[发明专利]一种地质环境遥感解译方法、装置及相关组件

说明书

本发明公开了一种地质环境遥感解译方法、装置及相关组件，涉及遥感图像信息处理领域。该方法包括利用ResNet网络对样本图像进行特征提取，得到浅层图像特征；利用多尺度特征提取模块对所述浅层图像特征进行多尺度特征聚合，得到多尺度地质要素特征图；利用全局特征融合模块对所述多尺度地质要素特征图进行全局特征融合，输出预测概率图，以此构建得到地质要素分类模型；利用损失函数对所述地质要素分类模型进行训练和优化，得到优化后的地质要素分类模型；利用优化后的所述地质要素分类模型对目标图像进行分类，并输出分类结果。该方法有效地解决了地质遥感解译任务精度不高、标签样本少的问题。

技术领域

本发明涉及遥感图像信息处理领域，尤其涉及一种地质环境遥感解译方法、装置及相关组件。

背景技术

目前随着对地卫星传感器的快速发展，光谱遥感数据已经被广泛应用于地质遥感解译，并辅助地质调查和制图。地质遥感解译利用地质要素在遥感影像上反映矿物组成、结构、物理特性等差异来识别岩性、土体、水体、等多种地质要素。由于传统的野外地质调查和填图需要花费大量的人力物力资源，尤其是在大比例尺和难以到底的区域，在这样的背景下，构建一个遥感信息处理深度解译模型就显得尤为重要。

当前，地质环境遥感自动分类是利用多种光谱卫星数据识别岩石、矿物、岩石冰川、地质灾害等，但由于地质要素本身的特性，当前地质遥感自动解译的精度依旧不高，具体来说，一方面是在遥感影像中，地物的类间差异性小，相似度高的问题广泛存在，地质要素常年受到风沙侵蚀、搬运作用，使得要素间边界模糊、特征不明显；在地质环境下，裸露的山体常年受冰川侵蚀和切割，且在区域断层、褶皱等地质构造作用的影响下，部分地质要素的分布十分破碎、零散，使得地质遥感解译结果十分破碎，产生孔洞现象，传统的特征提取器难以充分精确地提取要素特征。

在“精度”问题上，当前以卷积神经网络为代表的深度学习方法成为主流的地质遥感智能解译方法，CNN模型对单一地质要素的解译有着非常显著的效果，但是对岩性、土体、岩石冰川、水体等全要素的地质解译工作效果较差，且在像素级的语义分割任务中，CNN模型提取局部空间信息，很容易陷入局部最优，使分类结果存在严重的碎斑、孔洞，即分割结果有零散的错误分类。

发明内容

本发明的目的是提供一种地质环境遥感解译方法、装置及相关组件，旨在解决现有的神经网络模型对地质环境遥感图像的解译存在精度较差的问题。

为解决上述技术问题，本发明的目的是通过以下技术方案实现的：提供一种地质环境遥感解译方法，其包括：

利用ResNet网络对样本图像进行特征提取，得到浅层图像特征；

利用多尺度特征提取模块对所述浅层图像特征进行多尺度特征聚合，得到多尺度地质要素特征图；

利用全局特征融合模块对所述多尺度地质要素特征图进行全局特征融合，输出预测概率图，以此构建得到地质要素分类模型；

利用损失函数对所述地质要素分类模型进行训练和优化，得到优化后的地质要素分类模型；

将无标签图像输入至优化后的地质要素分类模型，并生成伪标签图像，利用所述伪标签图像对所述地质要素分类模型进行自监督学习；

利用优化后的所述地质要素分类模型对目标图像进行分类，并输出分类结果。

另外，本发明要解决的技术问题是还在于提供一种地质环境遥感解译装置，其包括：

浅层图像特征提取单元，用于利用ResNet网络对样本图像进行特征提取，得到浅层图像特征；

多尺度地质要素特征图提取单元，用于利用多尺度特征提取模块对所述浅层图像特征进行多尺度特征聚合，得到多尺度地质要素特征图；

全局特征融合单元，用于利用全局特征融合模块对所述多尺度地质要素特征图进行全局特征融合，输出预测概率图，以此构建得到地质要素分类模型；