[发明专利]一种多层网络组合的遥感影像地类语义分割与面积计算方法

说明书

本发明公开了一种多层网络组合的遥感影像地类语义分割与面积计算方法，将最新卫星遥感影像和最新土地利用现状地类分布矢量图层图像作为数据源，通过深度学习方法实现对遥感影像中地类的自动识别并计算面积，致力于解决传统人工地类测量的弊端，提高生产效率。本发明构造了一种面向最新的、结构复杂的遥感影像地类分类与面积计算模型，实现了端到端的训练与语义分割，解决了已有方法中前期处理的步骤繁杂、准确率低等问题，精简使用方法，实现更有效的利用价值。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种多层网络组合的遥感影像地类语义分割与面积计算方法。

背景技术

土地利用分类技术作为遥感影像处理领域核心内容已广泛用在大尺度范围的土地利用调查工作中，但传统的遥感影像地类语义分割仍然存在特征提取难、图像干扰因素多、分类结果不佳等问题；另外，由于土地利用划分类型复杂多样，不同的地类由多种不同地物组成，导致其内部结构复杂。传统的遥感影像特征分类方法不能够很好的关联地类中不同地物的结构关系，进而不能进行准确的分类。相比较于传统的分类方法，深度学习语义分割技术能够利用图像像素之间的特征关联，考虑土地利用类型复杂的内部组成结构和各类型之间的地理空间关联关系，获得更加精确的遥感影像地类分类结果。

近年来深度学习技术的发展促使遥感影像地类分类方法发生质的变化，使自动化程度高、效率高、准确率高、操作便捷的分类技术成为现实，为土地数据更新、地类观察、变化检测等领域提供更好的解决方案。在CNN技术没有广泛应用之前，遥感影像土地利用分类依赖传统的机器学习方法，分为有监督分类方法和无监督分类方法，主要基于提取图像特征，如图像的颜色特征、纹理特征、几何特征等，通过支持向量机、逻辑回归、决策树等浅层结构进行特征分类，实现语义分割。深度学习的出现，网络性能更好的模块和训练方法被提出，多维度、层次化的模块结构有效的提取更高级别的抽象特征，实现对地表覆盖物的像素级的划分。机器学习提取特征的局限性使得其无法较好的分割复杂的遥感图像，深度学习提高了在遥感图像处理的准确度，但是基于地表覆盖物分类数据的难标注、地表变化数据的难获取等问题增加了遥感影像语义分割的难度。

因此，面向最新地类分类标准的遥感影像语义分割是十分必要的，不仅要求采用最新的遥感图像类标图，而且要结合道路语义分割和地物语义分割，以适应新时代城市规划要求，提升遥感影像地类语义分割准确性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种多层网络组合的遥感影像地类语义分割与面积计算方法。本发明技术方案的方法，针对多尺度道路和不同地物语义分割问题，采用U-Net网络结构为主干网络，添加残差结构提高网络感知域，实现高精确率多尺度道路和地物语义分割；针对不同地类复杂的内部组成结构与地理空间语义关联关系特征难以提取的问题，采用基于SegNet-CRF模型的不同地类语义分割，实现地类的高准确度分类；采用基于轮廓优化与像素点个数统计的方法，实现不同地类的面积准确计算。

为实现上述目的，按照本发明的一个方面，提供了一种多层网络组合的遥感影像地类语义分割与面积计算方法，其特征在于，包括

S1获取项目区的最新高分辨率卫星遥感图像和同时段对应的土地利用现状不同地类分布矢量边界图，按照不同地类分布的矢量格网分布图对遥感图像进行剪切、筛选等预处理；

S2按照预处理的遥感图像和不同地类矢量格网分布图像制作具有地类分类标签信息的遥感图像类标图，并将数据划分为训练集和验证集；

S3构建基于U-Net遥感影像道路语义分割和地物语义分割网络模型，添加残差网络结构，提高网络感知域，对输入的遥感图像数据进行多尺度道路特征提取和不同地物特征提取并训练网络参数达到最优结果，实现影像中不同尺度道路和不同地物的提取；