[发明专利]一种基于深度训练模型和影像解译样本库的影像解译方法

权利要求书

1.一种基于深度训练模型和影像解译样本库的影像解译方法，其特征在于，包括：

获取历史影像和矢量数据，构建影像解译样本库；

构建深度残差全卷积网络，通过影像解译样本库对所述深度残差全卷积网络进行训练，确定第一解析影像；

基于时空大数据分析挖掘结果对所述第一解析影像进行优化，确定目标解析影像；

所述构建深度残差全卷积网络，通过影像解译样本库对所述深度残差全卷积网络进行训练，确定第一解析影像，包括：

获取测绘数据，确定不同分辨率遥感影像；

构建深度残差卷积神经网络模型和特征编码器，并配置多层的非线性残差运算单元，根据多层的非线性残差运算单元，抽取不同分辨率遥感影像的本质空间特征；

将所述不同分辨率遥感影像的本质空间特征进行特征级可微分融合，确定融合特征；

根据所述融合特征，使用影像解译样本库训练深度残差全卷积网络模型，并利用梯度下降算法收敛损失值；

利用训练完成的深度残差全卷积网络模型进行影像解译，生成第一解析影像。

2.根据权利要求1所述的一种基于深度训练模型和影像解译样本库的影像解译方法，其特征在于：所述利用梯度下降算法收敛损失值，包括：

根据所述融合特征，确定每个融合特征的数量场S_i(x_i,y_i,z_i)，x_i代表空间纬度中第一纬度下第i个特征值，y_i代表空间纬度中第二纬度下第i个特征值，z_i代表空间纬度中第三纬度下第i个特征值；

根据所述数量场，确定所述融合特征的梯度向量其中，所述i＝(1，2，3，……n)；所述T_i表示第i个融合特征的梯度向量；

获取所述影像解译样本库的影像特征集合A(a₁,a₂,a₃……a_j)；j＝(1，2，3，……m)；所述a_j表示影像解译样本库的第j个影像特征；

确定所述梯度向量在收敛过程中的贡献度：

根据所述贡献度，确定贡献百分值，并基于所述贡献百分值，确定损失值。

3.根据权利要求1所述的一种基于深度训练模型和影像解译样本库的影像解译方法，其特征在于：所述基于时空大数据分析挖掘结果对所述第一解析影像进行优化，确定目标解析影像，包括：

获取时空大数据，进行分析挖掘，确定时空大数据分析挖掘结果，并作为第二解析影像；其中，

所述第二解析影像包括位置信息和分类要素信息；

将所述第一解析影像做为基底，融合所述位置信息和分类要素信息，判断分类结果是否正确，并进行调整，生成融合时空大数据后的目标解析影像。

4.根据权利要求3所述的一种基于深度训练模型和影像解译样本库的影像解译方法，其特征在于：所述获取时空大数据，进行分析挖掘，确定时空大数据分析挖掘结果，包括：

根据所述历史影像和矢量数据，确定时空大数据；其中，

所述时空大数据包括物联网传感器、互联网数据、电信信令数据；

基于所述影像解译样本库，对所述时空大数据的数据进行挖掘，确定第一目标数据；

基于数据分类和解译目标，对所述第一目标数据进行分析筛选，确定时空大数据。

5.根据权利要求1所述的一种基于深度训练模型和影像解译样本库的影像解译方法，其特征在于：所述基于时空大数据分析挖掘结果对所述第一解析影像进行优化，确定目标解析影像，还包括：

根据所述时空大数据，确定几何位置、自然属性、社会属性；

将所述几何位置、自然属性、社会属性与所述目标解析影像匹配；其中，

若匹配吻合，验证无误，表示目标解析影像；

如果匹配不吻合，分析误差原因，进行相应地修正，并确定目标解析影像，其中

所述误差原因包括：地表变化误差或解译误差。