申请/专利权人：重庆市地理信息和遥感应用中心

申请日：2022-11-03

公开（公告）日：2024-03-22

公开（公告）号：CN115661655B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/58;G06V10/77;G06V10/80;G06V10/82;G06V10/764;G06N3/0464;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.02.17#实质审查的生效;2023.01.31#公开

摘要：本发明公开了一种高光谱和高分影像深度特征融合的西南山区耕地提取方法，包括步骤：制作训练样本集；构建高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络；输入所述训练样本集对高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络进行训练；采用训练后的高光谱影像和高分影像协同双输入单输出语义分割卷积神经网络模型对待识别测试区影像进行处理，获得耕地提取结果。其显著效果是：设计了高光谱影像和高分影像协同的双输入单输出卷积神经网络，综合利用了高分辨率影像的空间结构特征和高光谱影像的光谱特征，实现了对西南山地区域耕地的精准提取，显著提高了目标提取精度。

主权项：1.一种高光谱和高分影像深度特征融合的西南山区耕地提取方法，其特征在于包括以下步骤：步骤1、获取训练区高分辨率影像和高光谱影像、测试区高分辨率影像和高光谱影像，以及耕地真值栅格；高光谱影像采用珠海一号10米高光谱影像，高分辨率影像采用worldview2的0.5米高分辨率影像；步骤2、基于步骤1采集到训练区的高分辨率影像和高光谱影像以及耕地真值栅格，构建训练样本集，利用32*32像素尺寸的滑窗裁切训练区的高光谱影像，以640*640像素尺寸的滑窗裁切高分影像和耕地真值栅格，构成含有标注信息的耕地训练样本集；步骤3、构建包括高光谱影像耕地特征提取模块、高分影像耕地特征提取模块、耕地空谱特征融合模块、编解码深度残差模块、类别判定模块的高光谱影像和高分影像协同的双输入单输出卷积神经网络，其中：所述高光谱影像耕地特征提取模块用于对输入的训练区高光谱影像进行耕地光谱特征提取，并将高光谱影像耕地特征图进行上采样；所述高光谱影像耕地特征提取模块包括波段光谱注意力层、反卷积上采样层和重采样层；所述高分影像耕地特征提取模块用于对输入的训练区高分辨率影像进行耕地纹理形态空间结构特征提取；所述高分影像耕地特征提取模块包括空间结构注意力层，所述空间结构注意力层用于将范围更广的上下文信息编码为局部特征，所述空间结构注意力层，给定一个局部特征特征图An×n×3，首先分别通过3个卷积层得到3个特征图B、C、D，然后将B、C、Dreshape为3×N，其中N＝n×n，再将reshape后的B的转置Nx3与reshape后的C3xN相乘，再通过softmax得到空图注意力图SN×N，接着在reshape后的D3xN和S的转置NxN之间执行矩阵乘法，再乘以尺度系数α，再reshape为原来形状，最后与A相加得到最后的输出E；所述耕地空谱特征融合模块用于对耕地光谱特征和耕地空间结构特征进行叠加融合；所述耕地空谱特征融合模块将高光谱影像光谱和高分影像空间结构这两种卷积特征对应通道进行相加运算；所述编解码深度残差模块用于对叠加融合后的特征图进行端到端语义分割；所述类别判定模块用于对编解码深度残差模块末端的高级语义特征图进行类别判定；步骤4、输入所述训练样本集对高光谱影像和高分影像协同的双输入单输出卷积神经网络进行训练；步骤4中对高光谱影像和高分影像协同的双输入单输出卷积神经网络进行训练时，训练模型的损失函数Loss为：Loss＝w*BL+1-w*FL，其中，BL＝-[y*logp+1-y*log1-p]为二值交叉熵损失，为聚焦损失，y为训练样本集中样本像素的标签，即耕地像素为1，背景像素为0，p表示训练样本集中样本的像素被预测为耕地的概率，w为二值交叉熵损失的权重设为0.6；γ0为可调节因子，γ＝2；步骤5、采用训练后的双输入单输出卷积神经网络对测试区高分辨率影像和高光谱影像进行处理，获得耕地提取结果。

全文数据：

权利要求：

百度查询： 重庆市地理信息和遥感应用中心 高光谱和高分影像深度特征融合的西南山区耕地提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD