CN116612391B - 基于光谱遥感和多特征融合的土地非法侵占检测方法 - Google Patents
基于光谱遥感和多特征融合的土地非法侵占检测方法 Download PDFInfo
- Publication number
- CN116612391B CN116612391B CN202310900014.8A CN202310900014A CN116612391B CN 116612391 B CN116612391 B CN 116612391B CN 202310900014 A CN202310900014 A CN 202310900014A CN 116612391 B CN116612391 B CN 116612391B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- land
- sensing image
- land remote
- template
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000001228 spectrum Methods 0.000 title claims abstract description 22
- 230000009545 invasion Effects 0.000 title claims description 15
- 238000012549 training Methods 0.000 claims description 51
- 239000002689 soil Substances 0.000 claims description 43
- 238000012544 monitoring process Methods 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 36
- 230000005855 radiation Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/778—Active pattern-learning, e.g. online learning of image or video 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
- G06V10/77—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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种基于光谱遥感和多特征融合的土地非法侵占检测方法，本申请通过对积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比不匀的第一模板土地遥感影像数据进行训练数据优化后，得到数据平衡的第二模板土地遥感影像数据，而后提取第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，并依据多维度融合特征对土地非法侵占检测模型进行模型优化，然后依据收敛后的土地非法侵占检测模型对输入土地遥感影像序列进行土地非法侵占检测，通过提取的土地非法侵占检测模型，提高了土地非法侵占检测的精度。
Description
技术领域
本申请实施例涉及土地监测技术领域，具体而言，涉及一种基于光谱遥感和多特征融合的土地非法侵占检测方法。
背景技术
在相关技术中，通过遥感监测等技术可以将一个地区的土地情况形成土地遥感影像数据，从而通过分析土地遥感影像数据可以确定该地区土地利用变化情况，从而可以便于对发生非法侵占的土地地块逐一进行核查，并依据有关法律法规和规章，对存在非法侵占的土地地块的相关单位进行信息提示。因此，在相关技术中，可以结合基于机器学习的图像分析算法对土地遥感影像数据进行分析，而这类图像分析算法模型需要预先进行模型训练，然而由于数据标注工作量的限制，在进行模型训练时往往会存在影像占比不匀的情况，从而无法保证较好的训练效果，进而难以保证土地非法侵占检测的精度。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于光谱遥感和多特征融合的土地非法侵占检测方法。
依据本申请实施例的一个方面，提供了一种基于光谱遥感和多特征融合的土地非法侵占检测方法，包括：
获取第一模板土地遥感影像数据，所述第一模板土地遥感影像数据包括携带训练标注数据的土地遥感影像，所述训练标注数据表征所述土地遥感影像的非法侵占特征；
对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，所述第二模板土地遥感影像数据的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比大于设定影像占比；
对所述第二模板土地遥感影像数据进行多维度特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，所述多维度融合特征由影像低层特征和影像高层特征构成，所述影像低层特征包括光谱特征、轮廓特征、边缘特征、颜色特征、纹理特征和形状特征；
依据所述第二模板土地遥感影像数据中的待学习土地遥感影像和各个所述待学习土地遥感影像的多维度融合特征对土地非法侵占检测模型进行模型优化，生成收敛后的土地非法侵占检测模型；
对输入土地遥感影像序列进行多维度特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征；
依据所述收敛后的土地非法侵占检测模型以及所述输入土地遥感影像序列中各个所述输入土地遥感影像的多维度融合特征进行土地非法侵占检测，生成所述输入土地遥感影像序列中各个输入土地遥感影像的土地非法侵占预测结果，所述土地非法侵占预测结果表征所述输入土地遥感影像的非法侵占特征。
在第一方面的一种可能的实施方式中，所述对输入土地遥感影像序列进行多维度特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征，包括：
提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征；
依据所述输入土地遥感影像序列中各个输入土地遥感影像的地块要素分布，提取所述输入土地遥感影像序列中各个输入土地遥感影像的地块要素辐射特征；
基于时序运行方向对所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征和地块要素辐射特征进行特征融合，以融合生成不同遥感监测时序范围的融合后的土地区域场景特征和融合后的地块要素辐射特征；
对融合前和/或融合后的土地区域场景特征与地块要素辐射特征进行高层特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征；
对所述输入土地遥感影像序列中各个输入土地遥感影像进行影像低层特征编码，生成所述输入土地遥感影像序列中各个输入土地遥感影像的影像低层特征；
将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征。
在第一方面的一种可能的实施方式中，所述提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征，包括：
依据所述输入土地遥感影像序列中各个输入土地遥感影像的先验状态数据，提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征，所述土地区域场景特征包括植被覆盖特征、水土流失特征、土壤缺失特征和土地风蚀特征。
在第一方面的一种可能的实施方式中，所述将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和所述影像低层特征进行融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征，包括：
将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和所述影像低层特征按照影像定位区域进行一一映射融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征。
在第一方面的一种可能的实施方式中，所述获取第一模板土地遥感影像数据，包括：
从第三模板土地遥感影像数据中获取携带训练标注数据的土地遥感影像；
获取所述土地遥感影像的遥感监测采集特征；
基于所述土地遥感影像的遥感监测采集特征，计算异常影像标签热力图；
基于所述异常影像标签热力图和影像清洗规则，从所述土地遥感影像中清洗噪声土地遥感影像，生成更新后的携带训练标注数据的土地遥感影像，作为所述第一模板土地遥感影像数据。
在第一方面的一种可能的实施方式中，所述对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，包括：
依据弱训练类的待学习土地遥感影像的半监督学习算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据；或者依据侵占类别判别损失优化算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据；
所述依据弱训练类的待学习土地遥感影像的半监督学习算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，包括：
获取所述第一模板土地遥感影像数据；
对所述第一模板土地遥感影像数据中的强训练类的模板土地遥感影像数据进行分簇为多个影像分簇；
基于蒙特卡洛神经网络的不平衡数据分类算法对所述分簇后的第一模板土地遥感影像数据进行数据优化，生成临时模板土地遥感影像数据；
将所述临时模板土地遥感影像数据作为第二模板土地遥感影像数据输入多层感知机进行处理，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度；
基于随机森林树算法与所述第二模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度，选择未知类别的待学习土地遥感影像；
将选择的未知类别的待学习土地遥感影像加载至所述第二模板土地遥感影像数据中，生成更新后的第二模板土地遥感影像数据；
所述依据侵占类别判别损失优化算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，包括：
获取所述第一模板土地遥感影像数据；
提取所述第一模板土地遥感影像数据中各个待学习土地遥感影像的影像质量特征；
将所述第一模板土地遥感影像数据中各个待学习土地遥感影像的影像质量特征输入多层感知机进行处理，生成所述第一模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度；
基于所述第一模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度，从所述第一模板土地遥感影像数据中选择置信度排序前预设数量的待学习土地遥感影像为目标学习土地遥感影像；
基于所述第一模板土地遥感影像数据中的初始待学习土地遥感影像和选择的所述目标学习土地遥感影像，重新对所述多层感知机进行优化；
依据收敛后的所述多层感知机，重新确定目标学习土地遥感影像，以使得生成的第二模板土地遥感影像数据的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比大于设定影像占比。
在第一方面的一种可能的实施方式中，所述对所述第二模板土地遥感影像数据进行多维度特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，包括：
提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征；
依据所述第二模板土地遥感影像数据中各个待学习土地遥感影像的地块要素分布，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的地块要素辐射特征；
基于时序运行方向对所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征和地块要素辐射特征进行特征融合，以融合生成不同遥感监测时序范围的融合后的土地区域场景特征和融合后的地块要素辐射特征；
对融合前和/或融合后的土地区域场景特征与地块要素辐射特征进行高层特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征；
对所述第二模板土地遥感影像数据中各个待学习土地遥感影像进行影像低层特征编码，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像低层特征；
将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征；
所述提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征，包括：
依据所述第二模板土地遥感影像数据中各个待学习土地遥感影像的先验状态数据，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征，所述土地区域场景特征包括植被覆盖特征、水土流失特征、土壤缺失特征和土地风蚀特征；
所述将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，包括：
将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征按照影像定位区域进行一一映射融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征。
在第一方面的一种可能的实施方式中，所述依据所述第二模板土地遥感影像数据中的待学习土地遥感影像和各个所述待学习土地遥感影像的多维度融合特征对土地非法侵占检测模型进行模型优化，生成收敛后的土地非法侵占检测模型的步骤，包括：
获取所述第二模板土地遥感影像数据，所述第二模板土地遥感影像数据包括待学习土地遥感影像和所述待学习土地遥感影像的土地非法侵占标注数据，所述待学习土地遥感影像的土地非法侵占标注数据指示所述待学习土地遥感影像是对土地遥感监测区域第一土地部分进行非法侵占特征标注生成的；
依据土地遥感监测区域的土地类型对所述第二模板土地遥感影像数据中的待学习土地遥感影像进行特征增强，生成增强学习土地遥感影像，以及依据所述土地遥感监测区域的土地类型对所述土地非法侵占标注数据进行土地侵占特征转换，生成所述增强学习土地遥感影像的土地非法侵占转换数据，并将所述增强学习土地遥感影像以及所述土地非法侵占转换数据加载到第四模板土地遥感影像数据中；所述土地非法侵占转换数据指示所述增强学习土地遥感影像是对土地遥感监测区域第二土地部分进行非法侵占特征标注生成的，所述土地遥感监测区域第一土地部分和所述土地遥感监测区域第二土地部分之间符合所述土地遥感监测区域的土地类型；
依据所述第二模板土地遥感影像数据中各个所述待学习土地遥感影像的多维度融合特征和所述第四模板土地遥感影像数据对土地非法侵占检测模型进行模型权重学习，生成收敛后的土地非法侵占检测模型。
在第一方面的一种可能的实施方式中，所述依据所述第二模板土地遥感影像数据中各个所述待学习土地遥感影像的多维度融合特征和所述第四模板土地遥感影像数据对土地非法侵占检测模型进行模型权重学习，生成收敛后的土地非法侵占检测模型，包括：
依据所述土地非法侵占检测模型对所述第二模板土地遥感影像数据中待学习土地遥感影像的多维度融合特征进行土地非法侵占检测，生成所述第二模板土地遥感影像数据中多个待学习土地遥感影像对应的多个第一土地非法侵占学习数据；
依据所述土地非法侵占检测模型对所述第四模板土地遥感影像数据中多个待学习土地遥感影像进行土地非法侵占检测，生成所述第四模板土地遥感影像数据中多个待学习土地遥感影像对应的多个第二土地非法侵占学习数据；
依据所述多个第一土地非法侵占学习数据与相应待学习土地遥感影像对应的土地非法侵占标注数据之间的特征距离，以及所述多个第二土地非法侵占学习数据与相应待学习土地遥感影像对应的土地非法侵占转换数据之间的特征距离，生成所述土地非法侵占检测模型的训练误差值；
依据所述训练误差值更新所述土地非法侵占检测模型的模型权重信息，以对土地非法侵占检测模型进行模型权重学习，生成收敛后的土地非法侵占检测模型。
在第一方面的一种可能的实施方式中，所述方法还包括：
基于所述输入土地遥感影像序列中各个输入土地遥感影像的土地非法侵占预测结果中对各个输入土地遥感影像对应的土地管理服务终端进行可视化展示。
依据本申请实施例的一个方面，提供了一种云服务器，所述云服务器包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于光谱遥感和多特征融合的土地非法侵占检测方法。
依据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质获取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。
基于以上方面，本申请实施例的有益效果为：
通过对积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比不匀的第一模板土地遥感影像数据进行训练数据优化后，得到数据平衡的第二模板土地遥感影像数据，而后提取第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，并依据多维度融合特征对土地非法侵占检测模型进行模型优化，然后依据收敛后的土地非法侵占检测模型对输入土地遥感影像序列进行土地非法侵占检测，通过提取的土地非法侵占检测模型，提高了土地非法侵占检测的精度。
附图说明
图1为本申请实施例提供的基于光谱遥感和多特征融合的土地非法侵占检测方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于光谱遥感和多特征融合的土地非法侵占检测方法的云服务器的结构示意框图。
具体实施方式
图1是本申请一种实施例提供的基于光谱遥感和多特征融合的土地非法侵占检测方法的流程示意图，下面对该基于光谱遥感和多特征融合的土地非法侵占检测方法进行详细介绍。
步骤S110，获取第一模板土地遥感影像数据，所述第一模板土地遥感影像数据包括携带训练标注数据的土地遥感影像，所述训练标注数据表征所述土地遥感影像的非法侵占特征。
本实施例中，可以从从第三模板土地遥感影像数据中提取积极待学习土地遥感影像（可理解为非法侵占特征明确的土地遥感影像）和消极待学习土地遥感影像（可理解为非法侵占特征无法明确的土地遥感影像），作为第一模板土地遥感影像数据。
一种可替代的实施方式中，步骤S110可以通过下述实施例中的步骤S111至步骤S114实现：
步骤S111，从第三模板土地遥感影像数据中获取携带训练标注数据的土地遥感影像。
步骤S112，获取所述土地遥感影像的遥感监测采集特征。
该土地遥感影像的遥感监测采集特征不是土地遥感影像的全部土地区域场景特征，只是包含了土地遥感影像的部分土地区域场景特征，该土地遥感影像的遥感监测采集特征是用于评估土地遥感影像的价值好坏。
步骤S113，基于所述土地遥感影像的遥感监测采集特征，计算异常影像标签热力图。
其中，所述异常影像标签热力图可以表达所述土地遥感影像中是否存在异常土地遥感影像。
步骤S114，基于所述异常影像标签热力图和影像清洗规则，从所述土地遥感影像中清洗噪声土地遥感影像，生成更新后的携带训练标注数据的土地遥感影像。
步骤S120，对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，所述第二模板土地遥感影像数据的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比大于设定影像占比。
其中，当第一模板土地遥感影像数据中的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比小于或等于设定影像占比时，可以依据半监督学习算法或者侵占类别判别损失优化算法来对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，所述第二模板土地遥感影像数据的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比大于设定影像占比。
一种可替代的实施方式中，步骤S120可通过步骤S121或者步骤S122来实现，具体为：
步骤S121，依据弱训练类的待学习土地遥感影像的半监督学习算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据；或者
步骤S122，依据侵占类别判别损失优化算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据。
一种可替代的实施方式中，依据半监督学习算法对所述第一模板土地遥感影像数据进行训练数据优化的步骤S121，可以通过步骤S1211至步骤S1216来实现：
步骤S1211，获取所述第一模板土地遥感影像数据。例如，当第一模板土地遥感影像数据中的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比不大于设定影像占比时，可以认为该第一模板土地遥感影像数据为不平衡土地遥感影像数据。
步骤S1212，对所述第一模板土地遥感影像数据中的强训练类的模板土地遥感影像数据进行分簇为多个影像分簇。通过分簇算法将强训练类的模板土地遥感影像数据为多个影像分簇。
步骤S1213，基于蒙特卡洛神经网络的不平衡数据分类算法对所述分簇后的第一模板土地遥感影像数据进行数据优化，生成临时模板土地遥感影像数据。
步骤S1214，将所述临时模板土地遥感影像数据作为第二模板土地遥感影像数据输入多层感知机进行处理，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度。
其中，每个待学习土地遥感影像属于积极待学习土地遥感影像的置信度作为选择未知类别的基础。
步骤S1215，基于随机森林树算法与所述第二模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度，选择未知类别的待学习土地遥感影像。
其中，通过选择未知类别的待学习土地遥感影像，以补充失衡的第一模板土地遥感影像数据。
步骤S1216，将所述未知类别的待学习土地遥感影像加载至所述第二模板土地遥感影像数据中，生成更新后的积极待学习土地遥感影像和消极待学习土地遥感影像的均衡的第二模板土地遥感影像数据，此时能保证积极待学习土地遥感影像和消极待学习土地遥感影像的均衡或近似均衡。
一种可替代的实施方式中，依据侵占类别判别损失优化算法（代价学习敏感框架）对所述第一模板土地遥感影像数据进行训练数据优化的步骤S122，可以通过步骤S1221至步骤S1226进行实现：
步骤S1221，获取所述第一模板土地遥感影像数据。
步骤S1222，提取所述第一模板土地遥感影像数据中各个待学习土地遥感影像的影像质量特征。
步骤S1223，将所述第一模板土地遥感影像数据中各个待学习土地遥感影像的影像质量特征输入多层感知机进行处理，生成所述第一模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度。
步骤S1224，基于所述第一模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度，从所述第一模板土地遥感影像数据中选择置信度排序前预设数量的待学习土地遥感影像为目标学习土地遥感影像。即前述输出的靠前的待学习土地遥感影像为目标学习土地遥感影像，基于生成的待学习土地遥感影像属于积极待学习土地遥感影像的置信度，来选取置信度排序前预设数量的待学习土地遥感影像为目标学习土地遥感影像。
步骤S1225，基于所述第一模板土地遥感影像数据中的初始待学习土地遥感影像和选择的所述目标学习土地遥感影像，重新对所述多层感知机进行优化。
步骤S1226，依据收敛后的多层感知机，重新确定目标学习土地遥感影像，以使得生成的第二模板土地遥感影像数据的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比大于设定影像占比。
步骤S130，对所述第二模板土地遥感影像数据进行多维度特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征。
一种可替代的实施方式中，提取待学习土地遥感影像的土地区域场景特征，并依据待学习土地遥感影像的地块要素辐射特征，结合遥感监测时序范围、不同编码方式，生成多维度融合特征。
一种可替代的实施方式中，所述对所述第二模板土地遥感影像数据进行多维度特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，包括：提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征；依据所述第二模板土地遥感影像数据中各个待学习土地遥感影像的地块要素分布，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的地块要素辐射特征；基于时序运行方向对所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征和地块要素辐射特征进行特征融合，以融合生成不同遥感监测时序范围的融合后的土地区域场景特征和融合后的地块要素辐射特征；对融合前和/或融合后的土地区域场景特征与地块要素辐射特征进行高层特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征；对所述第二模板土地遥感影像数据中各个待学习土地遥感影像进行影像低层特征编码，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像低层特征；将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征。
一种可替代的实施方式中，步骤S130可以通过步骤S131至步骤S137来实现，具体为：
步骤S131，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征。
一种可替代的实施方式中，所述提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征，包括：依据所述第二模板土地遥感影像数据中各个待学习土地遥感影像的先验状态数据，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征，所述土地区域场景特征包括植被覆盖特征、水土流失特征、土壤缺失特征和土地风蚀特征。
其中，依据所述第二模板土地遥感影像数据中各个待学习土地遥感影像的先验状态数据，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征。
步骤S132，依据所述第二模板土地遥感影像数据中各个待学习土地遥感影像的地块要素分布，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的地块要素辐射特征。
步骤S133，基于时序运行方向对所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征和地块要素辐射特征进行特征融合，以融合生成不同遥感监测时序范围的融合后的土地区域场景特征和融合后的地块要素辐射特征。
步骤S134，对融合前和/或融合后的土地区域场景特征与地块要素辐射特征进行高层特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征。
步骤S135，对所述第二模板土地遥感影像数据中各个待学习土地遥感影像进行影像低层特征编码，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像低层特征。
其中，所述影像低层特征包括光谱特征、轮廓特征、边缘特征、颜色特征、纹理特征和形状特征。
步骤S136，将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征。
一种可替代的实施方式中，所述将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，包括：将所述影像高层特征和所述影像低层特征按照影像定位区域进行一一映射融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征。
步骤S140，依据所述第二模板土地遥感影像数据中的待学习土地遥感影像和各个所述待学习土地遥感影像的多维度融合特征对土地非法侵占检测模型进行模型优化，生成收敛后的土地非法侵占检测模型。
其中，依据所述第二模板土地遥感影像数据中的待学习土地遥感影像和各个所述待学习土地遥感影像的多维度融合特征对多个初始神经网络进行更新，以从多个初始神经网络中确定出土地非法侵占检测性能最好的神经网络作为土地非法侵占检测模型，并对所述土地非法侵占检测模型进行权重信息更新，生成收敛后的土地非法侵占检测模型。
步骤S150，对输入土地遥感影像序列进行多维度特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征。
一种可替代的实施方式中，所述对输入土地遥感影像序列进行多维度特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征，包括：提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征；依据所述输入土地遥感影像序列中各个输入土地遥感影像的地块要素分布，提取所述输入土地遥感影像序列中各个输入土地遥感影像的地块要素辐射特征；基于时序运行方向对所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征和地块要素辐射特征进行特征融合，以融合生成不同遥感监测时序范围的融合后的土地区域场景特征和融合后的地块要素辐射特征；对融合前和/或融合后的土地区域场景特征与地块要素辐射特征进行高层特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征；对所述输入土地遥感影像序列中各个输入土地遥感影像进行影像低层特征编码，生成所述输入土地遥感影像序列中各个输入土地遥感影像的影像低层特征；将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征。
一种可替代的实施方式中，所述提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征，包括：依据所述输入土地遥感影像序列中各个输入土地遥感影像的先验状态数据，提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征，所述土地区域场景特征包括植被覆盖特征、水土流失特征、土壤缺失特征和土地风蚀特征。
一种可替代的实施方式中，所述将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和所述影像低层特征进行融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征，包括：将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和所述影像低层特征按照影像定位区域进行一一映射融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征。
步骤S160，依据所述收敛后的土地非法侵占检测模型以及所述输入土地遥感影像序列中各个所述输入土地遥感影像的多维度融合特征进行土地非法侵占检测，生成所述输入土地遥感影像序列中各个输入土地遥感影像的土地非法侵占预测结果，所述土地非法侵占预测结果表征所述输入土地遥感影像的非法侵占特征。
基于以上步骤，通过获取第一模板土地遥感影像数据，第一模板土地遥感影像数据包括携带训练标注数据的土地遥感影像，训练标注数据表征土地遥感影像的非法侵占特征；对第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，第二模板土地遥感影像数据的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比大于设定影像占比；对第二模板土地遥感影像数据进行多维度特征提取，生成第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征；依据第二模板土地遥感影像数据中的待学习土地遥感影像和各个待学习土地遥感影像的多维度融合特征对土地非法侵占检测模型进行模型优化，生成收敛后的土地非法侵占检测模型；对输入土地遥感影像序列进行多维度特征提取，生成输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征；依据收敛后的土地非法侵占检测模型以及输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征进行土地非法侵占检测，生成输入土地遥感影像序列中各个输入土地遥感影像的土地非法侵占预测结果，所述土地非法侵占预测结果表征所述输入土地遥感影像的非法侵占特征。由此，通过对积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比不匀的第一模板土地遥感影像数据进行训练数据优化后，得到数据平衡的第二模板土地遥感影像数据，而后提取第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，并利用多维度融合特征对土地非法侵占检测模型进行模型优化，然后利用收敛后的土地非法侵占检测模型对输入土地遥感影像序列进行土地非法侵占检测，通过提取的土地非法侵占检测模型，提高了土地非法侵占检测的精度。
一种可替代的实施方式中，步骤S140可以通过以下步骤实现。
步骤S141、获取所述第二模板土地遥感影像数据。
所述第二模板土地遥感影像数据包括多个待学习土地遥感影像和每个待学习土地遥感影像的土地非法侵占标注数据。其中，多个待学习土地遥感影像中包括待学习土地遥感影像，以及待学习土地遥感影像的土地非法侵占标注数据；待学习土地遥感影像的土地非法侵占标注数据可以用于指示待学习土地遥感影像是对土地遥感监测区域第一土地部分进行非法侵占特征标注生成的。
步骤S142、基于土地遥感监测区域的土地类型对待学习土地遥感影像进行特征增强，得到增强学习土地遥感影像，以及基于土地遥感监测区域的土地类型对土地非法侵占标注数据进行土地侵占特征转换，得到增强学习土地遥感影像的土地非法侵占转换数据，并将增强学习土地遥感影像以及土地非法侵占转换数据加载到第四模板土地遥感影像数据。
本申请可以基于土地遥感监测区域的土地类型，通过操作待学习土地遥感影像和该待学习土地遥感影像对应的土地非法侵占标注数据，来进一步丰富用来对土地非法侵占检测模型进行模型学习的数据。例如，基于土地遥感监测区域的土地类型对待学习土地遥感影像进行特征增强得到增强学习土地遥感影像，以及对待学习土地遥感影像的土地非法侵占标注数据进行土地侵占特征转换，得到增强学习土地遥感影像的土地非法侵占转换数据；其中，增强学习土地遥感影像的土地非法侵占转换数据可以用于指示增强学习土地遥感影像是对土地遥感监测区域第二土地部分进行非法侵占特征标注生成的，这样土地遥感监测区域第一土地部分和土地遥感监测区域第二土地部分之间符合土地遥感监测区域的土地类型。
步骤S143、依据所述第二模板土地遥感影像数据中各个所述待学习土地遥感影像的多维度融合特征和所述第四模板土地遥感影像数据对土地非法侵占检测模型进行模型权重学习，生成收敛后的土地非法侵占检测模型。
例如，可以依据所述土地非法侵占检测模型对所述第二模板土地遥感影像数据中待学习土地遥感影像的多维度融合特征进行土地非法侵占检测，生成所述第二模板土地遥感影像数据中多个待学习土地遥感影像对应的多个第一土地非法侵占学习数据。然后，依据所述土地非法侵占检测模型对所述第四模板土地遥感影像数据中多个待学习土地遥感影像进行土地非法侵占检测，生成所述第四模板土地遥感影像数据中多个待学习土地遥感影像对应的多个第二土地非法侵占学习数据。接着，依据所述多个第一土地非法侵占学习数据与相应待学习土地遥感影像对应的土地非法侵占标注数据之间的特征距离，以及所述多个第二土地非法侵占学习数据与相应待学习土地遥感影像对应的土地非法侵占转换数据之间的特征距离，生成所述土地非法侵占检测模型的训练误差值。最后，依据所述训练误差值更新所述土地非法侵占检测模型的模型权重信息，以对土地非法侵占检测模型进行模型权重学习，生成收敛后的土地非法侵占检测模型。
由此，可以基于所述输入土地遥感影像序列中各个输入土地遥感影像的土地非法侵占预测结果中对各个输入土地遥感影像对应的土地管理服务终端进行可视化展示。
图2示出了本申请实施例提供的用于实现上述的基于光谱遥感和多特征融合的土地非法侵占检测方法的云服务器100的硬件结构意图，如图2所示，云服务器100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在一些可替代的实施方式中，云服务器100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，云服务器100可以是分布式的系统)。在一些可替代的实施方式中，云服务器100可以是本地的，也可以是远程的。例如，云服务器100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，云服务器100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些可替代的实施方式中，云服务器100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于光谱遥感和多特征融合的土地非法侵占检测方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述云服务器100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中设定有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于光谱遥感和多特征融合的土地非法侵占检测方法。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (8)
1.一种基于光谱遥感和多特征融合的土地非法侵占检测方法，其特征在于，通过云服务器实现，所述方法包括：
获取第一模板土地遥感影像数据，所述第一模板土地遥感影像数据包括携带训练标注数据的土地遥感影像，所述训练标注数据表征所述土地遥感影像的非法侵占特征；
对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，所述第二模板土地遥感影像数据的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比大于设定影像占比，所述积极待学习土地遥感影像为非法侵占特征明确的土地遥感影像，所述消极待学习土地遥感影像为非法侵占特征无法明确的土地遥感影像；
对所述第二模板土地遥感影像数据进行多维度特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，所述多维度融合特征由影像低层特征和影像高层特征构成，所述影像低层特征包括光谱特征、轮廓特征、边缘特征、颜色特征、纹理特征和形状特征；
依据所述第二模板土地遥感影像数据中的待学习土地遥感影像和各个所述待学习土地遥感影像的多维度融合特征对土地非法侵占检测模型进行模型优化，生成收敛后的土地非法侵占检测模型；
对输入土地遥感影像序列进行多维度特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征；
依据所述收敛后的土地非法侵占检测模型以及所述输入土地遥感影像序列中各个所述输入土地遥感影像的多维度融合特征进行土地非法侵占检测，生成所述输入土地遥感影像序列中各个输入土地遥感影像的土地非法侵占预测结果，所述土地非法侵占预测结果表征所述输入土地遥感影像的非法侵占特征；
所述依据所述第二模板土地遥感影像数据中的待学习土地遥感影像和各个所述待学习土地遥感影像的多维度融合特征对土地非法侵占检测模型进行模型优化，生成收敛后的土地非法侵占检测模型的步骤，包括：
获取所述第二模板土地遥感影像数据，所述第二模板土地遥感影像数据包括待学习土地遥感影像和所述待学习土地遥感影像的土地非法侵占标注数据，所述待学习土地遥感影像的土地非法侵占标注数据指示所述待学习土地遥感影像是对土地遥感监测区域第一土地部分进行非法侵占特征标注生成的；
依据土地遥感监测区域的土地类型对所述第二模板土地遥感影像数据中的待学习土地遥感影像进行特征增强，生成增强学习土地遥感影像，以及依据所述土地遥感监测区域的土地类型对所述土地非法侵占标注数据进行土地侵占特征转换，生成所述增强学习土地遥感影像的土地非法侵占转换数据，并将所述增强学习土地遥感影像以及所述土地非法侵占转换数据加载到第四模板土地遥感影像数据中；所述土地非法侵占转换数据指示所述增强学习土地遥感影像是对土地遥感监测区域第二土地部分进行非法侵占特征标注生成的，所述土地遥感监测区域第一土地部分和所述土地遥感监测区域第二土地部分之间符合所述土地遥感监测区域的土地类型；
依据所述第二模板土地遥感影像数据中各个所述待学习土地遥感影像的多维度融合特征和所述第四模板土地遥感影像数据对土地非法侵占检测模型进行模型权重学习，生成收敛后的土地非法侵占检测模型；
所述依据所述第二模板土地遥感影像数据中各个所述待学习土地遥感影像的多维度融合特征和所述第四模板土地遥感影像数据对土地非法侵占检测模型进行模型权重学习，生成收敛后的土地非法侵占检测模型，包括：
依据所述土地非法侵占检测模型对所述第二模板土地遥感影像数据中待学习土地遥感影像的多维度融合特征进行土地非法侵占检测，生成所述第二模板土地遥感影像数据中多个待学习土地遥感影像对应的多个第一土地非法侵占学习数据；
依据所述土地非法侵占检测模型对所述第四模板土地遥感影像数据中多个待学习土地遥感影像进行土地非法侵占检测，生成所述第四模板土地遥感影像数据中多个待学习土地遥感影像对应的多个第二土地非法侵占学习数据；
依据所述多个第一土地非法侵占学习数据与相应待学习土地遥感影像对应的土地非法侵占标注数据之间的特征距离，以及所述多个第二土地非法侵占学习数据与相应待学习土地遥感影像对应的土地非法侵占转换数据之间的特征距离，生成所述土地非法侵占检测模型的训练误差值；
依据所述训练误差值更新所述土地非法侵占检测模型的模型权重信息，以对土地非法侵占检测模型进行模型权重学习，生成收敛后的土地非法侵占检测模型。
2.根据权利要求1所述的基于光谱遥感和多特征融合的土地非法侵占检测方法，其特征在于，所述对输入土地遥感影像序列进行多维度特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征，包括：
提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征；
依据所述输入土地遥感影像序列中各个输入土地遥感影像的地块要素分布，提取所述输入土地遥感影像序列中各个输入土地遥感影像的地块要素辐射特征；
基于时序运行方向对所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征和地块要素辐射特征进行特征融合，以融合生成不同遥感监测时序范围的融合后的土地区域场景特征和融合后的地块要素辐射特征；
对融合前和/或融合后的土地区域场景特征与地块要素辐射特征进行高层特征提取，生成所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征；
对所述输入土地遥感影像序列中各个输入土地遥感影像进行影像低层特征编码，生成所述输入土地遥感影像序列中各个输入土地遥感影像的影像低层特征；
将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征。
3.根据权利要求2所述的基于光谱遥感和多特征融合的土地非法侵占检测方法，其特征在于，所述提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征，包括：
依据所述输入土地遥感影像序列中各个输入土地遥感影像的先验状态数据，提取所述输入土地遥感影像序列中各个输入土地遥感影像的土地区域场景特征，所述土地区域场景特征包括植被覆盖特征、水土流失特征、土壤缺失特征和土地风蚀特征。
4.根据权利要求2所述的基于光谱遥感和多特征融合的土地非法侵占检测方法，其特征在于，所述将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征，包括：
将所述输入土地遥感影像序列中各个输入土地遥感影像的影像高层特征和所述影像低层特征按照影像定位区域进行一一映射融合，生成所述输入土地遥感影像序列中各个输入土地遥感影像的多维度融合特征。
5.根据权利要求1所述的基于光谱遥感和多特征融合的土地非法侵占检测方法，其特征在于，所述获取第一模板土地遥感影像数据，包括：
从第三模板土地遥感影像数据中获取携带训练标注数据的土地遥感影像；
获取所述土地遥感影像的遥感监测采集特征；
基于所述土地遥感影像的遥感监测采集特征，计算异常影像标签热力图；
基于所述异常影像标签热力图和影像清洗规则，从所述土地遥感影像中清洗噪声土地遥感影像，生成更新后的携带训练标注数据的土地遥感影像，作为所述第一模板土地遥感影像数据。
6.根据权利要求1所述的基于光谱遥感和多特征融合的土地非法侵占检测方法，其特征在于，所述对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，包括：
依据弱训练类的待学习土地遥感影像的半监督学习算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据；或者依据侵占类别判别损失优化算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据；
所述依据弱训练类的待学习土地遥感影像的半监督学习算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，包括：
获取所述第一模板土地遥感影像数据；
对所述第一模板土地遥感影像数据中的强训练类的模板土地遥感影像数据进行分簇为多个影像分簇；
基于蒙特卡洛神经网络的不平衡数据分类算法对分簇后的第一模板土地遥感影像数据进行数据优化，生成临时模板土地遥感影像数据；
将所述临时模板土地遥感影像数据作为第二模板土地遥感影像数据输入多层感知机进行处理，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度；
基于随机森林树算法与所述第二模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度，选择未知类别的待学习土地遥感影像；
将选择的未知类别的待学习土地遥感影像加载至所述第二模板土地遥感影像数据中，生成更新后的第二模板土地遥感影像数据；
所述依据侵占类别判别损失优化算法对所述第一模板土地遥感影像数据进行训练数据优化，生成第二模板土地遥感影像数据，包括：
获取所述第一模板土地遥感影像数据；
提取所述第一模板土地遥感影像数据中各个待学习土地遥感影像的影像质量特征；
将所述第一模板土地遥感影像数据中各个待学习土地遥感影像的影像质量特征输入多层感知机进行处理，生成所述第一模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度；
基于所述第一模板土地遥感影像数据中各个待学习土地遥感影像属于积极待学习土地遥感影像的置信度，从所述第一模板土地遥感影像数据中选择置信度排序前预设数量的待学习土地遥感影像为目标学习土地遥感影像；
基于所述第一模板土地遥感影像数据中的初始待学习土地遥感影像和选择的所述目标学习土地遥感影像，重新对所述多层感知机进行优化；
依据收敛后的所述多层感知机，重新确定目标学习土地遥感影像，以使得生成的第二模板土地遥感影像数据的积极待学习土地遥感影像和消极待学习土地遥感影像的影像占比大于设定影像占比。
7.根据权利要求1所述的基于光谱遥感和多特征融合的土地非法侵占检测方法，其特征在于，所述对所述第二模板土地遥感影像数据进行多维度特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，包括：
提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征；
依据所述第二模板土地遥感影像数据中各个待学习土地遥感影像的地块要素分布，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的地块要素辐射特征；
基于时序运行方向对所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征和地块要素辐射特征进行特征融合，以融合生成不同遥感监测时序范围的融合后的土地区域场景特征和融合后的地块要素辐射特征；
对融合前和/或融合后的土地区域场景特征与地块要素辐射特征进行高层特征提取，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征；
对所述第二模板土地遥感影像数据中各个待学习土地遥感影像进行影像低层特征编码，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像低层特征；
将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征；
所述提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征，包括：
依据所述第二模板土地遥感影像数据中各个待学习土地遥感影像的先验状态数据，提取所述第二模板土地遥感影像数据中各个待学习土地遥感影像的土地区域场景特征，所述土地区域场景特征包括植被覆盖特征、水土流失特征、土壤缺失特征和土地风蚀特征；
所述将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征进行融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征，包括：
将所述第二模板土地遥感影像数据中各个待学习土地遥感影像的影像高层特征和影像低层特征按照影像定位区域进行一一映射融合，生成所述第二模板土地遥感影像数据中各个待学习土地遥感影像的多维度融合特征。
8.根据权利要求1所述的基于光谱遥感和多特征融合的土地非法侵占检测方法，其特征在于，所述方法还包括：
基于所述输入土地遥感影像序列中各个输入土地遥感影像的土地非法侵占预测结果中对各个输入土地遥感影像对应的土地管理服务终端进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310900014.8A CN116612391B (zh) | 2023-07-21 | 2023-07-21 | 基于光谱遥感和多特征融合的土地非法侵占检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310900014.8A CN116612391B (zh) | 2023-07-21 | 2023-07-21 | 基于光谱遥感和多特征融合的土地非法侵占检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116612391A CN116612391A (zh) | 2023-08-18 |
| CN116612391B true CN116612391B (zh) | 2023-09-19 |
Family
ID=87684087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310900014.8A Active CN116612391B (zh) | 2023-07-21 | 2023-07-21 | 基于光谱遥感和多特征融合的土地非法侵占检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116612391B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059066A (zh) * | 2019-02-26 | 2019-07-26 | 中科遥感(深圳)卫星应用创新研究院有限公司 | spark结合tensorflow进行遥感影像信息提取的方法 |
| CN111445023A (zh) * | 2020-02-18 | 2020-07-24 | 中南林业科技大学 | 遗传算法优化的bp神经网络gf-2影像森林分类方法 |
| CN111738329A (zh) * | 2020-06-19 | 2020-10-02 | 中南大学 | 一种面向时间序列遥感影像的土地利用分类方法 |
| CN111932457A (zh) * | 2020-08-06 | 2020-11-13 | 北方工业大学 | 遥感影像高时空融合处理算法及装置 |
| CN112132867A (zh) * | 2020-09-23 | 2020-12-25 | 武汉汉达瑞科技有限公司 | 一种遥感影像变换检测方法及装置 |
| CN112270291A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
| CN113160239A (zh) * | 2021-03-08 | 2021-07-23 | 广东国地规划科技股份有限公司 | 一种违法用地检测方法及装置 |
| CN113420780A (zh) * | 2021-05-24 | 2021-09-21 | 中国科学院地理科学与资源研究所 | 一种遥感时空谱特征融合的养殖池提取方法 |
| CN114022413A (zh) * | 2021-10-14 | 2022-02-08 | 中山大学 | 一种生产建设用地的高频次全自动遥感监测方法 |
| CN114266932A (zh) * | 2021-12-08 | 2022-04-01 | 中林信达（北京）科技信息有限责任公司 | 一种基于自学习的遥感多光谱数据半监督标注方法 |
| CN114359723A (zh) * | 2021-12-27 | 2022-04-15 | 陕西科技大学 | 一种基于空谱特征融合网络的遥感影像变化检测方法 |
| CN114694038A (zh) * | 2022-04-11 | 2022-07-01 | 中国矿业大学 | 基于深度学习的高分辨率遥感影像分类方法及系统 |
| WO2022223681A1 (en) * | 2021-04-22 | 2022-10-27 | Smartcloudfarming Gmbh | System and method for estimating dynamic soil parameters based on multispectral or hyperspectral images |
| CN116343053A (zh) * | 2022-12-27 | 2023-06-27 | 生态环境部卫星环境应用中心 | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006113583A2 (en) * | 2005-04-15 | 2006-10-26 | Mississippi State University | Remote sensing imagery accuracy analysis method and apparatus |
| US8548248B2 (en) * | 2011-03-01 | 2013-10-01 | Mda Information Systems, Inc. | Correlated land change system and method |
| US11393192B2 (en) * | 2019-08-28 | 2022-07-19 | Siemens Aktiengesellschaft | Method and system for identification of landing sites for aerial vehicles |
-
2023
- 2023-07-21 CN CN202310900014.8A patent/CN116612391B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059066A (zh) * | 2019-02-26 | 2019-07-26 | 中科遥感(深圳)卫星应用创新研究院有限公司 | spark结合tensorflow进行遥感影像信息提取的方法 |
| CN111445023A (zh) * | 2020-02-18 | 2020-07-24 | 中南林业科技大学 | 遗传算法优化的bp神经网络gf-2影像森林分类方法 |
| CN111738329A (zh) * | 2020-06-19 | 2020-10-02 | 中南大学 | 一种面向时间序列遥感影像的土地利用分类方法 |
| CN111932457A (zh) * | 2020-08-06 | 2020-11-13 | 北方工业大学 | 遥感影像高时空融合处理算法及装置 |
| CN112132867A (zh) * | 2020-09-23 | 2020-12-25 | 武汉汉达瑞科技有限公司 | 一种遥感影像变换检测方法及装置 |
| CN112270291A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
| CN113160239A (zh) * | 2021-03-08 | 2021-07-23 | 广东国地规划科技股份有限公司 | 一种违法用地检测方法及装置 |
| WO2022223681A1 (en) * | 2021-04-22 | 2022-10-27 | Smartcloudfarming Gmbh | System and method for estimating dynamic soil parameters based on multispectral or hyperspectral images |
| CN113420780A (zh) * | 2021-05-24 | 2021-09-21 | 中国科学院地理科学与资源研究所 | 一种遥感时空谱特征融合的养殖池提取方法 |
| CN114022413A (zh) * | 2021-10-14 | 2022-02-08 | 中山大学 | 一种生产建设用地的高频次全自动遥感监测方法 |
| CN114266932A (zh) * | 2021-12-08 | 2022-04-01 | 中林信达（北京）科技信息有限责任公司 | 一种基于自学习的遥感多光谱数据半监督标注方法 |
| CN114359723A (zh) * | 2021-12-27 | 2022-04-15 | 陕西科技大学 | 一种基于空谱特征融合网络的遥感影像变化检测方法 |
| CN114694038A (zh) * | 2022-04-11 | 2022-07-01 | 中国矿业大学 | 基于深度学习的高分辨率遥感影像分类方法及系统 |
| CN116343053A (zh) * | 2022-12-27 | 2023-06-27 | 生态环境部卫星环境应用中心 | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 |
Non-Patent Citations (5)
| Title |
|---|
| A New End-to-End Multi-Dimensional CNN Framework for Land Cover/Land Use Change Detection in Multi-Source Remote Sensing Datasets;S. T. Seydi等;《Remote Sensing》;1-38 * |
| A Review of the Application of Optical and Radar Remote Sensing Data Fusion to Land Use Mapping and Monitoring;Neha Joshi等;《Remote Sensing》;1-23 * |
| CBERS与ASAR影像融合处理及在提取土壤侵蚀信息中的应用;李涛;颜伟;;湖北农业科学(10);1956-1959 * |
| 多源遥感数据融合及其在土地资源调查中的应用;高群;;干旱区资源与环境(07);35-41 * |
| 湖南省道县土地利用变迁研究;汤竞煌;严娅妮;聂智龙;;国土资源导刊(01);74-79 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116612391A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232476B (zh) | 更新测试样本集的方法及装置 | |
| CN109766744B (zh) | 一种松材线虫病树识别与定位方法及系统 | |
| CN112633354B (zh) | 路面裂缝检测方法、装置、计算机设备和存储介质 | |
| CN114926511A (zh) | 一种基于自监督学习的高分辨率遥感影像变化检测方法 | |
| CN112446637A (zh) | 一种建筑施工质量安全在线风险检测方法及系统 | |
| Kumar et al. | Feature relevance analysis for 3D point cloud classification using deep learning | |
| CN116958606B (zh) | 一种图像匹配方法及相关装置 | |
| CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| CN116612391B (zh) | 基于光谱遥感和多特征融合的土地非法侵占检测方法 | |
| CN117523299A (zh) | 一种基于计算机网络图像识别方法、系统和存储介质 | |
| CN111160339B (zh) | 车牌矫正方法、图像处理设备及具有存储功能的装置 | |
| CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN109685051A (zh) | 一种基于电网系统的红外图像故障诊断系统 | |
| CN114359716A (zh) | 一种基于多遥感火指数自动化集成的火烧迹地制图方法 | |
| JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
| CN113361968A (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
| CN112434650A (zh) | 一种多光谱图像建筑物变化检测方法及系统 | |
| CN112434648A (zh) | 一种墙体形状变化检测方法及系统 | |
| CN112434653A (zh) | 一种遥感图像建筑区检测方法及系统 | |
| CN111209567A (zh) | 提高检测模型鲁棒性的可知性判断方法及装置 | |
| CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
| CN116665113B (zh) | 基于不确定性量化的遥感场景识别方法、系统及介质 | |
| CN114694021B (zh) | 面向大尺寸遥感影像的物体检测识别方法 | |
| CN117893538B (zh) | 基于机器视觉的半导体器件质量检测方法、装置及系统 |
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 |