[发明专利]一种遥感影像沙埋路段识别方法

说明书

本发明提供了一种遥感影像沙埋路段识别方法，包括：获取遥感影像；对遥感影像进行图像处理，根据路段是否沙埋制作检测路段像元及关联的像元标签；对检测路段像元提取光谱特征和纹理特征，并将光谱特征和纹理特征进行向量拼接，得到光谱‑纹理特征向量；将光谱‑纹理特征向量及关联的像元标签划分为训练集和测试集；将训练集输入深度自编码器进行训练，构建深度自编码器模型；将测试集输入深度自编码器模型中，得到沙埋路段与非沙埋路段的分类识别结果。本发明结合现有的传统遥感影像分类技术与深度学习方法，采用高分辨率遥感影像，能最大限度保留数据中重要信息，实现高精度的沙埋路段识别，具有覆盖范围广、空间分辨率较高、快捷方便的效果。

技术领域

本发明涉及遥感影像信息提取技术领域，具体地涉及一种遥感影像沙埋路段识别方法。

背景技术

沙埋是风沙危害沙漠道路的主要类型。沙埋路段的存在影响交通运输、危及道路交通安全，实时获取区域内沙埋路段信息可用于道路通勤状况的判断，为决策提供辅助信息。

现有的沙埋路段检测方法主要包括现场测量、装置检测等方法，现场测量法可采用现场丈量、观测、拍摄照片等方式进行，装置检测法则通过在固定路段设置沙埋检测装置实现沙埋道路的检测，但是现有沙埋路段定位检测方式耗费大量的时间成本、经济成本，且难以实现大范围区域的沙埋路段检测识别，因此，急需一种沙埋路段识别的方法。

发明内容

为解决上述提出的技术问题，本发明提供一种遥感影像沙埋路段识别方法，结合现有的传统遥感影像分类技术与深度学习方法，采用高分辨率遥感影像，能最大限度保留数据中重要信息，实现高精度的沙埋路段识别，具有覆盖范围广、空间分辨率较高、快捷方便的效果。

在本发明提供了一种遥感影像沙埋路段识别方法，包括：

获取遥感影像；对遥感影像进行图像处理，根据路段是否沙埋制作检测路段像元及关联的像元标签；对检测路段像元提取光谱特征和纹理特征，并将光谱特征和纹理特征进行向量拼接，得到光谱-纹理特征向量；将光谱-纹理特征向量及关联的像元标签划分为训练集和测试集；将训练集输入深度自编码器进行训练，构建深度自编码器模型；将测试集输入深度自编码器模型中，得到沙埋路段与非沙埋路段的分类识别结果。

进一步的，根据遥感影像的矢量路网数据、道路二值图像提取路段信息，经正射校正、图像融合后，分析路段的光谱曲线差异，根据是否沙埋，确定检测路段像元及与之关联的像元标签。

进一步的，统计检测路段像元的红波段、绿波段、篮波段、近红外波段的像元值，通过波段组合得到差值指数、比值指数、归一化指数，提取检测路段像元的光谱特征。

进一步的，采用灰度共生矩阵对检测路段像元所包含的灰度信息进行统计处理，得到对比度、熵、能量及相关性的统计量作为特征参数来描述纹理特征；

进一步的，特征参数还包括：局部二值模式、马尔科夫随机场和分形维。

进一步的，将训练集输入深度自编码器进行训练，使深度自编码器网络权值和偏置值达到最优，具有特征向量拼接融合、深度特征提取与沙埋道路分类识别的功能，构建沙埋路段与非沙埋路段的分类识别的深度学习网络模型，形成深度自编码器模型。

进一步的，将训练集输入深度自编码器进行训练前，深度自编码器通过训练集进行预训练。

进一步的，在预训练后进行微调训练，利用误差方向传播调整深度自编码器的参考值，使网络权值和偏置值达到最优。

进一步的，深度自编码器的网络结构分为编码部和解码部，由输入层、隐藏层、输出层组成；隐藏层设置多层。

进一步的，深度自编码器还包含分类器；

分类器设置在最后一层隐藏层与输出层之间；

分类器设置两个输出分类点，分别输出沙埋路段与非沙埋路段的可能性概率值，得到分类识别结果。