[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

说明书

本发明提供了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。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。有益效果在于：本发明通过历史影像和矢量数据构建影像解译样本库，为深度神经网络模型提供了大量的高精度训练样本，提高了影像解译的精度。本发明还通过构建深度残差全卷积网络，实现自动标注，减少了人力消耗。最后通过时空大数据分析挖掘结果对所述解析影像进行优化，通过精确的要素分类，得到更高精度的解析影像。

技术领域

本发明涉及于遥感影像解译技术领域，特别涉及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。

背景技术

目前绝大多数遥感数据处理软件内置分类方法仅仅利用了遥感影像数据本身，从影像的结构出发构建解译方法进行解译，精度难以进一步提高，难以满足大范围高精度像素分类需求，而且解译只能得到地表视觉信息，缺乏深层的社会信息，因此应用范围相对狭窄。

为了进一步提高解译结果的准确性，拓宽解译成果的应用场景，可采用多源时空大数据，对解译结果进行修正和补充，从而得到一个更可靠且更丰富的数据成果。

发明内容

本发明的目的在于融合人工智能的深度学习方法和时空大数据中包含的几何位置、自然属性、社会属性等信息，与遥感解译结果进行匹配，从而进一步提高遥感影像的精度。

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。

作为本发明的一种实施例，所述获取历史影像和矢量数据，构建影像解译样本库，包括：

获取测绘数据，确定DOM数据和DLG数据；

根据所述DOM数据，获取历史影像；

根据所述DLG数据，获取矢量数据；

确定所述历史影像和矢量数据的掩膜，并在地理坐标上将所述掩膜与预设的地理要素进行对齐；其中，

所述地理要素与掩膜的类别相对应；

根据所述地理坐标，标注所述地理要素；其中，

当所述地理要素存在重叠现象时，对所述地理要素进行多类标注；

当所述地理要素存在重叠现象，并进行拓扑检查时，根据所述地理要素的类别优先级，进行唯一标注；

当所述地理坐标被标注后，将所述历史影像和掩膜裁剪为影像块；其中，

所述影像块与掩膜一一对应；

将所述影像块输入深度学习模型，确定影像解译样本库。

作为本发明的一种实施例，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；

构建双线性插值解码器，在不断恢复图像原本空间大小的过程中使用跳跃连接结构叠加高分辨率的空间信息；