一种双流编解码的滨海湿地高清遥感影像地物识别方法

1.本发明涉及地物类型识别领域，具体为基于编解码的双流混合卷积神经网络的滨海湿地遥感影像地物识别方法。


背景技术：

2.湿地作为地球表面最重要的生态系统之一，有“地球之肾”美称。滨海湿地面积范围广，内部不可及，传统人工地面调查耗时耗力，难以满足及时获取湿地覆被信息的需求，而遥感技术具有观测面积大、周期短以及成本低等优点，为动态提取湿地信息提供帮助。目前，滨海湿地遥感影像地物识别是遥感领域中研究的热点问题。如何把海量的遥感影像进行快速分类是加快遥感图像利用率的关键所在。近年来，基于图(graph)的卷积结构研究取得了一定进展，在具有不同数量邻接节点的子图之间维持卷积的共享权重是卷积网络在网络数据取得成果的重要性。当前的图卷积神经网络只能提取相邻节点间的关联信息，而对覆被边界学习能力不足。同时，对遥感影像而言，传统深度学习建模方法往往囿于欧几里得空间域的空间-频谱信息学习能力不足且计算复杂度高。因此，本发明根据不同网络结构特点，提供了一种基于编解码的双流混合卷积神经网络的滨海湿地遥感影像地物识别方法，能够根据一部分的地物真实数据精确地识别出地物类型。


技术实现要素：

3.本发明的目的在于提供一种双流编解码的滨海湿地高清遥感影像地物识别方法，根据不同深度神经网络流的优势学习滨海湿地遥感影像中包含的地物表征特征以及任意地物特征间的关联信息，同时引入编解码方式对不同卷积神经网络提取的地物表征特征进行建模和复原特征图，具有遥感影像地物识别准确率高、鲁棒性强等特点，解决了现有技术中精度不高等问题。
4.为实现上述目的，本发明采用了如下技术方案：
5.一种双流编解码的滨海湿地高清遥感影像地物识别方法，其特点是，该方法将密集连接的空洞卷积网络与图卷积神经网络的特征提取过程相结合形成双流混合卷积神经网络编码模型，以提取滨海湿地遥感影像地物的表征特征信息，进一步使用新型语义解码网络，依据不同流提取的特征信息，解码预测准确而精细的滨海湿地影像地物识别类型。
6.优选地，该方法包含以下步骤：
7.步骤1：对遥感影像进行预处理
8.根据实际需要，对原始滨海湿地遥感影像数据进行归一化、数据增强、裁剪的预处理操作，其中，包括数据集中训练样本和真实地物类别；
9.步骤2：基于编解码的双流混合卷积神经网络的地物分类模型
10.步骤2.1：将预处理后的遥感影像输入双流编码模型中进行特征提取、模型训练；
11.步骤2.2：将特征提取、模型训练后的遥感影像进行超像素分割，构建节点和边，使用图卷积神经网络作为图卷积编码部分，从遥感影像中提取非欧几里得空间中的地物不规
则的关联性信息和光谱信息；
12.步骤2.3：将空洞卷积神经网络特征提取作为空洞卷积神经网络编码部分，从遥感影像中获得不同级别特征图；
13.步骤3：基于不同层级特征的解码模型
14.将步骤2.3获得的不同特征图使用包含三个复原部分的解码器逐步恢复特征图；
15.步骤4：对遥感影像进行后处理
16.将解码器恢复后的特征图进行后处理，得到可视化后的遥感影像地物识别分类图。
17.优选地，步骤2.2的具体内容为，
18.步骤2.2.1：将预处理后的遥感影像进行超像素分割，使用k近邻算法来构建图g＝(v,e),其中v＝{m1,m2,...,mn}表示不同节点，表示构建的图的边，接着根据来计算归一化后的拉普拉斯矩阵；
19.步骤2.2.2：依据循环计算节点特征并更新得到图卷积编码器的表征特征。
20.优选地，步骤2.3，对于步骤1中预处理后的遥感影像执行基于密集连接的卷积神经网络的特征提取，得到一个128
×
128低级特征图(low-level feature map)；接着将低级特征图进行空洞卷积操作，得到不同的特征图进行最大池化操作和融合；将融合后的特征图进行1
×
1卷积的特征降维，得到32
×
32高级特征图(high-level feature map)。
21.优选地，步骤3，将不同编码器提取的特征信息，然后依据不同解码器，进行特征解码操作，获得具有丰富语义信息的融合特征，具体为，
22.步骤3.1：利用反卷积操作进行逐像素复原，接着使用批量归一化操作，归一化得到复原后的128
×
128特征图谱；
23.步骤3.2：将步骤2.3得到的低级特征图与步骤3.1得到的复原后特征图进行融合，接着进行反卷积操作，得到512
×
512的表征特征；
24.步骤3.3：将步骤3.2得到的512
×
512的表征特征进行图解码操作，得到基于像素的特征图谱，接着将其步骤3.1得到的复原后的128
×
128特征图进行融合，得到融合特征。
25.与现有技术相比，本发明首先通过采用基于编解码的深度神经网络特征优势提取表征能力强、丰富的语义信息，从而达到精确区分滨海湿地地物类型的目的。其次，本发明中提出了一种复原多种地物表征特征解码器模型，基于双流的地物表征特征对遥感影像像素进行准确、有效、鲁棒分类。本发明将在自然灾害监测、植被变化监测和生态环境保护等方面具有广泛应用前景。
附图说明
26.图1为本发明的流程简图；
27.图2为本发明的具体流程图。
具体实施方式
28.下面结合附图对本发明的实施例步骤进行详细阐述，以使本发明的优点、特征及方法能更易被本领域或其他领域人员理解，从而对本发明的权利保护范围做出更为清楚明确的界定。
29.参照图1和2，一种双流编解码的滨海湿地高清遥感影像地物识别方法，该方法将密集连接的空洞卷积网络与图卷积神经网络的特征提取过程相结合形成双流混合卷积神经网络编码模型，以提取滨海湿地遥感影像地物的表征特征信息，进一步使用新型语义解码网络，依据不同流提取的特征信息，解码预测准确而精细的滨海湿地影像地物识别类型。
30.实施例1，一种双流编解码的滨海湿地高清遥感影像地物识别方法，该方法包含以下步骤：
31.步骤1：对给定的遥感影像分别进行相关预处理操作，包括几何校正、大气校正、图像增强、数据归一化等；
32.步骤2：首先，将预处理后的遥感影像进行超像素分割，并使用k近邻算法来构建图g＝(v,e),其中v＝{m1,m2,...,mn}表示不同节点，表示图g的边，其次根据(i为单位矩阵，a为邻接矩阵，d＝∑a
ii
)来计算归一化后的拉普拉斯矩阵，进一步计算节点特征并更新地物信息表征特征；
33.步骤3：对于步骤1中预处理后的遥感影像执行基于密集连接的卷积神经网络的特征提取，得到一个128
×
128低级特征图(low-level feature map)；接着将低级特征图进行空洞卷积操作，得到不同的特征图进行最大池化操作和融合；将融合后的特征图进行1
×
1卷积的特征降维，得到32
×
32高级特征图(high-level feature map)；
34.步骤4：将高级特征图进行反卷积操作逐像素复原成128
×
128的特征图，并和编码其中低级特征图进行特征融合；接着融合后的特征再次进行反卷积操作逐像素复原，得到512
×
512的特征图；最后，基于图卷积编码器提取的表征特征进行图解码(graph decoding)得到基于像素的512
×
512特征图，将复原后的特征图和图解码特征进行融合；
35.步骤5：使用softmax函数激活解码出的不同流提取的融合特征并进行后处理得到可视化后的遥感影像地物识别分类图。
36.步骤1和5中是对遥感影像进行预处理和后处理，所述步骤2-4中提出的是基于编解码的双流混合卷积神经网络的地物分类模型。
37.实施例2，一种双流编解码的滨海湿地高清遥感影像地物识别方法，该方法包含以下步骤：
38.步骤1：取遥感影像分别进行预处理操作，包括几何校正、大气校正、图像增强、数据归一化等；
39.步骤2：将遥感影像进行超像素分割，使用图编码(graph encoding)构建节点和边，使用图卷积神经网络作为图卷积编码部分，从遥感影像中提取非欧几里得空间中的地物不规则的关联性信息和光谱信息；具体为：
40.步骤2.1：将预处理后的遥感影像进行超像素分割，使用k近邻算法来构建图g＝(v,e),其中v＝{m1,m2,...,mn}表示不同节点，表示构建的图的边，接着根
据来计算归一化后的拉普拉斯矩阵；
41.步骤2.2：依据来循环计算节点特征并更新得到图卷积编码器的表征特征；
42.步骤3：对于步骤1中预处理后的遥感影像执行基于密集连接的卷积神经网络的特征提取，得到一个128
×
128低级特征图(low-level feature map)；接着将低级特征图进行空洞卷积操作，得到不同的特征图进行最大池化操作和融合；将融合后的特征图进行1
×
1卷积的特征降维，得到32
×
32高级特征图(high-level feature map)；
43.步骤4：将不同编码器提取的特征信息，然后依据不同解码器，进行特征解码操作，获得具有丰富语义信息的融合特征；具体为：
44.步骤4.1：利用反卷积操作进行逐像素复原，接着使用批量归一化操作，归一化得到复原后的128
×
128特征图谱；
45.步骤4.2：将低级特征图与复原后特征图进行融合，接着进行基于反卷积操作的复原器，得到512
×
512的表征特征；
46.步骤4.3：将图编码器得到的基于图(graph)的表征特征进行图解码操作，得到基于像素的特征图谱，接着将其与复原后的特征图进行融合，得到融合特征；
47.步骤5：使用softmax函数激活解码出的不同流提取的融合特征并进行后处理得到可视化后的遥感影像地物识别分类图。
48.本发明通过利用混合深度神经网络采用在不同编码器的多种卷积操作进行地物表征信息特征提取，同时结合不同特征的解码器进行特征融合和复原，从而达到精确区分地物类型的目的。本发明将在自然灾害监测、土地覆盖类型判别和生态环境保护等方面具有广泛应用前景。
49.上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。