CN113516084B - 高分辨率遥感影像半监督分类方法、装置、设备及介质 - Google Patents
高分辨率遥感影像半监督分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113516084B CN113516084B CN202110819076.7A CN202110819076A CN113516084B CN 113516084 B CN113516084 B CN 113516084B CN 202110819076 A CN202110819076 A CN 202110819076A CN 113516084 B CN113516084 B CN 113516084B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- classification
- model
- sensing image
- segmentation model
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种高分辨率遥感影像半监督分类方法、装置、设备及介质,该方法包括:对遥感影像进行预处理;根据处理后的遥感影像,制作地物分类样本集;构建基于Unet++网络的遥感影像语义分割模型,并通过地物分类样本集对语义分割模型进行训练;构建基于近红外波段的阈值分割模型;将语义分割模型和阈值分割模型进行模型融合,获取分类模型;使用分类模型对待分类遥感影像进行分类。这样通过构建基于Unet++网络的遥感影像语义分割模型和基于近红外波段的阈值分割模型,然后使用多模型融合的方法,使遥感影像的纹理信息和近红外波段的光谱信息融合,再对高分辨率遥感影像分类,能够提高分类精度。
Description
技术领域
本发明涉及遥感影像分类领域,特别是涉及一种高分辨率遥感影像半监督分类方法、装置、设备及介质。
背景技术
高分辨率遥感影像作为遥感卫星产品中最主要的部分,广泛应用于农业估产、农业风险评估、矿产调查、国土资源调查等领域。近些年以来,高分辨率遥感卫星发射迅猛,影像数据源暴增,为后期应用提供了丰富的数据资源。遥感数据的处理一般包括前期处理和高级分析,后期应用中,影像分类是了解地物覆盖的基础研究。
一般来说,高分辨率遥感影像的分辨率优于1米(即>1米),可以较为清晰地分辨植被、水体、建筑等地物目标。使用高分辨率遥感影像做地物分类,能够把握地物细节,了解地物类型。遥感影像分类的方法有很多,从使用训练样本的角度,分为监督分类、非监督分类、半监督分类。比较常规的监督分类的方法大多从遥感影像的光谱特征出发,考虑不同地物类型之间的光谱差异来区分像元。而对于高分辨率遥感影像,光谱信息不多,通常只包含RGB和近红外四个波段,无法包含丰富的光谱信息,使用光谱分类的方法进行分类后,分类精度较低。
因此,如何解决高分辨率遥感影像分类精度低的问题,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种高分辨率遥感影像半监督分类方法、装置、设备及介质,可以提高高分辨率遥感影像的分类精度。其具体方案如下:
一种高分辨率遥感影像半监督分类方法,包括:
对遥感影像进行预处理;
根据处理后的所述遥感影像,制作地物分类样本集;
构建基于Unet++网络的遥感影像语义分割模型,并通过所述地物分类样本集对所述语义分割模型进行训练;
构建基于近红外波段的阈值分割模型;
将所述语义分割模型和所述阈值分割模型进行模型融合,获取分类模型;
使用所述分类模型对待分类遥感影像进行分类。
优选地,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,所述对遥感影像进行预处理,包括:
对遥感影像进行全色和多光谱影像融合、辐射校正、大气校正、几何校正的处理。
优选地,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,所述根据处理后的所述遥感影像,制作地物分类样本集,包括:
建立与处理后的所述遥感影像相同大小的矢量,并将所述矢量全要素分割,分成水体、植被、裸土、不透水面四个类型;
对分成的类型进行标注,并根据类型字段不同,转换为栅格数据;
对处理后的所述遥感影像进行切片处理,同时裁剪出对应位置的标注的栅格,得到一组大小相同的图片和标签作为地物分类样本集。
优选地,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,所述Unet++网络采用多级上采样和跳层连接的方法,提取多层特征。
优选地,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,所述Unet++网络包括下采样层,上采样层,以及用于对所述下采样层进行特征抽取的中间层;其中,
所述下采样层添加有EfficientB4模型的特征提取部分。
优选地,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,所述构建基于近红外波段的阈值分割模型,包括:
使用阈值分割法获取处理后的所述遥感影像的近红外波段阈值直方图;
将所述地物分类样本集和所述近红外波段阈值直方图进行匹配,选取出所述近红外波段阈值直方图中水体和植被的阈值区域,以构建阈值分割模型。
优选地,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,所述将所述语义分割模型和所述阈值分割模型进行模型融合,获取分类模型,包括:
当所述语义分割模型的输出结果与所述阈值分割模型的输出结果均为水体或植被时,或,当所述语义分割模型的输出结果为裸土或不透水面且所述阈值分割模型的输出结果为其他时,判定分类结果正确;
将判定为正确的分类结果作为新的地物分类样本集,使用迁移学习的方法继续训练所述语义分割模型,获取分类模型。
本发明实施例还提供了一种高分辨率遥感影像半监督分类装置,包括:
影像处理模块,用于对遥感影像进行预处理;
样本集制作模块,用于根据处理后的所述遥感影像,制作地物分类样本集;
第一模型构建模块,用于构建基于Unet++网络的遥感影像语义分割模型,并通过所述地物分类样本集对所述语义分割模型进行训练;
第二模型构建模块,用于构建基于近红外波段的阈值分割模型;
模型融合模块,用于将所述语义分割模型和所述阈值分割模型进行模型融合,获取分类模型;
影像分类模块,用于使用所述分类模型对待分类遥感影像进行分类。
本发明实施例还提供了一种高分辨率遥感影像半监督分类设备,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述高分辨率遥感影像半监督分类方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述高分辨率遥感影像半监督分类方法。
从上述技术方案可以看出,本发明所提供的一种高分辨率遥感影像半监督分类方法,包括:对遥感影像进行预处理;根据处理后的遥感影像,制作地物分类样本集;构建基于Unet++网络的遥感影像语义分割模型,并通过地物分类样本集对语义分割模型进行训练;构建基于近红外波段的阈值分割模型;将语义分割模型和阈值分割模型进行模型融合,获取分类模型;使用分类模型对待分类遥感影像进行分类。
本发明通过构建基于Unet++网络的遥感影像语义分割模型和基于近红外波段的阈值分割模型,然后使用多模型融合的方法,使遥感影像的纹理信息和近红外波段的光谱信息融合,再对高分辨率遥感影像分类,能够提高分类精度。
此外,本发明还针对高分辨率遥感影像半监督分类方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的高分辨率遥感影像半监督分类方法的流程图;
图2为本发明实施例提供的高分辨率遥感影像半监督分类方法的示意图;
图3为本发明实施例提供的Unet++网络的结构示意图;
图4为本发明实施例提供的Unet++网络中卷积block的结构示意图;
图5为本发明实施例提供的Unet++网络中残差block的结构示意图;
图6为本发明实施例提供的近红外波段阈值直方图;
图7为本发明实施例提供的分类结果展示图;
图8为本发明实施例提供的高分辨率遥感影像半监督分类装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种高分辨率遥感影像半监督分类方法,如图1和图2所示,包括以下步骤:
S101、对遥感影像进行预处理;
S102、根据处理后的遥感影像,制作地物分类样本集;
S103、构建基于Unet++网络的遥感影像语义分割模型,并通过地物分类样本集对语义分割模型进行训练;
S104、构建基于近红外波段的阈值分割模型;
S105、将语义分割模型和阈值分割模型进行模型融合,获取分类模型;
S106、使用分类模型对待分类遥感影像进行分类。
在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,通过构建基于Unet++网络的遥感影像语义分割模型和基于近红外波段的阈值分割模型,然后使用多模型融合的方法,使遥感影像的纹理信息和近红外波段的光谱信息融合,再对高分辨率遥感影像分类,能够提高分类精度。
进一步地,在具体实施时,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,步骤S101对遥感影像进行预处理,具体可以包括:对遥感影像进行全色和多光谱影像融合、辐射校正、大气校正、几何校正等处理,获取一个具有四波段(RGB和近红外)的高分辨率遥感影像。
在具体实施时,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,由于遥感影像尺寸过大,需要裁剪为切片,赋予属性,步骤S102根据处理后的遥感影像,制作地物分类样本集,具体可以包括:
首先,建立与处理后的遥感影像相同大小的矢量,并将矢量全要素分割,分成水体、植被、裸土、不透水面四个类型;
然后,对分成的类型进行标注,并根据类型字段不同,转换为栅格数据;具体可以使用shpfile文件进行标注,然后将shpfile根据类型字段不同,转换为栅格数据;
最后,对处理后的遥感影像进行切片处理;具体地,将遥感影像切成一个个小的切片便于训练,切片大小可以设置为512×512,切片之间不重叠;同时裁剪出对应位置的标注的栅格,得到一组大小相同的图片和标签作为地物分类样本集。
在具体实施时,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,如图3所示,Unet++网络采用多级上采样和跳层连接的方法,提取多层特征。需要说明的是,Unet网络是语义分割中常用的一种分割网络模型,首先通过卷积进行下采样,提取一层又一层的特征,然后进行上采样,并将下采样和上采样之间的特征连接,由于这个模型结构图形状类似U形,所以名为Unet,其中下采样的过程是一个编码的过程,上采样是解码的过程;而Unet++网络是在Unet的基础上进行了增加,采用了多级上采样和跳层连接的方法,提取更多层的特征。
在具体实施时,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,Unet++网络具体可以包括下采样层,上采样层,以及用于对下采样层进行特征抽取的中间层;其中,下采样层添加有EfficientB4模型的特征提取部分。也就是说,本发明在Unet的基础上,将EfficientB4模型的特征提取部分加入到Unet++网络的编码过程中,改进了网络结构,提取了更多的特征。
具体地,步骤S103构建基于Unet++网络的遥感影像语义分割模型,具体可以包括以下步骤:
首先,定义一个卷积block,如图4所示,一个卷积block包括一个卷积层、BatchNormalization(BN)层、一个LeakyRelU激活函数;
然后,定义一个残差block,如图5所示,将残差block网络的输入经过LeakReLU和BN层之后,再经过上面定义的两个卷积block,之后加上原始输入经过BN层处理之后的结果;
之后,建立Unet++网络的下采样层、上采用层和中间层。下采样层是特征提取的部分,与Unet网络相同,这里使用四个下采样层作为Unet++网络的下采样层,不同的是,为了更深入地提出特征,该网络的下采样层是从EfficientB4获取,即分别从EfficientB4的第342、154、92、30层作为Unet++中下采样的四个层conv4、conv3、conv2、conv1;中间层是对下采样层的进一步特征抽取,不予不同层级的特征,抽取次数也不一样。对于conv4,编码为deconv4,再抽取三次,获得三级特征层deconv4_up1、deconv4_up2、deconv4_up3,然后将conv4提取特征为deconv3,并提取特征deconv3_up1,deconv3_up2,将deconv3、conv3与deconv4_up1相加,获得uconv3,将uconv3编码为deconv2,并提取特征deconv2_up1,然后将deconv2、conv2、deconv4_up2、deconv3_up1相加,得到uconv2,将uconv2编码为deconv1,然后将conv1、deconv1、deconv2_up1、deconv3_up2、deconv4_up3相加,获得uconv1,并编码为uconv0,最后将uconv0做一个卷积,将特征降到1维,作为网络输出;
最后,定义损失函数,使用网络预测结果与真实标签之间的dice loss作为损失函数。使用余弦退火的方法设定learning rate(lr),初始lr设置为0.001,epoch设置为30,batchsize设置为32,然后开始训练模型。
在具体实施时,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,步骤S104构建基于近红外波段的阈值分割模型,具体可以包括:使用阈值分割法获取处理后的遥感影像的近红外波段阈值直方图;将地物分类样本集和近红外波段阈值直方图进行匹配,选取出近红外波段阈值直方图中水体和植被的阈值区域,以构建阈值分割模型。
具体地,考虑到近红外波段对水体的吸收较强,而且植被中含有较多的水体,所以水体和植被的反射率较低,使用波段四来判断水体和植被。步骤S104中使用阈值分割的方法,只提取高分辨率遥感影像中的波段四,显示直方图,对于8位影像,直方图横坐标范围为0到255,如图6所示,将训练样本和直方图进行匹配,选取直方图中水体聚集的一段作为影像中水体的反射率部分,通常靠左,记录水体的阈值区域,同样,选取植被的阈值区域。待分类的数据在水体或者植被的阈值内时,标记为水体或植被。这样充分利用近红外波段的特征,能够一定程度上增加特定目标的分类精度。
在具体实施时,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,步骤S105将语义分割模型和阈值分割模型进行模型融合,获取分类模型,具体可以包括:当语义分割模型的输出结果与阈值分割模型的输出结果均为水体或植被时,或,当语义分割模型的输出结果为裸土或不透水面且阈值分割模型的输出结果为其他时,判定分类结果正确;将判定为正确的分类结果作为新的地物分类样本集,使用迁移学习的方法继续训练语义分割模型,获取分类模型。这样使用语义分割对遥感影像进行分类,同时针对部分地物类型如水体、植被等,使用近红外波段特征进行提取,对两个结果进行决策级融合,然后使用半监督分类的方法增加样本,并再次分类,可以获取更高的分类精度。
具体地,步骤S105使用决策级融合的方法,语义分割模型的输出结果是一个二维矩阵,每个位置代表该像元的类别,总共包含四个类别,阈值分割的结果也是一个二维矩阵,每个位置代表该像元的类别,与语义分割不同的是,这里只包含三个类别,水体、植被、其它。对于每一个像素,当语义分割获取结果为裸土或不透水面,阈值分割获取为其他,或者都为水体或者植被,则认为分类正确。当分类结果不同时,对这部分不分类,将已经分类的作为新的训练样本,使用迁移学习的方法,继续训练语义分割模型,获取最终的分类结果。
在具体实施时,在本发明实施例提供的上述高分辨率遥感影像半监督分类方法中,步骤S106使用分类模型对待分类遥感影像进行分类,具体可以包括:首先,将待分类遥感影像切片,切片大小与步骤一相同,然后将每一个切片输入到分类模型中分类,经过膨胀、腐蚀等后处理操作,再把最后各个切片的分类结果拼接起来,添加坐标信息,生成tiff文件,实例如图7所示。
需要说明的是,本发明实施例提供的上述高分辨率遥感影像半监督分类方法主要是考虑高分辨率遥感影像的纹理特征和近红外波段的物理特征,通过改进的Unet++语义分割网络与阈值分割相结合的方式,采用半监督分类的方法,扩充训练样本,并再次训练语义分割模型以获取更高的分类精度,最后经过分类后处理,生成分类结果。
基于同一发明构思,本发明实施例还提供了一种高分辨率遥感影像半监督分类装置,由于该装置解决问题的原理与前述一种高分辨率遥感影像半监督分类方法相似,因此该装置的实施可以参见高分辨率遥感影像半监督分类方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的高分辨率遥感影像半监督分类装置,如图8所示,具体包括:
影像处理模块11,用于对遥感影像进行预处理;
样本集制作模块12,用于根据处理后的遥感影像,制作地物分类样本集;
第一模型构建模块13,用于构建基于Unet++网络的遥感影像语义分割模型,并通过地物分类样本集对语义分割模型进行训练;
第二模型构建模块14,用于构建基于近红外波段的阈值分割模型;
模型融合模块15,用于将语义分割模型和阈值分割模型进行模型融合,获取分类模型;
影像分类模块16,用于使用分类模型对待分类遥感影像进行分类。
在本发明实施例提供的上述高分辨率遥感影像半监督分类装置中,可以通过上述六个模块的相互作用,使遥感影像的纹理信息和近红外波段的光谱信息融合后,再对高分辨率遥感影像分类,提高了分类精度。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应地,本发明实施例还公开了一种高分辨率遥感影像半监督分类设备,包括处理器和存储器;其中,处理器执行存储器中存储的计算机程序时实现前述实施例公开的高分辨率遥感影像半监督分类方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步地,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的高分辨率遥感影像半监督分类方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上,本发明实施例提供的一种高分辨率遥感影像半监督分类方法,包括:对遥感影像进行预处理;根据处理后的遥感影像,制作地物分类样本集;构建基于Unet++网络的遥感影像语义分割模型,并通过地物分类样本集对语义分割模型进行训练;构建基于近红外波段的阈值分割模型;将语义分割模型和阈值分割模型进行模型融合,获取分类模型;使用分类模型对待分类遥感影像进行分类。这样通过构建基于Unet++网络的遥感影像语义分割模型和基于近红外波段的阈值分割模型,然后使用多模型融合的方法,使遥感影像的纹理信息和近红外波段的光谱信息融合,再对高分辨率遥感影像分类,能够提高分类精度。此外,本发明还针对高分辨率遥感影像半监督分类方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的高分辨率遥感影像半监督分类方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种高分辨率遥感影像半监督分类方法,其特征在于,包括:
对遥感影像进行预处理;
根据处理后的所述遥感影像,制作地物分类样本集;
构建基于Unet++网络的遥感影像语义分割模型,并通过所述地物分类样本集对所述语义分割模型进行训练;所述Unet++网络采用多级上采样和跳层连接的方法,提取多层特征;所述Unet++网络包括下采样层,上采样层,以及用于对所述下采样层进行特征抽取的中间层;其中,所述下采样层添加有EfficientB4模型的特征提取部分;所述下采样层是从EfficientB4获取,分别从EfficientB4的第342、154、92、30层作为Unet++中下采样的四个层conv4、conv3、conv2、conv1;中间层是对下采样层的进一步特征抽取;对于conv4,编码为deconv4,再抽取三次,获得三级特征层deconv4_up1、deconv4_up2、deconv4_up3,然后将conv4提取特征为deconv3,并提取特征层deconv3_up1,deconv3_up2,将deconv3、conv3与deconv4_up1相加,获得uconv3,将uconv3编码为deconv2,并提取特征deconv2_up1,然后将deconv2、conv2、deconv4_up2、deconv3_up1相加,得到uconv2,将uconv2编码为deconv1,然后将conv1、deconv1、deconv2_up1、deconv3_up2、deconv4_up3相加,获得uconv1,并编码为uconv0,最后将uconv0做一个卷积,将特征降到1维,作为网络输出;
使用阈值分割法获取处理后的所述遥感影像的近红外波段阈值直方图;将所述地物分类样本集和所述近红外波段阈值直方图进行匹配,选取出所述近红外波段阈值直方图中目标阈值区域,以构建基于近红外波段的阈值分割模型;
将所述语义分割模型和所述阈值分割模型进行决策级模型融合,获取分类模型;
使用所述分类模型对待分类遥感影像进行分类。
2.根据权利要求1所述的高分辨率遥感影像半监督分类方法,其特征在于,所述对遥感影像进行预处理,包括:
对遥感影像进行全色和多光谱影像融合、辐射校正、大气校正、几何校正的处理。
3.根据权利要求2所述的高分辨率遥感影像半监督分类方法,其特征在于,所述根据处理后的所述遥感影像,制作地物分类样本集,包括:
建立与处理后的所述遥感影像相同大小的矢量,并将所述矢量全要素分割,分成水体、植被、裸土、不透水面四个类型;
对分成的类型进行标注,并根据类型字段不同,转换为栅格数据;
对处理后的所述遥感影像进行切片处理,同时裁剪出对应位置的标注的栅格,得到一组大小相同的图片和标签作为地物分类样本集。
4.根据权利要求3所述的高分辨率遥感影像半监督分类方法,其特征在于,所述选取出所述近红外波段阈值直方图中目标阈值区域,包括:
选取出所述近红外波段阈值直方图中水体和植被的阈值区域。
5.根据权利要求4所述的高分辨率遥感影像半监督分类方法,其特征在于,所述将所述语义分割模型和所述阈值分割模型进行模型融合,获取分类模型,包括:
当所述语义分割模型的输出结果与所述阈值分割模型的输出结果均为水体或植被时,或,当所述语义分割模型的输出结果为裸土或不透水面且所述阈值分割模型的输出结果为其他时,判定分类结果正确;
将判定为正确的分类结果作为新的地物分类样本集,使用迁移学习的方法继续训练所述语义分割模型,获取分类模型。
6.一种高分辨率遥感影像半监督分类装置,其特征在于,包括:
影像处理模块,用于对遥感影像进行预处理;
样本集制作模块,用于根据处理后的所述遥感影像,制作地物分类样本集;
第一模型构建模块,用于构建基于Unet++网络的遥感影像语义分割模型,并通过所述地物分类样本集对所述语义分割模型进行训练;所述Unet++网络采用多级上采样和跳层连接的方法,提取多层特征;所述Unet++网络包括下采样层,上采样层,以及用于对所述下采样层进行特征抽取的中间层;其中,所述下采样层添加有EfficientB4模型的特征提取部分;所述下采样层是从EfficientB4获取,分别从EfficientB4的第342、154、92、30层作为Unet++中下采样的四个层conv4、conv3、conv2、conv1;中间层是对下采样层的进一步特征抽取;对于conv4,编码为deconv4,再抽取三次,获得三级特征层deconv4_up1、deconv4_up2、deconv4_up3,然后将conv4提取特征为deconv3,并提取特征层deconv3_up1,deconv3_up2,将deconv3、conv3与deconv4_up1相加,获得uconv3,将uconv3编码为deconv2,并提取特征deconv2_up1,然后将deconv2、conv2、deconv4_up2、deconv3_up1相加,得到uconv2,将uconv2编码为deconv1,然后将conv1、deconv1、deconv2_up1、deconv3_up2、deconv4_up3相加,获得uconv1,并编码为uconv0,最后将uconv0做一个卷积,将特征降到1维,作为网络输出;
第二模型构建模块,用于使用阈值分割法获取处理后的所述遥感影像的近红外波段阈值直方图;将所述地物分类样本集和所述近红外波段阈值直方图进行匹配,选取出所述近红外波段阈值直方图中目标阈值区域,以构建基于近红外波段的阈值分割模型;
模型融合模块,用于将所述语义分割模型和所述阈值分割模型进行决策级模型融合,获取分类模型;
影像分类模块,用于使用所述分类模型对待分类遥感影像进行分类。
7.一种高分辨率遥感影像半监督分类设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至5任一项所述的高分辨率遥感影像半监督分类方法。
8.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的高分辨率遥感影像半监督分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819076.7A CN113516084B (zh) | 2021-07-20 | 2021-07-20 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110819076.7A CN113516084B (zh) | 2021-07-20 | 2021-07-20 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516084A CN113516084A (zh) | 2021-10-19 |
CN113516084B true CN113516084B (zh) | 2023-04-25 |
Family
ID=78067448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110819076.7A Active CN113516084B (zh) | 2021-07-20 | 2021-07-20 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516084B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255247A (zh) * | 2021-12-22 | 2022-03-29 | 中国农业科学院农业资源与农业区划研究所 | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 |
CN116883853A (zh) * | 2023-01-12 | 2023-10-13 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 辽宁工程技术大学 | 一种卫星遥感影像的城市水体提取方法 |
CN110751655A (zh) * | 2019-09-16 | 2020-02-04 | 南京工程学院 | 一种基于语义分割和显著性分析的自动抠图方法 |
CN112070078A (zh) * | 2020-11-16 | 2020-12-11 | 武汉思众空间信息科技有限公司 | 基于深度学习的土地利用分类方法及系统 |
CN112347927A (zh) * | 2020-11-06 | 2021-02-09 | 天津市勘察设计院集团有限公司 | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997466B (zh) * | 2017-04-12 | 2021-05-04 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
CN107527351B (zh) * | 2017-08-31 | 2020-12-29 | 华南农业大学 | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 |
CN108537192B (zh) * | 2018-04-17 | 2021-11-30 | 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 |
CN109190538B (zh) * | 2018-08-24 | 2021-06-08 | 华北水利水电大学 | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 |
CN110136154B (zh) * | 2019-05-16 | 2022-12-06 | 西安电子科技大学 | 基于全卷积网络与形态学处理的遥感图像语义分割方法 |
US11328430B2 (en) * | 2019-05-28 | 2022-05-10 | Arizona Board Of Regents On Behalf Of Arizona State University | Methods, systems, and media for segmenting images |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
CN110544258B (zh) * | 2019-08-30 | 2021-05-25 | 北京海益同展信息科技有限公司 | 图像分割的方法、装置、电子设备和存储介质 |
CN111832387A (zh) * | 2020-05-22 | 2020-10-27 | 北京星衡科技有限公司 | 一种基于无人机影像的宅基地房屋识别方法 |
CN111783782B (zh) * | 2020-05-29 | 2022-08-05 | 河海大学 | 融合改进UNet和SegNet的遥感图像语义分割方法 |
CN112200029B (zh) * | 2020-09-27 | 2022-03-25 | 电子科技大学 | 基于改进型UNet++网络的遥感图像建筑物提取方法 |
CN112651987A (zh) * | 2020-12-30 | 2021-04-13 | 内蒙古自治区农牧业科学院 | 一种样方草地覆盖度计算方法及系统 |
-
2021
- 2021-07-20 CN CN202110819076.7A patent/CN113516084B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 辽宁工程技术大学 | 一种卫星遥感影像的城市水体提取方法 |
CN110751655A (zh) * | 2019-09-16 | 2020-02-04 | 南京工程学院 | 一种基于语义分割和显著性分析的自动抠图方法 |
CN112347927A (zh) * | 2020-11-06 | 2021-02-09 | 天津市勘察设计院集团有限公司 | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 |
CN112070078A (zh) * | 2020-11-16 | 2020-12-11 | 武汉思众空间信息科技有限公司 | 基于深度学习的土地利用分类方法及系统 |
Non-Patent Citations (2)
Title |
---|
袁伟等.MUNet: 一种多尺度自适应的遥感语义分割深度学习网络.《测绘科学技术学报》.2020,第37卷(第6期),581-588. * |
钟文煜.改进型Unet:一种高效准确的视网膜血管分割方法.《光学技术》.2019,第45卷(第6期),744-748. * |
Also Published As
Publication number | Publication date |
---|---|
CN113516084A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023000159A1 (zh) | 高分辨率遥感影像半监督分类方法、装置、设备及介质 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN113516084B (zh) | 高分辨率遥感影像半监督分类方法、装置、设备及介质 | |
CN112419155B (zh) | 一种全极化合成孔径雷达影像超分辨率重建方法 | |
CN113609889B (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
Yang et al. | Sea-land segmentation using deep learning techniques for landsat-8 OLI imagery | |
CN112597815A (zh) | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
Xiao et al. | Deep learning-based spatiotemporal fusion of unmanned aerial vehicle and satellite reflectance images for crop monitoring | |
CN113239736A (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 | |
CN115861837A (zh) | 基于Ares-UNet++网络的耕地识别方法及相关装置 | |
CN114972378A (zh) | 一种基于掩码注意力机制的脑肿瘤mri图像分割方法 | |
Chen et al. | Continuous cross-resolution remote sensing image change detection | |
Zhang et al. | Dense haze removal based on dynamic collaborative inference learning for remote sensing images | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
Lei et al. | Convolution neural network with edge structure loss for spatiotemporal remote sensing image fusion | |
EP4296706A1 (en) | Method and system for lulc guided sar visualization | |
CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
CN112446256A (zh) | 一种基于深度isa数据融合的植被类型识别方法 | |
Wu et al. | Cross-supervised learning for cloud detection | |
CN116343058A (zh) | 基于全局协同融合的多光谱和全色卫星影像地表分类方法 | |
Han et al. | Dual-Level Contextual Attention Generative Adversarial Network for Reconstructing SAR Wind Speeds in Tropical Cyclones | |
Varma et al. | HSIS-Net: Hyperspectral Image Segmentation Using Multi-view Active Learning Based FCSN. | |
Lee et al. | CFCA-SET: Coarse-to-Fine Context-Aware SAR-to-EO Translation with Auxiliary Learning of SAR-to-NIR Translation | |
CN117292276B (zh) | 基于编解码注意力交互的云检测方法、系统、介质及设备 |
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 |