CN113963262A - 一种基于深度特征融合模型的矿区土地覆盖分类方法 - Google Patents

一种基于深度特征融合模型的矿区土地覆盖分类方法 Download PDF

Info

Publication number
CN113963262A
CN113963262A CN202111560773.1A CN202111560773A CN113963262A CN 113963262 A CN113963262 A CN 113963262A CN 202111560773 A CN202111560773 A CN 202111560773A CN 113963262 A CN113963262 A CN 113963262A
Authority
CN
China
Prior art keywords
features
deep
model
data
modal
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
Application number
CN202111560773.1A
Other languages
English (en)
Other versions
CN113963262B (zh
Inventor
杨静
秦艳艳
李显巨
胡学彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Geophysical And Geochemical Survey Institute Of Ningxia Hui Autonomous Region
China University of Geosciences
Original Assignee
Geophysical And Geochemical Survey Institute Of Ningxia Hui Autonomous Region
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Geophysical And Geochemical Survey Institute Of Ningxia Hui Autonomous Region, China University of Geosciences filed Critical Geophysical And Geochemical Survey Institute Of Ningxia Hui Autonomous Region
Priority to CN202111560773.1A priority Critical patent/CN113963262B/zh
Publication of CN113963262A publication Critical patent/CN113963262A/zh
Application granted granted Critical
Publication of CN113963262B publication Critical patent/CN113963262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度特征融合模型的矿区土地覆盖分类方法，包括：获取标定矿区的遥感数据，从标定矿区的遥感数据中提取多模态数据，其中，多模态数据包括多光谱影像和数字高程模型数据；基于多模态数据提取多模态浅层特征，使用深度置信模型处理多模态浅层特征获得多模态深度特征；使用第一深层模型处理多光谱影像的像元邻域获得深层光谱‑空间特征，使用第二深层模型处理数字高程模型数据的像元邻域获得深层地形特征；融合多模态深度特征、深层光谱‑空间特征以及深层地形特征输入分类器，获得分类结果。利用卷积神经网络和深度置信网络的各自优势，能解决由于矿区典型特征导致其土地覆盖分类精度难以提升的问题。

Description

一种基于深度特征融合模型的矿区土地覆盖分类方法
技术领域
本发明涉及遥感影像分类领域，具体而言，涉及一种基于深度特征融合模型的矿区土地覆盖分类方法。
背景技术
开展矿区土地覆盖精细分类研究，对于矿区的精细化管理、矿区生态环境监测与可持续发展等具有重要意义。在复杂的露天采矿景观中，特定于景观的部分特征限制了算法的准确性。例如矿区的复杂景观特点如立体地形特征显著、光谱-空间特征同质性强和遥感特征时空变异性强，严重制约了土地覆盖分类精度的提升。基于特征工程和传统机器学习分类器的方法在各种遥感分类中取得了一定的成功，但浅层人工设计特征的表示能力不足，限制了其开展分类的精度上限。
发明内容
本发明解决的问题是如何针对矿区典型特征以提高土地覆盖分类精度。
为解决上述问题，本发明提供一种基于深度特征融合模型的矿区土地覆盖分类方法，所述深度特征融合模型包括第一深层模型、第二深层模型、深度置信模型和分类器，所述基于深度特征融合模型的矿区土地覆盖分类方法包括：
获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据；基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征；使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征；融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入所述分类器，获得分类结果。
相对于现有技术，本发明通过多光谱影像和数字高程模型数据，获得浅层光谱-空间特征以及浅层地形特征；再通过浅层地形特征与深度置信模型获得深度特征，使获得的深度特征更具有准确性，在缺少或没有先验知识的情况下获得鲁棒性更强的特征数据；通过第一深层模型和第二深层模型分别处理多光谱影像和数字高程模型数据的像元邻域，获得深度光谱-空间特征和深度地形特征，结合了遥感数据中光谱空间与地形及其相邻区域的关联性的特征，保证提取到的特征具有更好的准确性，使分类模型输出的分类结果更加具有鲁棒性；将基于无监督学习获得的深度特征和基于深层模型获得的深层特征相结合，保证发挥各自的优势，提高最终分类模型的鲁棒性，不会被复杂的遥感图像干扰。
可选地，所述基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征包括：
使用所述多模态数据提取所述多模态浅层特征，其中，所述多模态浅层特征包括浅层光谱-空间特征和浅层地形特征；将所述浅层光谱-空间特征与所述浅层地形特征通过向量串联的方式堆叠，获得浅层堆叠特征；基于所述深度置信模型处理所述浅层堆叠特征获得所述多模态深度特征。
由此，通过向量串联的方式对浅层特征进行堆叠，然后使用深度置信网络模型进行深度特征的提取，可以保证充分利用深度置信网络模型算法的优点，在缺少先验知识或不使用先验知识的情况下自动获取潜藏在数据中难以解读的高层信息，输出的信息对数据有一定的表征作用。
可选地，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征之前，还包括：获取所述遥感数据的地物类型及数据尺寸；根据所述地物类型和所述数据尺寸获得所述像元邻域的大小。
由此，遥感数据的地物类型会影响遥感数据像元与其邻域的相关程度，遥感图像的尺寸会影响在实际分类时遥感数据的像元及其邻域的权重大小，故基于遥感数据的地物类型与尺寸，设置像元邻域的取值，基于地物在空间分布的连续性，保证使输出的深层光谱-空间特征与深层地形特征更加准确。
可选地，所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征包括：
基于所述多光谱影像的像元及其对应的所述像元邻域的大小，提取第一数据，基于所述数字高程模型数据的像元及其对应的所述像元邻域的大小，获得第二数据；使用所述第一深层模型处理所述第一数据获得所述深层光谱-空间特征，使用所述第二深层模型处理所述第二数据获得所述深层地形特征。
由此，通过确定像元邻域的大小，基于深层模型处理数据获得深层光谱-空间特征和深层地形特征，可以获得更准确的深层特征数据，增加分类模型的鲁棒性。
可选地，所述融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入分类器，获得分类结果包括：
使用特征堆叠的方式进行融合，所述特征堆叠包括将所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征进行向量串联，作为全连接层的输入，通过所述分类器处理所述全连接层获得所述分类结果。
由此，将三种特征进行向量串联，形成全连接层，使用此特征进行后续的分类，可以充分利用卷积神经网络与深度置信网络模型的优点，可以获得准确度和鲁棒性更高的分类模型。
可选地，所述多模态浅层特征包括：
浅层光谱-空间特征和浅层地形特征，其中，所述浅层光谱-空间特征包括表示光谱波段的光谱特征、表示光谱波段的第一主成分特征和第二主成分特征以及归一化植被指数的植被特征，所述浅层地形特征包括DTM、坡度特征和坡向特征。
由此，通过光谱特征、第一和第二主成分特征、归一化植被指数、DTM、坡度特征和坡向特征，可以为后续分类提供更可靠的数据，增加分类模型的鲁棒性。
可选地，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征之前，包括：
获取多光谱影像训练集、数字高程模型数据训练集；通过所述多光谱影像训练集训练第一卷积神经网络获得所述第一深层模型，通过所述数字高程模型数据训练集训练第二卷积神经网络获得所述第二深层模型。
由此，使用多光谱影像训练集对第一卷积神经网络进行训练，并基于训练结果进行微调，获得第一深层模型，可以在有先验知识的条件下，获得更准确的深层光谱-空间特征；使用数字高程模型数据训练集训练第二卷积神经网络，并基于训练结果进行微调，获得第二深层模型，可以在有先验知识的条件下，获得更准确的深层地形特征，且使用多光谱影像与数字高程模型数据分别独立训练各自的卷积神经网络，可以在有先验知识的情况下获得具有针对性提取特征的网络。
另一方面，本发明还提出一种基于深度特征融合模型的矿区土地覆盖分类装置，包括：
获得模块，其用于获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据；
深度特征模块，其用于基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征；
深层特征模块，其用于使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征；
融合模块，其用于融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入分类器，获得分类结果。
所述基于深度特征融合模型的矿区土地覆盖分类装置相对于现有技术与所述基于深度特征融合模型的矿区土地覆盖分类方法所具有的优势相同，在此不再赘述。
本发明还提出一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的基于深度特征融合模型的矿区土地覆盖分类方法。
所述计算机存储介质相对于现有技术与所述基于深度特征融合模型的矿区土地覆盖分类方法所具有的优势相同，在此不再赘述。
本发明还提出一种计算机设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的基于深度特征融合模型的矿区土地覆盖分类方法。
所述计算机设备相对于现有技术与所述基于深度特征融合模型的矿区土地覆盖分类方法所具有的优势相同，在此不再赘述。
附图说明
图1为本发明实施例的基于深度特征融合模型的矿区土地覆盖分类方法的流程示意图；
图2为本发明实施例的基于深度特征融合模型的矿区土地覆盖分类方法的示意图；
图3为本发明实施例的基于深度特征融合模型的矿区土地覆盖分类装置的结构示意图；
图4为本发明实施例的计算机可读存储介质的示意图。
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。
如图1所示，本发明实施例的一种基于深度特征融合模型的矿区土地覆盖分类方法包括：
步骤S100，获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据。
在一实施例中，获取遥感数据包括，获取研究区立体测绘卫星遥感数据，对遥感数据进行预处理，提取出多光谱影像数据和数字高程模型数据。
数字高程模型（DEM）是通过有限的地形高程数据实现对地面地形的数字化模拟（即地形表面形态的数字化表达），它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
多光谱影像指，包含很多波段的图像，每个波段为一幅灰度图像，表示根据用来产生该波段的传感器的敏感度得到地表物体的反射率。
提取多模态数据，表示提取了遥感数据中的多光谱影像和数字高程模型数据，其中，多光谱影像侧重于提取光谱-空间特征，用于表示空间分辨率、时相、空间范围以及光谱信息的特征；数字高程模型侧重于提取地形特征，用于表示地面特征分布数据中如坡度、坡向等地形数据。
使用多光谱影像和数字高程模型数据可以有效增加分类模型的鲁棒性，使最终分类模型的分类结果更加准确、稳定。
步骤S200，基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征。
浅层特征是指基于图像自身，直接对图像本身操作就能得出的特征，无需进行学习与训练即可得到，故先从多光谱影像与DEM数据中提取浅层特征，获得多角度的特征数据。
其中，浅层光谱-空间特征包括四个光谱波段、一个归一化植被指数、主成分分析、表示光谱波段的高斯低通、均值和标准差滤波的滤波特征，其核大小分别为3*3、5*5和7*7像元；表示光谱波段的灰度共生矩阵纹理的纹理特征，包括对比度、相关性、角二阶矩、同质性纹理和熵，其内核大小分别为3*3、5*5和7*7像元。
可选地，主成分分析包括第一主成分和第二主成分。
使用深度置信模型处理多模态浅层特征获得多模态深度特征，其意义是对浅层特征进行学习，得到深度特征。
在一实施例中，使用非监督学习算法，根据多模态数据中参数的统计特征，建立决策规则来进行分类。将浅层特征进行处理，获得隐含在多模态数据中能进行更准确地分类，反映更深层次特点的深度特征，当多模态数据中地物类型对应的光谱特征具有一定差异时，具有较高的分类效率和准确度，相比监督学习算法，可以减少人工标注的工作量，无需对分类的数据有广泛地了解，并且人为误差的机会减少，输入的初始参数也比较少，从分类结果上看，非监督学习算法的分类结果相较于监督分类的类别也更加均质，独特和覆盖量小的类别均能被非监督分类所识别。
可选地，步骤S200包括：
使用所述多模态数据提取所述多模态浅层特征，其中，所述多模态浅层特征包括浅层光谱-空间特征和浅层地形特征；将所述浅层光谱-空间特征与所述浅层地形特征通过向量串联的方式堆叠，获得浅层堆叠特征；基于所述深度置信模型处理所述浅层堆叠特征获得所述多模态深度特征。
在一实施例中，基于多模态数据提取浅层光谱-空间特征和浅层地形特征之后，将上述两种浅层特征使用向量串联的方式融合。
如图2所示，在另一实施例中，基于深度置信网络处理浅层堆叠特征，其中，使用无监督学习的方式对深度置信网络进行预训练，可以在缺乏足够先验知识的情况下输出鲁棒性强的深度置信网络。具体的，基于浅层特征构建多个受限玻尔兹曼机模型，然后对所有的受限玻尔兹曼机进行向量的堆叠，前一个受限玻尔兹曼机的隐藏层作为下一个的可视层，每次训练一层，依次进行训练，直至训练完毕，获得深度置信网络。
从多模态数据中提取获得浅层光谱-空间特征与浅层地形特征，然后通过向量串联的方式将浅层光谱-空间特征与浅层地形特征融合，获得浅层堆叠特征，再将浅层堆叠特征输入至训练好的深度置信网络中，获得多模态深度特征。
步骤S300，使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征。
在本实施例中，使用第一和第二深层模型分别处理多光谱影像和数字高程模型数据的像元邻域，分别对应获得深层光谱-空间特征和深层地形特征，而非直接使用深层模型处理多光谱影像和数字高程模型，因遥感数据具有时空关联性，故在处理遥感数据提取深层特征时，可以以像元邻域为单位进行提取，通过引入像元邻域，可以在保证深层特征准确率的情况下，减少特征的维度，进而增加分类模型的鲁棒性。
在一实施例中，在使用深层模型计算深层特征之前，先预设像元邻域的大小，获取多光谱影像和数字高程模型数据中的每个像元邻域数据，将每个像元的邻域作为独立的子区域，通过第一深层模型处理多光谱影像中的每个子区域，获得深层光谱-空间特征；通过第二深层模型处理数字高程模型数据的每个子区域，获得深层地形特征。当特征维度过高时，会使样本变稀疏，且对新数据缺乏泛化能力，从而影响分类的鲁棒性，通过处理像元邻域，可以防止提取结果的特征向量维数过高。在另一方面，在遥感数据中，多光谱影像与数字高程模型数据的像元及其邻域具有关联性，相比于提取像元的深层特征，通过提取像元邻域的深层特征，可以获得更准确的深层特征。
步骤S400，融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入所述分类器，获得分类结果。
将步骤S100-S300获得的三种特征进行融合，获得融合特征，基于所述融合特征获得分类模型。经过非监督训练预处理每一层网络，然后组成深层神经网络，对深层神经网络进行有监督的微调，获得融合后的分类模型。所述融合后的分类模型结合了非监督学习的优点，减小人工标注数据的工作量，通过非监督算法也可以获得人工标注容易忽略的某些特征，一些数量较少的特征也会被非监督算法发现，且获得的特征类别更加均质；也获得了监督学习的优点，通过人工标注进行学习特征的提取，并且可以不断优化提取的准确性。
可选地，步骤S400包括：
使用特征堆叠的方式进行融合，所述特征堆叠包括将所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征进行向量串联，作为全连接层的输入，通过所述分类器处理所述全连接层获得所述分类结果。
将步骤S100-S300之中获得的多模态深度特征、深层光谱-空间特征以及深层地形特征进行向量串联，获得融合深度特征，融合深度特征作为分类器的输入数据，结合了卷积神经网络和深度置信网络模型的优点，帮助分类器获得更准确的分类结果。
可选地，步骤S300之前还包括：
获取所述遥感数据的地物类型及数据尺寸；根据所述地物类型和所述数据尺寸获得所述像元邻域的大小。
通过遥感数据像元与邻域相关联的特点，通过设置不同大小的像元邻域提取更符合实际情况的深层特征。
地物类型包括初步的遥感数据地物信息，包括矿山用地、耕地、林地、水域、道路、居民用地、未利用地等初步分类的地物信息。
可选地，步骤S300包括：
基于所述多光谱影像的像元及其对应的所述像元邻域的大小，提取第一数据，基于所述数字高程模型数据的像元及其对应的所述像元邻域的大小，获得第二数据；使用所述第一深层模型处理所述第一数据获得所述深层光谱-空间特征，使用所述第二深层模型处理所述第二数据获得所述深层地形特征。
在一实施例中，像元邻域与像元的相关关系会随着距像元的距离增大而减小，故在使用第一深层模型和第二深层模型处理多光谱影像的像元邻域和数字高程模型数据的像元邻域之前，需要根据多光谱影像和数字高程模型的数据中对应的地物类型和数据尺寸获得像元邻域的大小，然后使用深层模型处理第一数据和第二数据，保证获得更准确的深层光谱-空间特征和深层地形特征。
可选地，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征之前，包括：
获得多光谱影像训练集；基于第一卷积神经网络处理所述多光谱影像训练集，获得初步光谱-空间特征；基于所述初步光谱-空间特征对第一卷积神经网络进行微调，获得所述第一深层模型。
在一实施例中，从数据库中获取多光谱影像数据，进行人工标注，通过人为分类，获得多光谱影像训练集，将所述多光谱影像训练集作为第一卷积神经网络的训练集。
通过计算损失并反向传播的方法，对第一卷积神经网络进行微调，可以获得更准确的深层特征。
可选地，在所述使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征之前，包括：
获得数字高程模型数据训练集；基于第二卷积神经网络处理所述数字高程模型数据训练集，获得初步地形特征。
在一实施例中，通过数字高程模型数据训练集训练第二卷积神经网络，获得初步地形特征。
如图3所示，本发明另一实施例的一种基于深度特征融合模型的矿区土地覆盖分类装置包括：
获得模块，其用于获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据；
深度特征模块，其用于基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征；
深层特征模块，其用于使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用损失第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征；
融合模块，其用于融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入分类器，获得分类结果。
所述基于深度特征融合模型的矿区土地覆盖分类装置相对于现有技术与所述基于深度特征融合模型的矿区土地覆盖分类方法所具有的优势相同，在此不再赘述。
如图4所示，本发明另一实施例的一种计算机存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的基于深度特征融合模型的矿区土地覆盖分类方法。
所述计算机存储介质相对于现有技术与所述基于深度特征融合模型的矿区土地覆盖分类方法所具有的优势相同，在此不再赘述。
在本发明另一实施例中，一种计算机设备包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的基于深度特征融合模型的矿区土地覆盖分类方法。
所述计算机设备相对于现有技术与所述基于深度特征融合模型的矿区土地覆盖分类方法所具有的优势相同，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述深度特征融合模型包括第一深层模型、第二深层模型、深度置信模型和分类器，所述基于深度特征融合模型的矿区土地覆盖分类方法包括：
获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据；
基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征；
使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征；
融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入所述分类器，获得分类结果。
2.根据权利要求1所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征包括：
使用所述多模态数据提取所述多模态浅层特征，其中，所述多模态浅层特征包括浅层光谱-空间特征和浅层地形特征；
将所述浅层光谱-空间特征与所述浅层地形特征通过向量串联的方式堆叠，获得浅层堆叠特征；
基于所述深度置信模型处理所述浅层堆叠特征获得所述多模态深度特征。
3.根据权利要求2所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征之前，还包括：
获取所述遥感数据的地物类型及数据尺寸；
根据所述地物类型和所述数据尺寸获得所述像元邻域的大小。
4.根据权利要求3所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征包括：
基于所述多光谱影像的像元及其对应的所述像元邻域的大小，提取第一数据，基于所述数字高程模型数据的像元及其对应的所述像元邻域的大小，获得第二数据；
使用所述第一深层模型处理所述第一数据获得所述深层光谱-空间特征，使用所述第二深层模型处理所述第二数据获得所述深层地形特征。
5.根据权利要求4所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入分类器，获得分类结果包括：
使用特征堆叠的方式进行融合，所述特征堆叠包括将所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征进行向量串联，作为全连接层的输入，通过所述分类器处理所述全连接层获得所述分类结果。
6.根据权利要求1所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，所述多模态浅层特征包括：
浅层光谱-空间特征和浅层地形特征，其中，所述浅层光谱-空间特征包括表示光谱波段的光谱特征、表示光谱波段的第一主成分特征和第二主成分特征以及归一化植被指数的植被特征，所述浅层地形特征包括DTM、坡度特征和坡向特征。
7.根据权利要求6所述的基于深度特征融合模型的矿区土地覆盖分类方法，其特征在于，在所述使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征之前，包括：
获取多光谱影像训练集、数字高程模型数据训练集；
通过所述多光谱影像训练集训练第一卷积神经网络获得所述第一深层模型，通过所述数字高程模型数据训练集训练第二卷积神经网络获得所述第二深层模型。
8.一种基于深度特征融合模型的矿区土地覆盖分类装置，其特征在于，包括：
获得模块，其用于获取标定矿区的遥感数据，从所述标定矿区的遥感数据中提取多模态数据，其中，所述多模态数据包括多光谱影像和数字高程模型数据；
深度特征模块，其用于基于所述多模态数据提取多模态浅层特征，使用所述深度置信模型处理所述多模态浅层特征获得多模态深度特征；
深层特征模块，其用于使用所述第一深层模型处理所述多光谱影像的像元邻域获得深层光谱-空间特征，使用所述第二深层模型处理所述数字高程模型数据的像元邻域获得深层地形特征；
融合模块，其用于融合所述多模态深度特征、所述深层光谱-空间特征以及所述深层地形特征输入所述分类器，获得分类结果。
9.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-7任一项所述的基于深度特征融合模型的矿区土地覆盖分类方法。
10.一种计算机设备，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-7任一项所述的基于深度特征融合模型的矿区土地覆盖分类方法。
CN202111560773.1A 2021-12-20 2021-12-20 一种矿区土地覆盖分类方法、设备、装置及存储介质 Active CN113963262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111560773.1A CN113963262B (zh) 2021-12-20 2021-12-20 一种矿区土地覆盖分类方法、设备、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111560773.1A CN113963262B (zh) 2021-12-20 2021-12-20 一种矿区土地覆盖分类方法、设备、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113963262A true CN113963262A (zh) 2022-01-21
CN113963262B CN113963262B (zh) 2022-08-23

Family

ID=79473356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111560773.1A Active CN113963262B (zh) 2021-12-20 2021-12-20 一种矿区土地覆盖分类方法、设备、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113963262B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796366A (zh) * 2022-12-02 2023-03-14 同济大学 一种森林虫害预测方法及虫害预测森林地图系统
CN116030355A (zh) * 2023-03-30 2023-04-28 武汉城市职业学院 一种地物分类方法及系统
CN116091850A (zh) * 2023-04-11 2023-05-09 中国地质大学（武汉） 一种矿区土地覆盖分类模型建立及分类方法
CN116310187A (zh) * 2023-05-17 2023-06-23 中国地质大学（武汉） 一种小尺度短周期的滩涂精细建模方法
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778640A (zh) * 2016-12-23 2017-05-31 航天星图科技（北京）有限公司 一种三维可视化环境下地表植被覆盖模型的生成方法
US20170236024A1 (en) * 2016-02-15 2017-08-17 Pictometry International Corp. Automated system and methodology for feature extraction
CN108960300A (zh) * 2018-06-20 2018-12-07 北京工业大学 一种基于深度神经网络的城市土地利用信息分析方法
CN110210420A (zh) * 2019-06-05 2019-09-06 哈尔滨工业大学 基于融合高光谱图像和dsm数据的分类方法
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
CN113435253A (zh) * 2021-05-31 2021-09-24 西安电子科技大学 一种多源影像联合城区地表覆盖分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170236024A1 (en) * 2016-02-15 2017-08-17 Pictometry International Corp. Automated system and methodology for feature extraction
CN106778640A (zh) * 2016-12-23 2017-05-31 航天星图科技（北京）有限公司 一种三维可视化环境下地表植被覆盖模型的生成方法
CN108960300A (zh) * 2018-06-20 2018-12-07 北京工业大学 一种基于深度神经网络的城市土地利用信息分析方法
CN110210420A (zh) * 2019-06-05 2019-09-06 哈尔滨工业大学 基于融合高光谱图像和dsm数据的分类方法
CN113435253A (zh) * 2021-05-31 2021-09-24 西安电子科技大学 一种多源影像联合城区地表覆盖分类方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜星乾等: "高光谱遥感影像与高程数据融合方法综述", 《云南民族大学学报(自然科学版)》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796366A (zh) * 2022-12-02 2023-03-14 同济大学 一种森林虫害预测方法及虫害预测森林地图系统
CN116030355A (zh) * 2023-03-30 2023-04-28 武汉城市职业学院 一种地物分类方法及系统
CN116091850A (zh) * 2023-04-11 2023-05-09 中国地质大学（武汉） 一种矿区土地覆盖分类模型建立及分类方法
CN116091850B (zh) * 2023-04-11 2023-06-23 中国地质大学（武汉） 一种矿区土地覆盖分类模型建立及分类方法
CN116310187A (zh) * 2023-05-17 2023-06-23 中国地质大学（武汉） 一种小尺度短周期的滩涂精细建模方法
CN116310187B (zh) * 2023-05-17 2023-08-04 中国地质大学（武汉） 一种小尺度短周期的滩涂精细建模方法
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
CN113963262B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN113963262B (zh) 一种矿区土地覆盖分类方法、设备、装置及存储介质
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
Gibril et al. Integrative image segmentation optimization and machine learning approach for high quality land-use and land-cover mapping using multisource remote sensing data
CN113139532B (zh) 一种基于多输出分类模型的分类方法、计算机设备及介质
Sridharan et al. Developing an object-based hyperspatial image classifier with a case study using WorldView-2 data
Iqbal et al. A comparison of area-based forest attributes derived from airborne laser scanner, small-format and medium-format digital aerial photography
Bandyopadhyay et al. Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery
Li et al. Integrating multiple textural features for remote sensing image change detection
CN111458691B (zh) 建筑物信息的提取方法、装置及计算机设备
Ajibola et al. Fusion of UAV-based DEMs for vertical component accuracy improvement
Vohra et al. Comparative analysis of SVM and ANN classifiers using multilevel fusion of multi-sensor data in urban land classification
Jiang et al. Exploring tree species classification in subtropical regions with a modified hierarchy-based classifier using high spatial resolution multisensor Data
Nikfar et al. Optimization of multiresolution segmentation by using a genetic algorithm
Musyoka Automatic delineation of small holder agricultural field boundaries using fully convolutional networks
Gruszczyński et al. Correction of low vegetation impact on UAV-derived point cloud heights with U-Net networks
Su et al. Discrimination of land use patterns in remote sensing image data using minimum distance algorithm and watershed algorithm
Ramiya et al. Assessment of various parameters on 3D semantic object-based point cloud labelling on urban LiDAR dataset
Ez-zahouani et al. Determination of Segmentation Parameters for Object-Based Remote Sensing Image Analysis from Conventional to Recent Approaches: A Review.
Candare et al. Mapping of high value crops through an object-based SVM model using lidar data and orthophoto in Agusan del Norte Philippines
Sun Deep learning-based building extraction using aerial images and digital surface models
Mohamed et al. Assessment of ensemble classifiers using the bagging technique for improved land cover classification of multispectral satellite images
Herrera Landslide Detection using Random Forest Classifier
Haqiq et al. An improved mining image segmentation with K-Means and morphology using drone dataset.
Yu et al. An integrative object-based image analysis workflow for UAV images
CN114549534B (zh) 矿区土地利用识别方法、装置、设备及介质

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