[发明专利]基于图变换知识嵌入算法的地震灾区遥感影像解译方法

说明书

本发明涉及地震灾害解译技术领域，具体涉及一种基于图变换知识嵌入算法的地震灾区遥感影像解译方法。包括获取地震灾区遥感影像数据；将所述地震灾区遥感影像数据输入至预先训练得到的遥感影像语义分割模型中；输出解译结果；其中，所述遥感影像语义分割模型的预先训练过程包括：获取研究区所在的遥感影像；构建初始遥感影像语义分割模型；对初始遥感影像语义分割模型进行训练，所述构建初始遥感影像语义分割模型包括：计算单个样本的原始图结构G_ori；对原始图中的节点基于总类别数量进行遍历复制，将原始图结构G_ori转化为知识超图结构G_new；在GCN网络模型中进行节点特征聚合；通过分类器对知识超图结构进行裁剪，得到初始遥感影像语义分割模型。

技术领域

本发明涉及地震灾害解译技术领域，具体涉及一种基于图变换知识嵌入算法的地震灾区遥感影像解译方法。

背景技术

遥感影像的语义分割以及对象识别一直是遥感领域的重要研究内容，并且遥感技术对于地震灾后的分析也是一个重要研究方向。近些年来人工智能技术快速发展，且人工智能的技术方法与许多领域产生交互，遥感领域当然也是其中之一。在遥感的应用方面，许多研究人员将深度学习用于遥感影像的解译，其应用效果非常可观。但是在遥感领域，传统的深度学习方法多是使用基于像素级别的卷积神经网络CNN来进行遥感解译，这类方法的解译效率低且消耗大量的计算资源。随着另一类深度学习模型图神经网络的发展，图神经网络模型可以实现基于对象级的语义分割，这提高了遥感影像解译的效率且消耗的计算资源大大减少。图卷积神经网络(Graph Convolutional Network,GCN)是用于遥感影像语义分割的一种图神经网络模型，这是本次研究的主要参考模型。

常规的图卷积神经网络用于遥感影像地理对象的解译存在以下几个问题：

过于依赖地理对象的空间邻接关系：基于空间关系的邻接矩阵，会出现逆反地理学第一定律的现象，从而导致地理对象错误解译。

地理对象感受野仍受限制：相比于基于像素级别的卷积神经网络，基于对象级别的图神经网络已经大大扩展了感受野，但仍然无法获得更加全局的信息。

由于以上问题的存在，迫切需要使用一种方法来改进图卷积神经网络，实现更加高效、准确的地震灾区遥感影像解译结果。

发明内容

本发明的目的就是针对现有技术的缺陷，提供一种基于图变换知识嵌入算法的地震灾区遥感影像解译方法，能够实现更加高效、准确的地震灾区遥感影像解译结果。

本方案一种基于图变换知识嵌入算法的地震灾区遥感影像解译方法，包括：

获取地震灾区遥感影像数据；

将所述地震灾区遥感影像数据输入至预先训练得到的遥感影像语义分割模型中；

输出解译结果；

其中，所述遥感影像语义分割模型的预先训练过程包括：

获取研究区所在的遥感影像；

对所述遥感影像进行处理，获取样本影像特征、样本对象分割数据、样本GT、样本空间邻接矩阵和数据集类别共现概率矩阵数据；

构建初始遥感影像语义分割模型；

基于样本影像特征、样本对象分割数据、样本GT、样本空间邻接矩阵和数据集类别共现概率矩阵对所述初始遥感影像语义分割模型进行训练，得到遥感影像语义分割模型；

其中，所述构建初始遥感影像语义分割模型包括：

计算单个样本的原始图结构G_ori；

对原始图中的节点基于总类别数量进行遍历复制，将所述原始图结构G_ori转化为知识超图结构G_new；