[发明专利]一种基于PSPNet的遥感数据土地覆盖分类方法

权利要求书

1.一种基于PSPNet的遥感数据土地覆盖分类方法，包括如下步骤：

步骤1：采集土地覆盖类别的遥感图像数据；对已知土地覆盖类型的遥感图像数据样本集进行数据预处理，得到预处理之后的图像(Q,M^g,M^b)，Q为近红外通道与红通道融合后像素点，M^g为绿通道像素点，M^b为蓝通道像素点；遥感图像数据样本集共有n_sample张图片样本，每张遥感图像尺寸为m*n，m为横向所包含像素点数量，n为纵向所包含像素点数量；包括：

步骤1.1：将采集到的第λ张原始的遥感图片像素点表示为(M_i,M_j,k)_λ，i≤m，M_i表示横向第i个像素值，j≤n，M_j表示纵向第j个像素值，k为通道数；首先将图像分割为包含a*a像素的小块，a为横纵最大像素数量；然后将图像按比例b进行缩放；

步骤1.2：对图片进行过采样；

如果该稀疏类别样本数量小于总样本数量百分比阈值d，则将该稀疏类别区域进行图像平移后再采样，即过采样；之后进行N*90°翻转，N＝{1,2,3}，加入高斯噪声，处理后小图片像素点表示为为处理后小图片横向所包含像素点数量，为处理后小图片纵向所包含像素点数量；

步骤1.3：采用极大互信息系数MIC方法，将NIR通道的像素点和R通道的像素点进行高斯融合，得到预处理之后的图像，记为样本图像

构建遥感数据土地覆盖分类网络模型PSPNet并训练模型PSPNet，包括步骤2～步骤4；

步骤2：采用残差网络对预处理之后的图像进行特征提取；包括：

步骤2.1：利用图像数据集预训练残差网络，将得到的训练好的网络记为NET₀；

步骤2.2：迁移NET₀，将步骤1.3中得到的样本图像送入NET₀网络，通过全局自适应平均方法，将输入的样本图像映射合并，得到特征映射featuremap{y}；样本图像的个数为

步骤2.3：采用双线性插值方法对特征映射featuremap{y}进行扩展：将featuremap{y}上采样，插值为f(x,y)；再经过卷积层输出特征映射结果featuremap{y_m}；

步骤3：采用多尺度融合分割，利用金字塔结构收集各层次信息，对和featuremap{y_m}进行语义分割，得到初步预测分割图，即对像素点进行分类；包括：

步骤3.1：在空洞卷积率D＝1下，提取代表全局的特征映射featuremap{y₀}；

其中，表示卷积运算符，f:将输入特征卷积映射为具有滤波器大小ker的扩展卷积在扩张卷积中，一个核的大小ker被空洞卷积率D放大到ker+(ker-1)(D-1)；

步骤3.2：在空洞卷积率D作用下，提取图像局部多尺度的特征映射featuremap{y_s}；表示为：

其中，代表常规的n层卷积网络，通过映射函数得到y；

步骤3.3：采用基于焦点损失的自适应损失函数训练拟合PSPNet网络模型，表示为：

L(σ_t)＝-(1-α_t)(1-p*σ_t)^γlog(σ_t)

其中，σ_t为类别标签；α_t是权重因子，β_t是与类别有关的阈值,σ是标签，t≤K，K为总类别数；

步骤3.4：采用评价指数计算自适应损失中的β_t；β_t包括：植被指数β_vegetation，水体指数β_waterbody和形态学指数β_morphology；

步骤3.5：根据步骤3.4的像素点分类结果，通过步骤3.3和步骤3.4调整α_t,β_t,可调整像素点对损失L的影响；

步骤3.6：将特征映射featuremap{y_m}和输出特征映射featuremap{y_s}进行连接组合和卷积上采样，得到初步预测分割图，即为分类结果图像；

步骤4：进行数据后处理，对步骤3.5中的分类结果图像进行处理，通过计算输出一元势能对应的概率分布图；再优化分类结果图像中粗糙和不确定性的标记，修正细碎的错分区域，得到分割边界；

步骤5：对待分类的遥感数据，通过训练好的模型PSPNet，得到最优一元势能对应的概率分布图，经过softmax函数运算得到的最终遥感数据土地覆盖分类图。