[发明专利]一种基于遥感影像和深度学习的土地利用分类方法及系统

说明书

本发明公开了一种基于遥感影像和深度学习的土地利用分类方法及系统，该方法包括：S1：获取城市和乡镇土地的遥感影像原始图像，并对其进行预处理；S2：通过深度神经网络，对预处理后的原始图像进行卷积和池化处理，提取特征；并将提取的特征与原始图像的原特征进行级联，得到级联后的特征集；S3：将所述级联后的特征集进行多尺度的池化得到多尺度的映射特征，及将所述多尺度的映射特征通过融合与上采样处理至与原始图像相同的像素，得到分类后的图像。本发明在编码阶段使用Res2Net的层级残余结构对小地物的特征加强学习，在解码阶段使用多尺度的池化来覆盖遥感图像的各个尺度，对特征进行加强和过滤，提升模型的精度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于遥感影像和深度学习的土地利用分类方法及系统。

背景技术

土地利用分类是区分土地利用空间地域组成单元的过程。这种空间地域单元是土地利用的地域组合单位，表现人类对土地利用、改造的方式和成果，反映土地的利用形式和用途(功能)。土地利用分类是为完成土地资源调查或进行统一的科学土地管理，从土地利用现状出发，根据土地利用的地域分异规律、土地用途、土地利用方式等，将一个国家或地区的土地利用情况，按照一定的层次等级体系划分为若干不同的土地利用类别。

高分辨率遥感影像的土地利用分类是遥感图像分析与应用的基础问题，由于遥感图像和自然图像之间的极大的差异性，目前将图像分析技术直接应用到遥感影像分析上的效果并不好，因为遥感影像中由于分辨率产生的小样本分类训练难度大，易产生过拟合现象，而如何进一步提高土地利用分类的精度是目前研究中一直面临的问题。

发明内容

本发明所要解决的技术问题是现有基于遥感影像的土地利用分类方法精度不高，效果不佳，因为遥感影像中由于分辨率产生的小样本分类训练难度大，易产生过拟合现象等问题。本发明目的在于提供一种基于遥感影像和深度学习的土地利用分类方法及系统，提高小样本数据在神经网络中训练效果，在数据扩充的基础上，基于细粒度的分类关注小样本特征，将局部特征与全局特征结合在一起，既关注整体的分类效果又对局部更精细的分类。本发明技术从像素级的尺度对遥感图像的土地利用分类问题进行研究，像素级的土地利用分类技术能够分析遥感影像自动化完成解译工作，提取不同类别的面积等信息，有助于对作物状态和国土资源的状况及时掌握。

本发明通过下述技术方案实现：

第一方面，本发明提供了一种基于遥感影像和深度学习的土地利用分类方法，该方法包括以下步骤：

S1：获取城市和乡镇土地的遥感影像原始图像，并对其进行预处理；

S2：通过深度神经网络，对预处理后的原始图像进行卷积和池化处理，提取特征；并将提取的特征与原始图像的原特征进行级联，得到级联后的特征集；

S3：将所述级联后的特征集进行多尺度的池化得到多尺度的映射特征，及将所述多尺度的映射特征通过融合与上采样处理至与原始图像相同的像素，得到分类后的图像。

工作原理是：基于现有基于遥感影像的土地利用分类方法精度不高，效果不佳，因为遥感影像中由于分辨率产生的小样本分类训练难度大，易产生过拟合现象等问题。本发明创新地设计了一种基于遥感影像和深度学习的土地利用分类方法，采用深度学习端到端的训练，方便模型的部署和应用；在特征提取网络中构造分层连接，为卷积神经网络提出了一种新的构建模块(即深度学习多尺度网络结构Res2Net)，以更细粒度表示小目标的多尺度特征，并增加每个网络层的感受野；同时，在上采样中采用多尺度特征融合来规避上采样结果模糊和平滑的弊端。

本发明为解决遥感图像在像素级的土地利用分类中存在的问题，提出在编码阶段使用Res2Net的层级残余结构对小地物的特征加强学习。同时，在解码阶段使用多尺度的池化来覆盖遥感图像的各个尺度，对特征进行加强和过滤，提升模型的精度。