CN111611960A - 一种基于多层感知神经网络大区域地表覆盖分类方法 - Google Patents
一种基于多层感知神经网络大区域地表覆盖分类方法 Download PDFInfo
- Publication number
- CN111611960A CN111611960A CN202010471763.XA CN202010471763A CN111611960A CN 111611960 A CN111611960 A CN 111611960A CN 202010471763 A CN202010471763 A CN 202010471763A CN 111611960 A CN111611960 A CN 111611960A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sample
- reflectivity
- multilayer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000002310 reflectometry Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000008447 perception Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
一种基于多层感知神经网络大区域地表覆盖分类方法，涉及陆表遥感技术领域，解决现地表覆盖分类方法难以有效反映大尺度地表覆盖的时空格局及转换规律，以及无法实现大范围应用导致使用受限等问题，对多遥感影像进行地表反射率计算，并通过地理自动配准算法将待分类影像与地表分类成果集影像进行空间对应，通过非监督样本库自动生成反射率样本集。构建适合多层感知算法的高泛化性空间‑光谱特征数据训练集，完成了模型训练。基于训练好的多层感知神经网络模型，对该尺度范围下的影像进行解译，同时结合语义邻近度优化模型进行局部优化，改善分类后的混杂性。并利用多GPU进程分块解译与镶嵌方式，快速完成地表覆盖分类镶嵌一张图。
Description
技术领域
本发明涉及陆表遥感技术领域，具体涉及一种基于深度学习自动地表覆盖 分类方法及系统。
背景技术
全球土地覆盖数据是了解人类活动与全球变化之间复杂相互作用的关键信 息来源，也是一些关键的气候变化研究的变量(Imaoka et al.2010)。地表覆盖分 类产品可为各级政府的自然资源监管、土地利用类型监测、种植结构监测、种 植面积统计等业务提供产品。
我国已进入高分辨率对地观测技术的快速发展阶段，国产卫星硬件技术的 不断突破使得遥感数据的空间分辨率、时间分辨率乃至光谱分辨率日益提升， 遥感数据量呈井喷式增长。然而传统的基于光谱特征利用机器学习进行的地物 分类算法，对于大幅宽、多波段的多光谱数据来说，需要依赖大量样本去训练， 时间成本很大。由于地物普遍存在“同物异谱”与“同谱异物”现象，分类器设计需 要不同的特征提取尺度，对于不同形状的同类地物会使得特征区别性混淆，很 难达到较高精度。如何高精度、高可靠性、高效率地从海量多光谱遥感影像中 进行自动地表覆盖类型解译，是亟待解决的科学问题。
针对目前机器学习以及神经网络学习在遥感解译应用的局限性，设计可感 知、可迁移、泛化性能强的神经网络自动解译技术，实现从图像语义向自然语 义进行转换。同时针对大区域场景，利用先验成果集非监督方式自动生成样本 库，开展多层感知神经网络端对端分类方法。高精度、高效率、自动化地由反 射率影像到地表覆盖分类一张图产品。
发明内容
本发明为解决现地表覆盖分类方法难以有效反映大尺度地表覆盖的时空格 局及转换规律，以及无法实现大范围应用导致使用受限等问题，提供一种基于 多层感知神经网络大区域地表覆盖分类方法。
一种基于多层感知神经网络大区域地表覆盖分类方法，该方法由以下步骤 实现：
步骤一、对多遥感影像并进行地表反射率计算，获得具有地表反射率的影 像；采用自适应高斯背景建模云掩膜方法对所述地表反射率的影像进行云提取， 获得云掩膜地表反射率影像；
步骤二、通过地理自动配准算法将步骤一获得的云掩膜地表反射率影像作 为待分类影像与地表分类成果集影像进行空间对应，采用非监督样本库自动生 成模型，自动生成反射率样本集；
步骤三、采用步骤二获得的样本训练集对多层感知神经网络模型进行训练， 获得训练好的多层感知神经网络模型；具体过程为：
步骤三一、采用改进超平面离群反射率点移除算法去除反射率样本集中反射 率有较大差异的离群样本点，获得真实地物样本点；
步骤三二、根据步骤三一获得的真实地物样本点位置，构建多层感知算法的 高泛化性空间-光谱特征数据集；通过最优梯度下降算法最小化多层感知神经网 络损失函数，实现参数W，b，θ的学习，完成了模型训练；
步骤四、基于训练好的多层感知神经网络模型，对多遥感影像进行解译， 同时结合语义邻近度优化模型进行局部优化，并利用多GPU进程分块解译与镶 嵌方式，完成地表覆盖分类镶嵌。
本发明的有益效果：本发明所述的地表覆盖分类方法，利用可感知、可迁 移、泛化性能强的神经网络，并通过联合分类先验成果库，实现样本点自动采 样。高精度、高效率、自动化地由反射率影像到地表覆盖分类镶嵌一张图产品。
本发明可以在投入相对较少的人力物力下准确提取地表覆盖类型。同时也 是土地类型覆盖变化、精细农业、城市规划所依赖基础数据。
随着影像光谱分辨率越来越精细，但随之数据量也成几何数量增长，开展 可感知、可迁移的神经网络自动解译技术研究，对于增强我国农业、林业、环 保等行业的服务能力具有重要意义。
附图说明
图1为本发明所述的一种基于多层感知神经网络大区域地表覆盖分类方法 的流程图；
图2为本发明所述的一种基于多层感知神经网络大区域地表覆盖分类方法 中多层感知地表覆盖解译网络模型架构图；
图3为本发明所述的一种基于多层感知神经网络大区域地表覆盖分类方法 中大规模遥感影像数据解译流程图；
图4a为2019年北京市真彩色影像图，图4b为本发明提出的方法分类结果 影像图。
图5为采用本发明方法对北京市测试区域分类验证点位采样图。
具体实施方式
具体实施方式一、结合图1至图5说明本实施方式，一种基于多层感知神 经网络大区域地表覆盖分类方法，首先，利用6S(Second Simulation of the Satellite Signal inthe Solar Spectrum)模型对作物生长季时相的多遥感影像进行地表反射 率计算，为了避免受到云干扰，提出一种自适应高斯背景建模云掩膜方法。通 过地理自动配准算法将待分类影像与地表分类成果集影像进行空间对应，提出 一种非监督样本库自动生成模型，自动生成反射率样本集。同时利用改进超平 面离群反射率点移除模型，去除反射率有较大差异的离群样本点。滤去后的样 本点基本代表该区域真实地表覆盖的真实地物采样类型。
然后，根据得到的样本点位置，考虑其光谱特征与邻域特征。构建适合多 层感知算法的高泛化性空间-光谱特征数据训练集。设计了一种结构灵活、特征 区别性更加显著的感知神经网络，通过最优梯度下降算法最小化多层感知神经 网络损失函数来实现参数W，b，θ的学习，完成了模型训练。
最后，基于训练好的多层感知神经网络模型，对该尺度范围下的影像进行 解译，同时结合语义邻近度优化模型进行局部优化，改善分类后的混杂性。并 利用多GPU进程分块解译与镶嵌方式，快速完成地表覆盖分类镶嵌一张图。
本实施方式的具体过程为：结合图1说明本实施方式，
一、基于自适应高斯背景建模云提取；
首先基于作物生长季时相进行卫星规划拍摄，并利用6s模型进行地表反射 率计算。研究表明(Ji et al，2015)云和山影影响其他地表覆盖分类效果，为了尽 量避免云干扰，利用高斯混合模型对反射率产品进行云提取。
首先利用云DN值高亮特性，通过阈值法找出目标影像块疑似云量≥70％的 区域，进行粗提取。
然后对疑似云量20％目标区域利用自适应高斯背景建模转换为云区域和非 云区域的二分类问题，进行精提取。
计算疑似云量为20％的目标区中云区域和非云区域使用两个高斯分布模型， 并通过一定的权重将两个高斯模型融合成一个模型，实现含云区域精提取。令 自适应混合高斯模型由两个高斯模型组成，则高斯混合模型的概率密度函数如 下式1)：
p(x|z)＝N(x|uz,∑z) (2)
公式(2)为第z个高斯模型的概率密度函数，p(k)＝πz为第z个高斯模型 的权重，满足式(3)
由于是对云与非云建立模型，故Z＝2。
由于已知使用的模型为高斯混合模型，数据输入为疑似20％云量影像，求 解影像像元的类别属于隐变量求解，利用EM(算法 Expectation-step/Maximization-step)进行混合高斯模型参数估计。
首先，对影像高亮像元值进行云样本初始划分，求非云与云两类样本数据 产生的概率P(yt,γt|μ,∑,π)，其中μ,∑,π混合模型参数，γa为隐变量表示该像元 来源于类别a型。
然后求像元数据产生概率，最大化概率P优化得到混合高斯分布参数。最 后进行迭代计算，找到一组最优的参数(μ*,∑*,π*)使得这组参数表示的模型最有 可能产生现有的像元数据。最终云掩膜地表反射率影像。
二、非监督样本库自动生成；
在云掩膜地表反射率影像基础上，通过地理自动配准算法将待分类影像与 地表分类成果集影像进行空间对应，基于非监督样本库自动生成反射率样本集；
所述非非监督样本库的构建方法为：
1)根据待分类影像的地理位置，匹配到成果影像集的分幅数据，并进行镶 嵌。
2)将影像网格化S×S大小地理网格，初始化空集合P去提取各类地物样本 点经纬度位置。
3)每个地理各网对应的分类成果影像进行采样，若样本个数低于最小采样 阈值σs，则该区域类别置信程度低不进行采样。
4)网格循环直至完成影像覆盖范围区域样本采样。
受支持向量机思想启发改进超平面离群反射率点移除模型，将自动采样的样 本点特征值进行滤除，最大限度的保存地物样本光谱的同质性。下面描述改进 超平面离群反射率点移除算法：
改进超平面离群反射率点移除模型的最终目标是查找反射率样本集中，特征 偏离程度最高的离群点。为了提高筛选效率，首先使用二分划分算法将缩减后 的训练集划分成多个区域，再对区域使用KNN算法来进行离群点分析。具体 过程为：
1、使用二分划分法对反射率样本库中样本点进行划分，将样本点划分成几 个区域。在这些区域中进行每个样本点的K-近邻点计算，减少了对整个数据集 的遍历次数。相比于传统的聚类划分算法，二分划分算法不断计算簇中最大距 离点进行二分聚类，获得最初的中心向量点，解决了传统K-means聚类初始点 选择影响聚类结果的问题。
2、子区域按照密度大小进行排序,利用KNN算法对排序后的区域进行计算， 并根据距离最近的m个区域进行离群数据点的查找。若反射率特征点q满足公 式(4)，那么反射率特征点q可以排除离群点的可能。
Dk(o)+distance(o,q)≤δ (4)
上式(4)中，反射率特征点q是待判断的样本点，数据点o是已计算K-邻近 距离的点。Dk(o)是o的平均K-邻近距离，distance(o,x)是数据点o和x的距离， 是截断阈值。δ为选取候选的n个离群样本点的平均K-邻近距离的最小值，如式 (5)
δ＝min||P1…n||k (5)
在遍历查找数据点o的K个最近邻的过程中，数据点o的K个近邻点中最 远点会被新查找到更近点替代，若数据点o当前的Dk(o)满足条件式(6)，t为数 据点o的K个近邻点的最小查找阈值，可近似设置为
则数据点o需要剪枝, 不需要再查找它的k个最近邻点。
Dk(o)≤t (6)
t为o的K-邻近点的最小查找阈值，近似设置为
此过程中可以高效快速， 去除反射率有较大差异的离群样本点。滤去后的样本点基本代表该区域真实地 表覆盖的真实地物采样类型。
根据得到的样本点位置，考虑其光谱特征与邻域特征。构建适合多层感知 算法的高泛化性空间-光谱特征数据集。样本像元中心扩展M×M大小空间-光谱 立方体，其中M为空间领域大小。并生成层次数据格式HDF5文件，来存储和 组织大规模遥感反射率样本训练集。
三、多层感知神经网络模型构建；针对多光谱遥感影像光谱信息、空间信 息丰富等特点，构建一种结构灵活、特征区别性更加显著的感知神经网络，如 图2所示：设计网络架构能够有效抑制过拟合并且利于层次堆叠，具备高泛化 性能力的分类模型。
进行多层感知神经网络卷积操作时，输入数据为三维空间-光谱立方数据， 即以每个目标像元为中心提取大小为M×M×B大小的数据立方。M为空间领域 大小，B为影像波段数目。当计算神经网络第i层第j个特征图在(x，y)点值
的计算公式如下：
其中m表示第i-1层上与当前特征图相连的特征图，Pi与Qi代表卷积核 的长度和宽度，代表与(p,q)相连的第m个特征图的连接权值，bi,j代表第i 层第j个特征图的偏置。
结合图2说明本实施方式，当输入：13×13×10空间-光谱立方体时，首先经 过卷积感知模块1，经过6个卷积层叠加、合并以及激活后得到192个11×11的 特征图，经过最大池化后得到192个6×6的特征图。随后经过卷积感知模块2， 残差连接能加速网络训练。经过7个卷积层叠加、残差融合以及激活后得到192 个6×6的特征图，并通过最大池化得到192个3×3的特征图。然后经过两个全 连接层FC1、FC2到维度为128×1的特征向量F，最后通过Softmax分类器得到 每类地物的分类标签。
采用Softmax分类器将卷积操作获得的多层次多尺度特征进行分类；像元 pt属于类别标签l的概率通过下式计算：
式中，Ft为第t个像元的多层次多尺度深度空间-光谱特征，yt为第t 个像元的类别标签，θ为c×(N+1)维的参数矩阵，c为类别个数，N为像元 个数；基于交叉熵构造目标函数式(9)，利用最优梯度下降算法最小化多 层感知神经网络损失函数来实现参数W，b，θ的学习；并最终获得每个像 元所属的类别标签l以及概率P(l|pt)。
四、联合语义邻近度优化分类推理优化；基于训练好的多层感知神经网络 模型，对该尺度范围下的影像进行端对端分类，同时结合语义邻近度优化模型 进行局部优化，改善分类后的混杂性。
将类别概率与地理空间相结合，对分类结果进行近邻度优化。
定义一个无向图结构G＝(V,E)来组织多光谱影像像元，V为像元节点集合， E为邻近点之间边的集合，通过K-邻近算法求得。致力于分配类别标签l从标签 集合L＝{l1,l2,…,ln}中对每一个像元pt进行类别优化。将CRF模型构建在之前 的无向图中，找到最大后验概率在像元节点集合V的类别标签l中，所述类别标 签l等价于下面式子中的能量函数：
通过将多层感知神经网络得到每个像元的初始分类概率以及邻近空间一致 性进行多标签随机场构建，可以获得一个局部性分类结果的优化。高效利用α-β swap算法来解决多标签能量目标函数：
Dt(lt)＝-loge P(lt|pt) (12)
上式(11)中Dt是数据项，lt为像元pt所属的类别，它可以被写作一个对 数似然如方程(12)中。P(lt|pt)为类别标签lt的概率，它是由前一步多层感知 神经网络分类框架逻辑回归得到。像元pt属于lt的概率是最大的，在这种情况 下能量是最小的。Vtg(lt,lg)为空间平滑项，是像元pt与像元pg的传播限制在一个 k邻域系统内。根据KNN计算出每个像元的4个邻近像元生成一个稀疏矩阵， 矩阵中的代价值为1代表该两个像元节点是邻近关系。接下来执行空间平滑的 算法是通过惩罚邻近像元pt与pg有着不同的标签(lt≠lg)。
上式(13)对成对的潜在项Vtg惩罚使得邻近像元pt与pg避免空间标签的不 连续。权重项wtg是指邻近两像元的空间反距离权重。E是邻近点之间边的集合。 λ为空间光滑系数，计算方法如(14)所示，dtg为两个点的欧氏距离，σd是所有 邻近距离的期望。利用图的最小分割实现算法收敛和能量递减，解决了像元空 间上的分类混淆，得到的分类标签在空间上局部连续。
具体实施方式二、结合图4和图5说明本实施方式，本实施方式为具体实 施方式一所述的一种基于多层感知神经网络大区域地表覆盖分类方法的实施例：
实验结果以2019年3月-7月北京市镶嵌影像分类为例，如下图4a所示为 北京市真彩色影像，影像分辨率为5米。图4b是通过本实施方式提出的方法得 到的地表覆盖分类结果。类别包括：耕地，林地，草地，水域，城市不透水面， 裸地。
图5为验证分类精度结合高分辨率遥感影像进行验证样本采集，样本数量 点为20000个，表1为北京市地表覆盖分类精度评价表。
表1
整体分类Kappa score(卡帕得分)可以达到0.897。
Claims (7)
1.一种基于多层感知神经网络大区域地表覆盖分类方法，其特征是：该方法由以下步骤实现：
步骤一、对多遥感影像并进行地表反射率计算，获得具有地表反射率的影像；采用自适应高斯背景建模云掩膜方法对所述地表反射率的影像进行云提取，获得云掩膜地表反射率影像；
步骤二、通过地理自动配准算法将步骤一获得的云掩膜地表反射率影像作为待分类影像与地表分类成果集影像进行空间对应，采用非监督样本库自动生成模型，自动生成反射率样本集；
步骤三、采用步骤二获得的样本训练集对多层感知神经网络模型进行训练，获得训练好的多层感知神经网络模型；具体过程为：
步骤三一、采用改进超平面离群反射率点移除算法去除反射率样本集中反射率有较大差异的离群样本点，获得真实地物样本点；
步骤三二、根据步骤三一获得的真实地物样本点位置，构建多层感知算法的高泛化性空间-光谱特征数据集；通过最优梯度下降算法最小化多层感知神经网络损失函数，实现参数W，b，θ的学习，完成了模型训练；
步骤四、基于训练好的多层感知神经网络模型，对多遥感影像进行解译，同时结合语义邻近度优化模型进行局部优化，并利用多GPU进程分块解译与镶嵌方式，完成地表覆盖分类镶嵌。
2.根据权利要求1所述的一种基于多层感知神经网络大区域地表覆盖分类方法，其特征在于：
步骤一一、利用云DN值高亮特性，通过阈值法找出所述目标影像块疑似云量≥70％的区域，进行粗提取，然后对对疑似云量为20％的目标区域利用自适应高斯背景建模云掩膜方法转换为云区域和非云区域，进行精提取；
步骤一二、计算疑似云量为20％的目标区中云区域和非云区域，实现含云区域精提取；令自适应混合高斯模型由两个高斯模型组成，则高斯混合模型的概率密度函数用公式(1)表示为：
p(x|z)＝N(x|uz,∑z) (2)
公式(2)为第z个高斯模型的概率密度函数，p(k)＝πz为第z个高斯模型的权重，满足式(3)
3.根据权利要求1所述的一种基于多层感知神经网络大区域地表覆盖分类方法，其特征在于：
所述非监督样本库的构建方法为：
1)根据待分类影像的地理位置，匹配到成果影像集的分幅数据，并进行镶嵌；
2)将所述分类影像网格化S×S大小地理网格，初始化空集合P，用于提取各类地物样本点经纬度位置；
3)每个地理网格对应的分类成果影像进行采样，若样本个数低于最小采样阈值σs，则不进行采样；
4)网格循环直至完成影像覆盖范围区域样本采样。
4.根据权利要求1所述的一种基于多层感知神经网络大区域地表覆盖分类方法，其特征在于：步骤三一的具体过程为：
首先：采用二分划分法对反射率样本集中样本点进行划分，将所述样本点划分为多个区域；在多个区域中进行每个样本点的K-邻近计算，获得最初的中心向量点；
然后：将所述多个区域中的各子区域按照密度大小进行排序，利用KNN算法对排序后的子区域进行计算，并根据距离最近的m个子区域进行离群样本点的查找；若反射率特征点q满足公式(4)，则排除反射率特征点q为离群样本点；
Dk(o)+distance(o,q)≤δ (4)
公式(4)中，反射率特征点q为待判断的样本点，样本点o为已计算K-邻近距离的点，Dk(o)为o的平均K-邻近距离，distance(o,x)为样本点o和x的距离；δ为选取候选的n个离群样本点的平均K-邻近的最小值，用公式为：
δ＝min||P1…n||k (5)
在遍历查找样本点o的K-邻近的过程中，样本点o的近邻点中最远点被新查找到更近点替代，若样本点o当前的Dk(o)满足公式(6)，则样本点o需要剪枝，不需要再查找它的k个最近邻点；
Dk(o)≤t (6)
t为o的K-邻近点的最小查找阈值，近似设置为
5.根据权利要求1所述的一种基于多层感知神经网络大区域地表覆盖分类方法，其特征在于：步骤三二中，以每个样本像元为中心提取大小为M×M×B的立方数据，将所述立方数据输入多层感知神经网络进行卷积操作，获得多层次多尺度特征；最后通过Softmax分类器获得每类地物的分类标签；M为空间领域大小，B为影像波段数目；
对所述多层感知神经网络第i层第j个特征图在(x,y)点值
的计算公式为：
式中，m为第i-1层上与当前特征图相连的特征图，Pi与Qi为卷积核的长度和宽度，代表与(p,q)相连的第m个特征图的连接权值，bi,j为第i层第j个特征图的偏置；
采用Softmax分类器将卷积操作获得的多层次多尺度特征进行分类；像元pt属于类别标签l的概率通过下式计算：
式中，Ft为第t个像元的多层次多尺度深度空间-光谱特征，yt为第t个像元的类别标签，θ为c×(N+1)维的参数矩阵，c为类别个数，N为像元个数；
基于交叉熵构造目标函数式(9)，用下式表示为：
利用最优梯度下降算法最小化多层感知神经网络损失函数来实现参数W，b，θ的学习；并最终获得每个像元所属的类别标签l以及概率P(l|pt)。
6.根据权利要求1所述的一种基于多层感知神经网络大区域地表覆盖分类方法，其特征在于：步骤四的具体过程为：
定义无向图结构G＝(V,E)组织多光谱影像像元，V为像元节点集合，E为邻近点之间边的集合，通过K-邻近算法求得，从标签集合L＝{l1,l2,…,ln}中对每一个像元进行类别优化；
将CRF模型构建在所述无向图中，找到最大后验概率在像元节点集合V的类别标签l中，所述类别标签l等价于下面式子中的能量函数：
将多层感知神经网络获得每个像元的初始分类概率以及邻近空间一致性进行多标签随机构建，获得一个局部性分类结果的优化；利用α-βswap算法解决多标签能量目标函数，用下式表示为：
式中，λ为空间光滑系数，Dt为数据项，lt为像元pt所属的类别，用下式表示为：
Dt(lt)＝-logeP(lt|pt) (12)
P(lt|pt)为类别标签lt的概率，Vtg(lt,lg)为空间平滑项，空间平滑项的算法通过惩罚邻近像元pt与pg的不同标签，即：lt≠lg；
上式(13)对成对的潜在项Vtg惩罚，使邻近像元pt与pg避免空间标签的不连续；权重项wtg为指邻近两像元的空间反距离权重。
7.根据权利要求6所述的一种基于多层感知神经网络大区域地表覆盖分类方法，其特征在于：所述空间光滑系数λ的计算方法如下式：
式中，dtg为两个点的欧氏距离，σd为所有邻近距离的期望，利用图的最小分割实现算法收敛和能量递减，获得分类标签在空间上局部连续。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010471763.XA CN111611960B (zh) | 2020-05-29 | 2020-05-29 | 一种基于多层感知神经网络大区域地表覆盖分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010471763.XA CN111611960B (zh) | 2020-05-29 | 2020-05-29 | 一种基于多层感知神经网络大区域地表覆盖分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611960A true CN111611960A (zh) | 2020-09-01 |
| CN111611960B CN111611960B (zh) | 2022-06-28 |
Family
ID=72201749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010471763.XA Active CN111611960B (zh) | 2020-05-29 | 2020-05-29 | 一种基于多层感知神经网络大区域地表覆盖分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611960B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329852A (zh) * | 2020-11-05 | 2021-02-05 | 西安泽塔云科技股份有限公司 | 地表覆盖影像的分类方法、装置和电子设备 |
| CN112818605A (zh) * | 2021-02-07 | 2021-05-18 | 武汉大学 | 一种地表反照率的快速估计方法及系统 |
| CN114723619A (zh) * | 2022-02-25 | 2022-07-08 | 中国科学院空天信息创新研究院 | 地表辐射产品修复方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
| US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
| CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN109635827A (zh) * | 2018-12-21 | 2019-04-16 | 长光卫星技术有限公司 | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 |
| 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 |
-
2020
- 2020-05-29 CN CN202010471763.XA patent/CN111611960B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
| US20140072209A1 (en) * | 2012-09-13 | 2014-03-13 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
| CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN109635827A (zh) * | 2018-12-21 | 2019-04-16 | 长光卫星技术有限公司 | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| SONGZE BAO等: "《Single Shot Anchor Refinement Network for Oriented Object Detection in Optical Remote Sensing Imagery》", 《IEEE ACCESS》 * |
| 崔炳德等: "《支持向量机分类器遥感图像分类研究》", 《计算机工程与应用》 * |
| 张晓男等: "《基于集成卷积神经网络的遥感影像场景分类》", 《光学学报》 * |
| 李竺强等: "《三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类》", 《光学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329852A (zh) * | 2020-11-05 | 2021-02-05 | 西安泽塔云科技股份有限公司 | 地表覆盖影像的分类方法、装置和电子设备 |
| CN112818605A (zh) * | 2021-02-07 | 2021-05-18 | 武汉大学 | 一种地表反照率的快速估计方法及系统 |
| CN114723619A (zh) * | 2022-02-25 | 2022-07-08 | 中国科学院空天信息创新研究院 | 地表辐射产品修复方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611960B (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Road detection from remote sensing images by generative adversarial networks | |
| Zhang et al. | An object-based convolutional neural network (OCNN) for urban land use classification | |
| Martins et al. | Exploring multiscale object-based convolutional neural network (multi-OCNN) for remote sensing image classification at high spatial resolution | |
| Zhang et al. | Scale Sequence Joint Deep Learning (SS-JDL) for land use and land cover classification | |
| CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
| Gonçalves et al. | SegOptim—A new R package for optimizing object-based image analyses of high-spatial resolution remotely-sensed data | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN111611960B (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
| CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
| CN108038448A (zh) | 基于加权熵的半监督随机森林高光谱遥感影像分类方法 | |
| Liu et al. | Survey of road extraction methods in remote sensing images based on deep learning | |
| US11636649B2 (en) | Geospatial modeling system providing 3D geospatial model update based upon predictively registered image and related methods | |
| Nurkarim et al. | Building footprint extraction and counting on very high-resolution satellite imagery using object detection deep learning framework | |
| Abdollahi et al. | Road extraction from high-resolution orthophoto images using convolutional neural network | |
| CN112949414A (zh) | 一种宽视域高分六号卫星影像地表水体智能制图方法 | |
| Wahbi et al. | A deep learning classification approach using high spatial satellite images for detection of built-up areas in rural zones: Case study of Souss-Massa region-Morocco | |
| Gao et al. | Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data | |
| Sutha | Object based classification of high resolution remote sensing image using HRSVM-CNN classifier | |
| Fırat et al. | Hybrid 3D convolution and 2D depthwise separable convolution neural network for hyperspectral image classification | |
| Zhang et al. | A multi-task convolutional neural network for mega-city analysis using very high resolution satellite imagery and geospatial data | |
| Nikfar et al. | Optimization of multiresolution segmentation by using a genetic algorithm | |
| Althobaiti et al. | Intelligent deep data analytics-based remote sensing scene classification model | |
| Pan et al. | Enhanced FCN for farmland extraction from remote sensing image | |
| US11816793B2 (en) | Geospatial modeling system providing 3D geospatial model update based upon iterative predictive image registration and related methods | |
| Talafha et al. | Classification and feature extraction for hydraulic structures data using advanced cnn architectures |
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 | ||
| CB02 | Change of applicant information |
Address after: No. 1299, Mingxi Road, Beihu science and Technology Development Zone, Changchun City, Jilin Province Applicant after: Changguang Satellite Technology Co.,Ltd. Address before: No. 1299, Mingxi Road, Beihu science and Technology Development Zone, Changchun City, Jilin Province Applicant before: CHANG GUANG SATELLITE TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Large Area Land Cover Classification Method Based on Multilayer Perceptual Neural Network Granted publication date: 20220628 Pledgee: Changchun Rural Commercial Bank Co.,Ltd. Exhibition Center sub branch Pledgor: Changguang Satellite Technology Co.,Ltd. Registration number: Y2024220000024 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |