[发明专利]地学知识引导的多尺度胶囊网络遥感地物分类方法及系统

说明书

本发明公开了一种地学知识引导的多尺度胶囊网络遥感地物分类方法及系统，包括通过对遥感图像进行预处理和标注地物标签，构建遥感地物分类样本库；根据城市主要的土地覆盖类型，建立地表覆盖实体的遥感解译本体，然后在遥感解译本体的基础上，通过实例化本体及其属性完成地学知识图谱的构建；对地学知识图谱所蕴含的地学知识进行显式符号化表示，并挖掘地学知识图谱所蕴含的隐式地学知识；构建多尺度卷积胶囊网络作为深度学习网络，将处理后图像作为样本数据输入到深度学习网络中，并在地学知识基础上构建模型损失约束；对构建的多尺度卷积胶囊模型进行训练，得到训练模型，测试后用于实现对遥感地物分类。本发明可提高遥感地物分类的精度和自动化程度。

技术领域

本发明属于遥感领域，特别是涉及一种地学知识引导的多尺度胶囊网络遥感地物分类方案。

背景技术

当前全球城市可持续发展面临着严峻的挑战，城市内涝、城市热岛以及城市生态功能退化等“城市病”已经成为全球性问题。利用遥感技术提取城市典型要素高分辨率信息可以为城市可持续发展提供科技支撑。然而，由于受文化差异、人类活动以及地理位置等的影响，在全球尺度开展城市典型要素遥感信息提取会遇到严重的“同物异谱”和“同谱异物”的现象。此外，城市高分辨率影像还存在建筑阴影和树木遮挡、运动目标干扰等导致的信息缺失。上述问题导致了城市遥感信息提取的精度和自动化程度较低，无法满足城市日益精细的管理需求。

本专利主要研究如何在数据和知识的双重驱动下从高分辨率遥感影像中获取高精度的地物类别信息。随着计算机技术的发展，计算机辅助遥感图像地物分类技术已逐步取代了人工解译的方法，如尺度不变特征变换、方向梯度直方图等。此外，传统的机器学习方法如决策树、随机森林、支持向量机、隐马尔可夫随机场等也被应用到遥感影像地物分类，提升了地物分类效果。然而，这些传统方法需要人工设计、提取特征，且只能对特征进行几层线性或非线性处理，无法充分学习影像特征，对于复杂城市场景下的高分辨率遥感影像的地物表达能力有限，在推广到其他相关任务中容易出现欠拟合或过拟合的现象，无法做到真正的自动化。

近年来，深度学习技术蓬勃发展并迅速席卷全球，也开始被引入到遥感领域进行遥感影像地物目标分类，并逐步成为遥感图像解译的主流方法。在遥感影像地物分类中，现有的深度神经网络主要是以卷积神经网络为基础网络，根据遥感图像特点进行各种改进，如基于全卷积神经网络的思想构建DCNNs语义分割方法进行遥感影像分类、在全卷积神经网络基础上修改其激活函数等。基于深度学习的遥感地物分类方法具有强大的特征学习和表达能力，不需要人工进行特征的设计和选择，可以实现自动化端到端的输出结果。然而，深度学习是一种数据驱动的方法，高度依赖于大量的数据样本，通过降低输出结果与标签之间的损失来反向优化网络参数，没有充分利用到遥感领域的地学知识，是得基于深度学习的遥感图像地物分类方法的输出结果的可靠性和可解释性差，属于一种黑盒子操作。此外，遥感影像数据包含有丰富的空间、光谱、时间等信息，传统的卷积神经网络在对遥感图像处理过程中舍弃了地物间的相对位置和空间层次的关系，阻碍了遥感地物分类精度的进一步提升。

发明内容

针对现有技术的不足，本发明提供一种地学知识引导的多尺度胶囊网络遥感地物分类方案，通过有效地利用地学知识，建立知识约束机制，使深度学习模型具有一定的可解释性和良好的泛化能力。

为实现上述目的，本发明采用的技术方案是一种地学知识引导的多尺度胶囊网络遥感地物分类方法，包括以下步骤，

步骤a、通过对遥感图像进行预处理和标注地物标签，构建遥感地物分类样本库；

步骤b、根据城市主要的土地覆盖类型，建立建筑物、道路、裸土、绿地、水体5种地表覆盖实体的遥感解译本体，然后在遥感解译本体的基础上，通过实例化本体及其属性完成地学知识图谱的构建；

步骤c、对地学知识图谱所蕴含的地学知识进行显式符号化表示，并挖掘地学知识图谱所蕴含的隐式地学知识；