[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

说明书

本发明公开了一种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，该方法包括：1)在U‑Net模型中加入可变形卷积，获得Y‑Net模型，在各波段沙地影像数据集上进行训练、预测及性能评估；2)根据各波段对沙地信息提取的精准程度确定波段权重值，对覆盖沙地的原始多光谱遥感影进行加权重构；3)对加权重构后的新影像进行专家标注，构建波段组合多光谱遥感影像数据集；4)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；5)对待识别的沙地遥感影像进行预测。利用光谱特征结合深度卷积神经网络解决了现有波段利用效率低，普适性较差等问题，提高地物提取精度。

技术领域

本发明涉及深度卷积神经网络在波段组合后的多光谱遥感影像信息提取领域，尤其涉及一种顾及波段信息的多光谱遥感影像沙地智能提取方法。

背景技术

沙漠化是最严重的生态环境、社会、经济的潜在问题之一，已经威胁到中国北方的生态环境安全和社会经济发展。多光谱遥感影像是指利用多个传感器对地观测生成的影像，得到的影像数据中会有多个不同传感器的光谱信息。多光谱影像所特定的光谱信息不但能够反应物体对于光谱信息的反射率，同时可以弥补在光照不足的情况下，对沙地提取性能的影响。相较于可见光影像来说，多光谱影像可以同时获取空间信息和光谱维度信息，它以多维立体形式存在，除了对可见光波段成像外，还可以在近红外、热红外、紫外线等波段同时成像。

目前许多研究是基于目视解译和遥感影像信息提取手段来监测沙漠化过程，通过实地调查和经验判断，对遥感数据进行解译，确定荒漠化指标。虽然目视解译精度较为准确，但是由于沙漠存在流动性大、范围广等问题，其难以满足广域范围内的沙地变化监测。基于深度学习技术进行遥感地物智能提取较为广泛，最为广泛的模型为2015年提出的全卷积神经网络(Fully Convolutional Networks,FCN)模型。U-Net作为其第一个改进模型，在减少数据成本的同时，保证了提取精度，但其主要应用于医学影像二分类提取。对于沙地与背景地物存在较大光谱相似性的情况，基于可见光影像的沙地识别精度会大大降低。

鉴于此，本发明提出一种顾及波段信息的多光谱遥感影像沙地智能提取方法，结合可变形卷积及U-Net模型构建适应于沙地提取的网络模型Y-Net。同时在基于沙地轮廓信息的前提下通过波段组合的方式顾及影像波段信息，实现沙地信息的高鲁棒性提取。

发明内容

本发明提供了一种顾及波段信息的多光谱遥感影像沙地智能提取方法，以解决现有技术中存在的问题。

为了实现上述目的，本发明提供如下技术方案：

一方面，一种顾及波段信息的多光谱遥感影像沙地智能提取方法，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，得到不同年份的沙地信息检测结果；

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。