可选的，所述利用面向对象分类，对所述多个影像对象执行分类，得到对应的分类结果，包括：

从所述目标影像数据包含的多个波段中选择特征；

获取所述指定类别地物对应的遥感影像分类样本数据；

根据所述遥感影像分类样本数据训练分类模型；

结合所述选择特征，利用所述分类模型对所述多个影像对象执行分类处理，输出每个所述影像对象对应的分类结果。

可选的，所述方法还包括：

根据所述分类结果对所述影像对象进行边界优化处理、小对象合并处理。

另一方面，本发明还提供了一种地物分类装置，该装置包括：

获取单元，用于获取遥感影像数据；

处理单元，用于利用深度学习模型对所述获取单元获取的遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图；

确定单元，用于通过对所述处理单元得到的深度学习概率图进行处理得到新的波段；

合并单元，用于将所述新的波段与所述遥感影像数据包含的多个波段进行合并得到目标影像数据；

分割处理单元，用于对所述合并单元得到的目标影像数据执行分割处理，输出对应的多个影像对象；

分类单元，用于利用面向对象分类，对所述多个影像对象执行分类，得到对应的分类结果。

可选的，所述装置还包括：

预处理单元，用于在所述获取遥感影像数据之后，对所述遥感影像数据进行预处理，至少包括以下一项或多项：匀色、增强、云雾检测。

可选的，所述处理单元包括：

选定模块，用于预先选定指定类别地物；

输入模块，用于根据所述选定模块得到的指定类别地物，将所述遥感影像数据输入深度学习模型；

输出模块，用于输出与所述指定类别地物匹配的深度学习概率图。

可选的，所述确定单元包括：

获取模块，用于获取所述遥感影像数据的数据格式，作为目标数据格式；

转换模块，用于根据所述目标数据格式，对所述深度学习概率图的数据格式执行转换操作；

确定模块，用于根据所述遥感影像数据，确定对应的动态范围；

拉伸模块，用于根据所述动态范围，拉伸所述深度学习概率图，得到对应的新的波段。

可选的，所述合并单元包括：

比对模块，用于逐像素地比对所述遥感影像数据和经拉伸的深度学习概率图；

确定模块，用于在相同位置执行拼接操作，得到目标影像数据，所述目标影像数据为待执行分割分类图像数据。

可选的，所述分割处理单元包括：

解析模块，用于解析所述目标影像数据包含的多个波段；

设置模块，用于预先对所述多个波段分别设置权重；

确定模块，用于根据所述权重，对所述目标影像数据进行分割，得到多个影像对象。

可选的，所述分类单元包括：

选择模块，用于从所述目标影像数据包含的多个波段中选择特征；

获取模块，用于获取所述指定类别地物对应的遥感影像分类样本数据；

训练模块，用于根据所述遥感影像分类样本数据训练分类模型；

输出模块，用于结合所述选择特征，利用所述分类模型对所述多个影像对象执行分类处理，输出每个所述影像对象对应的分类结果。

可选的，所述装置还包括：

后处理单元，用于根据所述分类结果对所述影像对象进行边界优化处理、小对象合并处理。

再一方面，本发明还提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上述的地物分类方法。

又一方面，本发明还提供一种电子设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行如上述的地物分类方法。

借由上述技术方案，本发明提供的技术方案至少具有下列优点：

本发明提供一种地物分类方法及装置，本发明是预先利用深度学习对易混淆地物预先处理得到深度学习概率图，将深度学习概率图应用于面向对象分割分类流程。相较于现有技术面向对象分类过程中设计的人工特征不佳导致影响最终分类结果的问题，本发明是将深度学习算法融入面向对象的整体框架进行遥感影像分类，这种融合是深层次的，具体地讲就是将分类精度较高而分类边界精度较低的深度学习概率图作为额外图层与待分类影像进行复合，然后进行面向对象分割分类，相当于是增加了深度学习概率图赋予的额外特征，最终可得到更好的分类结果，从而最终提高分类精度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例提供的一种地物分类方法流程图；

图2为本发明实施例提供的另一种地物分类方法流程图；

图3为本发明实施例提供的待分割RGB影像图；

图4为本发明实施例提供的经深度学习分类得到建筑物概率图；

图5a为本发明实施例提供的对RGB影像图执行分割结果彩色图；

图5b为本发明实施例提供的对RGB影像图执行分割结果局部着重描绘黑白图；

图6a为本发明实施例提供的对RGB影像图和概率图得到的合并图层执行分割结果彩色图；

图6b为本发明实施例提供的对RGB影像图和概率图得到的合并图层执行分割结果局部着重描绘黑白图；

图7a为本发明实施例提供的对合并图层执行分类结果彩色图；

图7b为本发明实施例提供的对合并图层执行分类结果黑白图；

图8为本发明实施例提供的一种地物分类装置的组成框图；

图9为本发明实施例提供的另一种地物分类装置的组成框图；

图10为本发明实施例提供的地物分类的电子设备。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种地物分类方法，如图1所示，该方法是是预先利用深度学习对易混淆地物预先处理得到深度学习概率图，将深度学习概率图应用于面向对象分割分类流程，对此本发明实施例提供以下具体步骤：

101、获取遥感影像数据。

遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片，在遥感影像图中，图面内容要素主要由影像构成，辅助以一定地图符号来表现或说明制图对象，与普通地图相比，遥感影像具有丰富的地面信息，内容层次分明，图面清晰易读，充分表现出影像与地图的双重优势。

在本发明实施例中，获取中高分辨率的遥感影像数据，比如卫星影像的地面分辨率由10m、5m、2m、1m、甚至0.6m逐步提高。

对于本发明实施例，在获取到遥感影像数据之后，可以对数据进行相关的预处理，比如：归一化、匀色、增强。

102、利用深度学习模型对遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图。

其中，深度学习又分为卷积神经网络(Convolutional Neural Networks,CNN)、深度置信网、稀疏编码，深度学习最主要的算法和手段是神经网络，可以称之为改良版的神经网络算法。

其中，卷积神经网络是目前最成熟、最广泛、最深入的深度学习框架，也是遥感分类领域最大的研究热点，它是一种前馈神经网络，模拟人脑视觉皮层分层结构和认知事物时抽象和递归迭代的过程，它具有多层网络结构，反向性能比传统的机器学习算法要好得多，已经成功地应用于图像分类，目标检测、语音分割等领域。

具体的，利用卷积神经网络执行分类操作是：典型的卷积神经网络由卷积层、池化层、全连接层组成，卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类，卷积层完成的操作，可以认为是受局部感受概念的启发，而池化层，主要是为了降低数据维度，综合起来说，CNN通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。

需要说明的是，相较于面向对象分类，深度学习是一种端到端的学习方法，就是从输入端的数据直接得到输出端的结果，特征提取不需要人工干预了，而是融入到算法当中自己去学习，也就是不需要将分类任务分为多个步骤分步去解决。端到端学习的好处在于，使学习模型从原始输入到最终输出，直接让数据“说话”，不需人工设计的模块，给模型更多可以根据数据自动调节的空间，增加模型的整体契合度。

因此，对于本发明实施例，就是结合深度学习以上提及的优点，即：不需要人工提取特征，而是利用神经网络及其相关模型采用相应方法隐式提取特征，网络通过对训练样本的学习，获得权值，形成分类器，且具备容错性，因此易于获得更高的分类精度。利用深度学习对易混淆地物预先处理得到深度学习概率图，例如：

结合工程实践表明，水体、农田、裸地等自然地物间特征差异较大，采用面向对象方法即可得到很好的分类结果，而建筑、道路、停车场等人工地物间难于设计区分度高的分类特征，单纯采用面向对象方法混分严重，而深度学习分类方法由于能提取影像深层特征，对于上述人工地物往往能得到更好的分类结果。

因此，对于本发明实施例，预先选定的指定类别地物是指易混淆地物，比如：建筑、道路、停车场等人工地物，根据预先选定的指定类别地物，利用深度学习模型对遥感影像数据进行处理，得到对应的深度学习概率图。

103、通过对深度学习概率图进行处理得到新的波段，将新的波段与遥感影像数据包含的多个波段进行合并得到目标影像数据。

在本发明实施例中，通过对深度学习概率图进行处理得到新的波段，相当于是将分类精度较高而分类边界精度较低的深度学习概率图作为额外图层，与原遥感影像数据进行复合，从而相当于是增加了深度学习概率图赋予的额外特征，最终将复合之后的图层作为待执行分割分类图像数据。

需要说明的是，对于本发明实施例，预先利用深度学习对遥感影像数据进行处理，得到指定类别地物(即：易混淆地物)深度学习概率图，并将深度学习概率图作为额外波段参与分割，以提高分割上述地物的区分能力。相较于仅利用面向对象分类设计的人工特征，本发明实施例还增加了深度学习概率图赋予的额外特征，从而相当于是弥补了如果设计的人工特征不佳时会影像分类精度的问题。

104、对目标影像数据执行分割处理，输出对应的多个影像对象。

105、利用面向对象分类，对多个影像对象执行分类，得到对应的分类结果。

在本发明实施例中，在确定待执行分割分类的影像数据之后，对于步骤104-105，相当于是利用面向对象分类方法执行分割分类过程，在此需要强调的是：对于本发明实施例，虽然是利用深度学习预处理得到易混淆地物深度学习概率图，也就相当于是增加了深层特征，但是仍然存在许多明显且无法解释的易混淆地物边缘提取错误，深度学习概率图参加分割后将会把完整的地物分割为多个部分，此时深度学习恶化了面向对象分割效果，所以本发明实施例在执行分割和分类步骤，仍然采用面向对象分类分析，在分割阶段，由于可以利用多尺度分割算法综合考虑影像的光谱、形状进行权值计算，分割结果较受到多次卷积影响而边界不准的深度学习结果有明显改善。

本发明实施例提供一种地物分类方法，本发明实施例是预先利用深度学习对易混淆地物预先处理得到深度学习概率图，将深度学习概率图应用于面向对象分割分类流程。相较于现有技术面向对象分类过程中设计的人工特征不佳导致影响最终分类结果的问题，本发明是将深度学习算法融入面向对象的整体框架进行遥感影像分类，这种融合是深层次的，具体地讲就是将分类精度较高而分类边界精度较低的深度学习概率图作为额外图层与待分类影像进行复合，然后进行面向对象分割分类，相当于是增加了深度学习概率图赋予的额外特征，最终可得到更好的分类结果，从而最终提高分类精度。

进一步的，本发明实施例还提供了另一种地物分类方法，如图2所示，该方法是对上述实施例的细化陈述和进一步的补充，对此本发明实施例提供以下具体步骤：

201、获取遥感影像数据。

202、对遥感影像数据进行预处理，至少包括以下一项或多项：匀色、增强、云雾检测。

对于本发明实施例，是将深度学习融合到面向对方分类中，需要预先利用深度学习对遥感影像数据进行处理得到易混淆地物的深度学习概率图，确保得到深度学习概率图的精度较高，需要对被预处理的遥感影像数据进行预处理，以去除遥感影像数据中的干扰数据，增强分辨率。

203、利用深度学习模型对遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图。

对于本步骤陈述细化执行步骤，具体包括如下：

首先，预先选定指定类别地物，该指定类别地物是易混淆地物，比如：建筑、道路、停车场等人工地物间难于设计区分度高的分类特征。

其次，根据指定类别地物，将遥感影像数据输入深度学习模型，输出与指定类别地物匹配的深度学习概率图。对于本发明实施例，预先选定的指定类别地物是指易混淆地物，比如：建筑、道路、停车场等人工地物，根据预先选定的指定类别地物，利用深度学习模型对遥感影像数据进行处理，得到对应的深度学习概率图。

204、通过对深度学习概率图进行处理得到新的波段，将新的波段与遥感影像数据包含的多个波段进行合并得到目标影像数据；

在本发明实施例中，对通过对深度学习概率图进行处理得到新的波段细化陈述，具体包括：

首先，获取遥感影像数据的数据格式，作为目标数据格式，根据目标数据格式，对深度学习概率图的数据格式执行转换操作，对于本发明实施例，也就是将概率图数据格式转换为与遥感影像数据格式一致。

其次，根据遥感影像数据对应的动态范围，将概率图值域从0—1拉伸到与影像的动态范围大致一致，从而将深度学习概率图作为额外图层，也就是得到新的波段。

在本发明实施例中，将新的波段与遥感影像数据包含的多个波段进行合并得到目标影像数据，也就是深度学习概率图作为额外图层与原本待分类影像进行复合，具体陈述如下：

逐像素地比对遥感影像数据和经拉伸的深度学习概率图，在相同位置执行拼接操作，得到目标影像数据，该目标影像数据为待执行分割分类图像数据。

需要说明的是，将原本的遥感影像数据与同样位置的深度学习概率图逐像素进行拼接，这种拼接既可以是物理上的(构成新的影像)，也可以是在逻辑上的(仍然独立存放，但在后续分割分类时视为一幅影像)；既可以合并一个地物的深度学习概率图波段，也可以合并多个地物的深度学习概率图波段。

例举具体的处理合并方法为：将深度学习概率图的数据类型转换为与地物影像的数据类型相同，并将其值域从0——1拉伸到与地物影像动态范围基本一致；合并时将相同位置的地物影像像素和深度学习概率图像素合并在一起，当地物影像波段数为N，合并概率图数为L时，合并后影像波段数为N+L。

205、对目标影像数据执行分割处理，输出对应的多个影像对象。

在本发明实施例中，是利用面向对象分割，可目标影像数据包含的N+L个波段设置不同的权重，分割方法可采用多尺度分割、多阈值分割、四叉树分割、分水岭分割等。根据权重，对目标影像数据进行分割，得到多个影像对象。

具体的，对目标影像数据执行分割细化陈述为：将影像分割为多个图斑，根据影像相邻像元的光谱信息、分割后图斑的形状信息计算合并cost，进而将图斑从下至上依次合并形成最终的分割结果，分割时可对影像原有波段及深度学习概率图赋予不同权重，权重值可根据其信息量、重要程度确定。

206、利用面向对象分类，对多个影像对象执行分类，得到对应的分类结果。

在本发明实施例中，是利用面向对象分类，可从目标影像数据包含的N+L个波段中选择分类特征，且可为不同的波段设置不同的权重，分类特征可以是光谱特征、形状特征、纹理特征、层次特征和结构特征等。

首先，从目标影像数据包含的多个波段中选择特征，具体陈述为：将深度学习概率图作为原有影像的附加波段进行特征选择，可选择使用的特征包括光谱特征、形状特征、纹理特征、层次特征、邻域特征等，特征既可以基于单个波段，也可以在多个波段间进行组合运算得到，在特征计算时不同波段可赋予不同权重，如计算对象亮度时对建筑物深度学习概率图增加/减少权重，则亮度特征对建筑物的分类精度能够产生显著影响。

其次，获取指定类别地物对应的遥感影像分类样本数据，根据遥感影像分类样本数据训练分类模型，结合上述选择特征，利用分类模型对多个影像对象执行分类处理，输出每个影像对象对应的分类结果。

具体是：可以采用数据驱动的方式，即选择样本—训练模型—分类的方式，可采用的分类方法包括最近邻、最小距离、贝叶斯、SVM、随机森林等，也可以采用知识驱动的方式，即根据知识、经验建立规则集并分类的方式，最终得到每一个影像对象的分类结果。

207、根据分类结果对影像对象进行边界优化处理、小对象合并处理。

对于本发明实施例，可以对分类结果进行精度评估/后处理，具体为：依据分类结果对影像对象进行边界优化、小对象合并等处理，如对建筑对象进行边界矩形化，对道路对象进行边界平滑及平行化，小对象合并至相邻的同类对象等，以增强分类结果的可用性。

下面，结合本发明实施例提供的上述地物分类方法，进一步结合实验影像的具体例举实施例，陈述如下：

以北京2号小卫星L1级影像为例，该影像地面分辨率为0.8米，经过了相对辐射校正，包含R、G、B三个波段，根据当前深度学习与工程实践以R、G、B三波段影像为主，因此从4波段北京2号影像中去除了NIR波段。

第一步，将获取的遥感影像进行预处理，主要包括动态范围调整、增强，对于具体的处理工具不做限定，比如：可以使用ENVI等专业遥感影像处理软件完成。如图3所示的，待分割RGB影像图。

第二步，对经预处理后的遥感影像数据执行深度学习分类，提取易混淆地物，比如：在Caffe框架下搭建了DSS模型并对实验影像进行建筑提取，得到值域范围在0—1的深度学习概率图，如图4所示的经深度学习分类得到建筑物概率图。

第三步，深度学习概率图处理，将概率图数据格式由float改为unsigned int16，值域范围从0—1拉伸到600—2500，从而与实验影像在数据类型和动态范围保持基本一致。

第四步，波段合并，将处理后的概率图数据附加在3波段影像的后面，形成4波段影像。

第五步，影像分割，采用多尺度分割算法对4波段影像进行分割，4个波段均参与分割并赋予相同权重，分割尺度为70，颜色权重为90，平滑度权重为50。

例如：如图5a和图5b所示，如果仅对经预处理后的遥感影像(即：RGB影像图)执行分割得到分割结果，得到图5a，经黑白处理，由于经黑白处理后，导致原图上有些边界线不能清楚的显示，所以局部地对经黑白处理后的图右侧边界线着重描绘，得到方便于查阅的图5b。但是对于本发明实施例，是对经波段合并后的4波段影像执行分割，那么得到如图6a所示的彩色图，同样的，经黑白处理以及局部地对图右侧边界线着重描绘后，得到方便于查阅的图6b，从而便于清楚地比对图5b和图6b上的边界线是存在差异的。

通过比对图5b和图6b分析可知，图6b能够更加清楚的显示地物的边界线，从而对于易混淆地物而言，经本发明实施例提供的执行分割处理方法，能够更加清楚的对遥感影像内地物进行边界划分。

以上实验结果表明，许多易混淆地物(比如：建筑)与周围地表环境反差不明显，面向对象方法仅仅依赖光谱、形状信息无法将其与背景合理分割，但深度学习能够提取深层特征，往往能够正确分割，此时将深度学习概率图作为波段影像往往可以提高分割精度，此时深度学习面改善了面向对象分割效果。

需要说明的是，即使DSS模型以分割精度准确著称，但仍然存在许多明显且无法解释的易混淆地物边缘提取错误，概率图参加分割后将会把完整的建筑物分割为多个部分，此时深度学习恶化了面向对象分割效果，将影响最终分类结果，在本发明实施例中，对于出现此种情形，结合以下步骤纠正分类结果，确保分类结果精度。

第六步，特征选择，在4个波段上分别计算对象均值、方差及部分邻域特征、纹理指数。

第七步，训练与分类，

首先是，分类体系确定，将地物分为建筑、道路、水体、植被、裸地五类。样本选择，选择建筑样本数190、道路样本数77、水体样本数71、植被样本数133、裸地样本数82。

其次是，模型训练，选择SVM作为分类模型并基于上述样本对其进行训练，得到训练好的模型。使用训练好的SVM模型对分割后测试影像进行分类。

以上，对于在分割阶段深度学习改善分割结果的情况(图5a、图5b、图6a、图6b所示)，将建筑物概率图作为附加特征能够显著增加建筑物分类精度，如图7所示。对于在分割阶段深度学习恶化分割结果的情况，虽然建筑物被分割为多个影像对象，但这些影像对象都被正确的分类为建筑，这样经过后处理仍然能够获正确的建筑物分类结果和边界轮廓。

进一步的，作为对上述图1、图2所示方法的实现，本发明实施例提供了一种地物分类装置。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置应用于从遥感影像数据中执行地物提取并分类，具体如图8所示，该装置包括：

获取单元31，用于获取遥感影像数据；

处理单元32，用于利用深度学习模型对所述获取单元31获取的遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图；

确定单元33，用于通过对所述处理单元32得到的深度学习概率图进行处理得到新的波段；

合并单元34，用于将所述新的波段与所述遥感影像数据包含的多个波段进行合并得到目标影像数据；

分割处理单元35，用于对所述合并单元34得到的目标影像数据执行分割处理，输出对应的多个影像对象；

分类单元36，用于利用面向对象分类，对所述多个影像对象执行分类，得到对应的分类结果。

进一步，如图9所示，所述装置还包括：

预处理单元37，用于在所述获取遥感影像数据之后，对所述遥感影像数据进行预处理，至少包括以下一项或多项：匀色、增强、云雾检测。

进一步，如图9所示，所述处理单元32包括：

选定模块321，用于预先选定指定类别地物；

输入模块322，用于根据所述选定模块321得到的指定类别地物，将所述遥感影像数据输入深度学习模型；

输出模块323，用于输出与所述指定类别地物匹配的深度学习概率图。

进一步，如图所示，所述确定单元33包括：

获取模块331，用于获取所述遥感影像数据的数据格式，作为目标数据格式；

转换模块332，用于根据所述目标数据格式，对所述深度学习概率图的数据格式执行转换操作；

确定模块333，用于根据所述遥感影像数据，确定对应的动态范围；

拉伸模块334，用于根据所述动态范围，拉伸所述深度学习概率图，得到对应的新的波段。

进一步，如图9所示，所述合并单元34包括：

比对模块341，用于逐像素地比对所述遥感影像数据和经拉伸的深度学习概率图；

确定模块342，用于在相同位置执行拼接操作，得到目标影像数据，所述目标影像数据为待执行分割分类图像数据。

进一步，如图9所示，所述分割处理单元35包括：

解析模块351，用于解析所述目标影像数据包含的多个波段；

设置模块352，用于预先对所述多个波段分别设置权重；

确定模块353，用于根据所述权重，对所述目标影像数据进行分割，得到多个影像对象。

进一步，如图9所示，所述分类单元36包括：

选择模块361，用于从所述目标影像数据包含的多个波段中选择特征；

获取模块362，用于获取所述指定类别地物对应的遥感影像分类样本数据；

训练模块363，用于根据所述遥感影像分类样本数据训练分类模型；

输出模块364，用于结合所述选择特征，利用所述分类模型对所述多个影像对象执行分类处理，输出每个所述影像对象对应的分类结果。

进一步，如图9所示，所述装置还包括：

后处理单元38，用于根据所述分类结果对所述影像对象进行边界优化处理、小对象合并处理。

综上所述，本发明实施例提供一种地物分类方法及装置，本发明实施例是预先利用深度学习对易混淆地物预先处理得到深度学习概率图，将深度学习概率图应用于面向对象分割分类流程。相较于现有技术面向对象分类过程中设计的人工特征不佳导致影响最终分类结果的问题，本发明是将深度学习算法融入面向对象的整体框架进行遥感影像分类，这种融合是深层次的，具体地讲就是将分类精度较高而分类边界精度较低的深度学习概率图作为额外图层与待分类影像进行复合，然后进行面向对象分割分类，相当于是增加了深度学习概率图赋予的额外特征，最终可得到更好的分类结果，从而最终提高分类精度。此外，如果出现深度学习恶化了面向对象分割效果，本发明实施例在执行分割和分类步骤，仍然采用面向对象分类分析，在分割阶段，由于可以利用多尺度分割算法综合考虑影像的光谱、形状进行权值计算，分割结果较受到多次卷积影响而边界不准的深度学习结果有明显改善。以及本发明实施例在得到分类结果后，还执行后处理，从而改善了深度学习对易混淆地物分类边界的规整程度。

所述地物分类装置包括处理器和存储器，上述获取单元、处理单元、确定单元、合并单元、分割处理单元和分类单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来预先利用深度学习对易混淆地物预先处理得到深度学习概率图，将深度学习概率图应用于面向对象分割分类流程，相当于是增加了深度学习概率图赋予的额外特征，从而最终提高分类精度。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述地物分类方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述地物分类方法。

本发明实施例提供了一种电子设备40，如图10所示，设备包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线403；其中，处理器401、存储器402通过总线403完成相互间的通信；处理器401用于调用存储器402中的程序指令，以执行上述的基于实时获取传感数据进行设备异常分析的方法。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种地物的分类方法，其特征在于，所述方法包括：

获取遥感影像数据；

利用深度学习模型对所述遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图；

通过对所述深度学习概率图进行处理得到新的波段，将所述新的波段与所述遥感影像数据包含的多个波段进行合并得到目标影像数据；

对所述目标影像数据执行分割处理，输出对应的多个影像对象；

利用面向对象分类，对所述多个影像对象执行分类，得到对应的分类结果。

2.根据权利要求1所述的方法，其特征在于，在所述获取遥感影像数据之后，所述方法还包括：

对所述遥感影像数据进行预处理，至少包括以下一项或多项：匀色、增强、云雾检测。

3.根据权利要求2所述的方法，其特征在于，所述利用深度学习模型对所述遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图，包括：

预先选定指定类别地物；

根据所述指定类别地物，将所述遥感影像数据输入深度学习模型；

输出与所述指定类别地物匹配的深度学习概率图。

4.根据权利要求1所述的方法，其特征在于，所述通过对所述深度学习概率图进行处理得到新的波段，包括：

获取所述遥感影像数据的数据格式，作为目标数据格式；

根据所述目标数据格式，对所述深度学习概率图的数据格式执行转换操作；

根据所述遥感影像数据，确定对应的动态范围；

根据所述动态范围，拉伸所述深度学习概率图，得到对应的新的波段。

5.根据权利要求4所述的方法，其特征在于，所述将所述新的波段与所述遥感影像数据包含的多个波段进行合并得到目标影像数据，包括：

逐像素地比对所述遥感影像数据和经拉伸的深度学习概率图，在相同位置执行拼接操作，得到目标影像数据，所述目标影像数据为待执行分割分类图像数据。

6.根据权利要求1所述的方法，其特征在于，所述利用面向对象分类，对所述多个影像对象执行分类，得到对应的分类结果，包括：

从所述目标影像数据包含的多个波段中选择特征；

获取所述指定类别地物对应的遥感影像分类样本数据；

根据所述遥感影像分类样本数据训练分类模型；

结合所述选择特征，利用所述分类模型对所述多个影像对象执行分类处理，输出每个所述影像对象对应的分类结果。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述分类结果对所述影像对象进行边界优化处理、小对象合并处理。

8.一种地物的分类装置，其特征在于，所述装置包括：

获取单元，用于获取遥感影像数据；

处理单元，用于利用深度学习模型对所述获取单元获取的遥感影像数据进行处理，得到指定类别地物对应的深度学习概率图；

确定单元，用于通过对所述处理单元得到的深度学习概率图进行处理得到新的波段；

合并单元，用于将所述新的波段与所述遥感影像数据包含的多个波段进行合并得到目标影像数据；

分割处理单元，用于对所述合并单元得到的目标影像数据执行分割处理，输出对应的多个影像对象；

分类单元，用于利用面向对象分类，对所述多个影像对象执行分类，得到对应的分类结果。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-7中任一项所述的地物分类方法。

10.一种电子设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；

所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1-7中任一项所述的地物分类方法。

Images