一种基于深度学习的遥感影像解译方法与流程

本发明涉及遥感影像解译，尤其涉及一种基于深度学习的遥感影像解译方法。

背景技术：

1、由于遥感影像具有复杂的时空异质性，即同一地物在不同时间、不同地点、不同传感器下的影像特征可能存在较大差异，导致解译样本具有较低的时空可迁移性，即难以将某一地区或某一时期的样本用于其他地区或其他时期的影像解译。这就造成了遥感解译样本的稀缺性和不平衡性，限制了遥感影像智能解译方法在大范围、复杂场景下的应用，因此，提出一种基于深度学习的遥感影像解译方法以解决上述问题。

技术实现思路

1、鉴以此，本发明的目的在于提供一种基于深度学习的遥感影像解译方法，以至少解决以上问题。

2、本发明采用的技术方案如下：

3、一种基于深度学习的遥感影像解译方法，所述方法包括以下步骤：

4、s1、针对遥感影像进行预处理；

5、s2、通过构建深度学习模型，并且利用遥感影像数据样本对深度学习模型进行训练；

6、s3、利用训练好的深度学习模型对预处理后的遥感影像进行解译并输出结果；

7、s4、针对输出结果进行评价。

8、进一步的，在步骤s1中，针对遥感影像进行预处理具体为：将遥感影像数据进行辐射校正，对于辐射校正后影像进行几何校正，对于几何校正后影像进行大气校正，对于大气校正后影像进行影像增强，对于大气校正后影像进行标准化处理。

9、进一步的，在步骤s1中，遥感影像数据包括源域影像数据和目标域影像数据。

10、进一步的，在步骤s2中，通过构建深度学习模型，并且利用遥感影像数据样本对深度学习模型进行训练具体为：

11、深度学习模型针对遥感影像数据样本进行训练时，通过将源域影像数据和目标域影像数据的特征进行特征提取，并且基于深度学习模型中的迁移策略，给予与目标域相似度高的源域样本更高权重。

12、进一步的，在步骤s2中通过将源域影像数据和目标域影像数据的特征进行特征提取具体为：

13、在卷积神经网络中进行特征提取，通过卷积层进行优化，优化计算公式：

14、

15、其中是第l层卷积输出特征图在位置(i,j)的值，是第l层卷积核的权重，是上一层特征图在相应位置的值，b(l)是偏置项；

16、通过池化层进行最大池化，最大池化计算公式：

17、

18、其中是第l层池化输出特征图在位置(i,j)的值，rij是池化窗口覆盖的区域，是上一层特征图在窗口内位置(m,n)的值。

19、进一步的，还包括步骤2.5：

20、s2.5、将提取到的将源域影像数据和目标域影像数据的特征输入到深度学习模型进行训练，并且根据任务目标选择定义交叉熵损失损失函数，交叉熵损失损失函数公式如下：

21、

22、其中，l是损失值，n是样本数量，c是类别数，yic是真实标签，是预测概率；

23、在通过深度学习模型将输入的特征提取进行训练时，选择sgd优化算法来更新模型参数,sgd优化算法如下：

24、theta(t+1)＝θ(t)-α·▽θl(θ(t))

25、其中，θ(t)是第t步迭代的模型参数，α是学习率，▽θl(θ(t))是损失函数关于模型参数的梯度。

26、进一步的，在步骤s3中，还包括以下子步骤：

27、s31、对于目标域遥感影像数据，通过步骤s1相同的处理操作；

28、s32、经过步骤s2、s2.5进行特征提取，并与步骤s3中训练好的深度学习模型进行匹配；

29、s33、根据匹配结果，选取总解译模型和若干子解译模型进行组合；

30、s34、利用组合后的模型对新影像数据进行自适应解译，并且生成分类结果；

31、s35、对分类结果进行处理，包括颜色标注、形状标注和边界描绘，以影像、表格或矢量图层的形式输出解译结果。

32、进一步的，在深度学习模型中还包括注意力机制模块，通过注意力机制模块在特征提取过程中增强对重要特征的关注度，重要特征包括颜色、纹理、形状。

33、与现有技术相比，本发明的有益效果是：

34、本发明提出一种基于深度学习的遥感影像解译方法，本方法能通过结合深度学习和迁移学习的优势，通过预处理提高影像质量，利用深度学习模型进行特征提取和解译，并通过迁移学习提高模型在目标域数据上的表现，可以提高解译的准确性，以及提高在目标域数据上的泛化能力。

技术特征：

1.一种基于深度学习的遥感影像解译方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的遥感影像解译方法，其特征在于，在步骤s1中，针对遥感影像进行预处理具体为：将遥感影像数据进行辐射校正，对于辐射校正后影像进行几何校正，对于几何校正后影像进行大气校正，对于大气校正后影像进行影像增强，对于大气校正后影像进行标准化处理。

3.根据权利要求2所述的一种基于深度学习的遥感影像解译方法，其特征在于，在步骤s1中，遥感影像数据包括源域影像数据和目标域影像数据。

4.根据权利要求3所述的一种基于深度学习的遥感影像解译方法，其特征在于，在步骤s2中，通过构建深度学习模型，并且利用遥感影像数据样本对深度学习模型进行训练具体为：

5.根据权利要求4所述的一种基于深度学习的遥感影像解译方法，其特征在于，在步骤s2中通过将源域影像数据和目标域影像数据的特征进行特征提取具体为：

6.根据权利要求5所述的一种基于深度学习的遥感影像解译方法，其特征在于，还包括步骤2.5：

7.根据权利要求6所述的一种基于深度学习的遥感影像解译方法，其特征在于，在步骤s3中，还包括以下子步骤：

8.根据权利要求1所述的一种基于深度学习的遥感影像解译方法，其特征在于，在深度学习模型中还包括注意力机制模块，通过注意力机制模块在特征提取过程中增强对重要特征的关注度，重要特征包括颜色、纹理、形状。

技术总结
本发明提供一种基于深度学习的遥感影像解译方法，所述方法包括以下步骤：S1、针对遥感影像进行预处理；S2、通过构建深度学习模型，并且利用遥感影像数据样本对深度学习模型进行训练；S3、利用训练好的深度学习模型对预处理后的遥感影像进行解译并输出结果；S4、针对输出结果进行评价。本发明能够有效解决针对遥感影像的复杂时空异质性以及解译样本的稀缺性和不平衡性问题，从而推动遥感影像智能解译方法在大范围、复杂场景下的应用。

技术研发人员：左明勇,荆创利,涂继友,李友兵,丁渝
受保护的技术使用者：四川省地质调查研究院调查规划研究中心
技术研发日：
技术公布日：2025/3/3