[发明专利]顾及波段信息的多光谱遥感影像沙地智能提取方法及系统

权利要求书

1.一种顾及波段信息的多光谱遥感影像沙地智能提取方法，其特征在于，包括以下步骤：

S101：在U-Net网络模型中加入可变形卷积，获得Y-Net网络模型；并将所述Y-Net网络模型在已知沙地信息的各波段沙地遥感影像上，进行训练、预测以及性能评估，获得各波段沙地遥感影像对沙地信息提取的精准程度；

S102：根据各波段沙地遥感影像对沙地信息提取的精准程度，确定各波段沙地遥感影像权重值，对覆盖沙地的原始多光谱遥感影进行加权重构，产生新的沙地遥感影像；

S103：对加权重构后的遥感影像中的沙地信息进行专家标注，生成样本标签，构建波段融合多光谱沙地遥感影像数据集；

S104：将Y-Net网络模型在所述波段融合多光谱遥感影像数据集上进行训练，得到组合波段的Y-Net网络模型的最佳参数；

S105：利用最佳参数的组合波段的Y-Net网络模型对待识别的沙地遥感影像进行预测，得到沙地信息检测结果；

所述待识别的沙地遥感影像，是将待识别的各波段沙地影像按照S102进行加权重构获得。

2.根据权利要求1所述的一种顾及波段信息的多光谱遥感影像沙地智能提取方法，其特征在于，所述Y-Net网络模型由8个3×3可变形卷积模块和4个最大池化模块组成；其中，可变形卷积模块是指标准卷积操作中采样位置增加的一个偏移量，偏移量是通过额外的卷积层学习影像特征得到；

增加偏移量的可变形卷积公式如下，对输出特征图y上的每个位置p₀：

其中，p_k为网格k中枚举的采样位置，Δp_k表示可变卷积模块中的偏移量，x为输入特征影像，W_k为对应的卷积核权重系数，y(p₀)表示p₀点输出的特征影像，p₀为输出特征影像点。

3.根据权利要求1所述的一种顾及波段信息的多光谱遥感影像沙地智能提取方法，其特征在于，S101中利用所述的Y-Net网络模型，对沙地遥感影像中沙地信息进行特征提取，具体过程如下：

首先，利用Y-Net网络模型中特征提取网络的不同卷积在采样点位置对某波段沙地原始影像进行初步特征影像提取：

其中，I为输入的某波段沙地原始遥感影像，M为卷积核，p为输出特征影像点，r为影像的宽，a、b为输入的某波段沙地原始遥感影像I在水平和垂直方向上的偏移量，x,y分别I中某点的横、纵坐标值；X(p)表示某波段沙地原始遥感影像I中点(x,y)在输出的初步特征影像中的对应p的影像值；

之后，在所述初步特征影像上使用标准的规则网格点k进行特征采样，再使用可变形卷积获取高阶特征影像y：

其中，W_k为网格点k的卷积核权重系数，网格点k表示采样位置，y(p)表示p点输出的高阶特征影像值，p₀为原始采样位置，p_k表示采样点在自适应可变形卷积核中的位置，s_k表示p_k的学习率，Δp_k表示可变形卷积中的偏移量，Δm_k表示可调节量，c_k表示可调节量Δm_k的学习率，s_k∈[0,1]，Δm_k∈[0,1]，c_k∈[0,1]。

4.根据权利要求1所述的一种顾及波段信息的多光谱遥感影像沙地智能提取方法，其特征在于，所述确定各波段沙地遥感影像对沙地信息提取的精准程度的过程如下：

利用Y-Net网络模型在各波段沙地遥感影像数据集上进行训练，得到各波段的Y-Net网络模型的最优模型参数；

基于各波段的Y-Net网络模型的最优模型参数，对各波段沙地遥感影像数据测试集进行预测，得到各波段沙地信息预测结果；

利用性能评估指标对各波段沙地信息提取结果进行评估，得到各波段沙地遥感影像对沙地信息提取的精准程度。