[发明专利]基于深度学习的地表覆盖图片自动识别方法及系统

说明书

本发明提出了基于深度学习的地表覆盖图片自动识别方法及系统，首先，对地表覆盖图片进行预处理，利用重采样的方法，得到像素为224*224*3的地表覆盖图片；其次，利用卷积神经网络，构建地表覆盖图片自动识别模型，并利用反向传播算法和训练数据，对卷积神经网络的参数进行修正；最后，通过输入验证数据，对地表覆盖图片自动识别结果进行精度验证。本发明具有自动识别速度快和识别精度高的优点。

技术领域

本发明属于地表覆盖及图像识别技术领域，尤其涉及一种基于深度学习的地表覆盖图片自动识别方法及系统。

背景技术

地表覆盖数据是环境变化研究、地理国情监测和可持续发展规划等不可或缺的重要基础信息，对其验证是地表覆盖制图的一项重要内容。地表覆盖验证是从调查数据、实地照片或高分辨率影像等验证样本中，解译出样本点及其周围地表覆盖真值的过程。目前常用方法主要包括野外实地调查和样本目视解译。然而，实地调查需要大量的人力物力才能到达采样地点完成验证任务；目视解译由于图像解译的自动化实现困难，解译成千上万的影像消耗大量人力和时间。因此，地表覆盖验证样本的采集和解译是一项困难的任务，需要发展新的易采集样本数据以及样本自动化识别方法。

近年来，带地理标签的网络在线图片已经被应用到地表覆盖研究中。目前该类应用一般可分为基于目视解译的图片识别方法和基于特征提取的图片识别方法。前者首先建立地表覆盖类型标准，并依据该标准，通过人工目视解译的方法，对图片中的地表覆盖类型进行识别。“Antoniou,Vyron,et al.Investigating the feasibility of geo-taggedphotographs as sources of land cover input data.ISPRS International Journalof Geo-Information 5.5(2016):64.”中获取Flickr、Panoramio、Geograph网站的地表覆盖图片，选取七名志愿者，分别对图片中的人造地表、林地、草地、水体等地表覆盖类型进行识别，探讨了带有地理标签的图片用于地表覆盖分类的可行性。而基于特征提取的图片识别方法，利用不同地表覆盖类型在图片特征中的规律性，通过提取并解译该特征，对图片中的地表覆盖类型进行识别。“Sitthi,Asamaporn,et al.Exploring Land Use and LandCover of Geotagged Social-Sensing Images Using Naive Bayes Classifier.Sustainability 8.9(2016):921.”通过提取多种图片特征，利用朴素贝叶斯算法，实现了地表覆盖图片的自动识别。

然而，上述两类方法都有其自身的局限性。基于目视解译的方法在地表覆盖图片较多的情况下，难以避免耗时耗力的问题。而基于特征提取的图片识别方法，虽然实现了地表覆盖图片的自动识别，但是需要手动提取多种图片特征，难以满足地表覆盖快速识别的需求。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于深度学习的地表覆盖图片自动识别方法及系统，由于目视解译与特征提取的方法耗时耗力，难以满足地表覆盖快速验证的需求。

为了实现上述目的，本发明采用如下技术方案：

基于深度学习的地表覆盖图片自动识别方法，包括如下步骤：

步骤(1)：地表覆盖图片预处理：通过网络爬虫获取互联网上的地表覆盖图片，然后对采集的图片进行重采样，利用目视解译的方法对重采样后的地表覆盖图片进行地表覆盖类型的分类，将地表覆盖图片随机分为两部分：得到训练数据和验证数据；

步骤(2)：利用训练数据构建地表覆盖图片自动识别模型：首先，构建地表覆盖图片自动识别模型中的卷积神经网络，所述卷积神经网络包括：依次连接的卷积层、多层感知器和分类器；继而，利用训练数据和反向传播算法，调整卷积神经网络的参数，实现地表覆盖图片自动识别模型的构建；