[发明专利]一种遥感影像地物分类泛化性提升方法及装置

说明书

本发明公开了一种遥感影像地物分类泛化性提升方法，包括：获取特征图；选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；输入到卷积神经网络进行降维卷积操作，并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；进行加和操作并输出，得到最终的注意力特征图，本发明能够有效地利用人工提取的纹理特征强化网络分类，抵抗时相和地域的干扰，提升深度学习网络在遥感影像分类上的泛化性，改善在小样本条件下地物分类的精度。

技术领域

本发明涉及一种遥感影像地物分类泛化性提升方法及装置，属于摄影测量与遥感技术领域。

背景技术

目前，基于深度学习的遥感影像地物分类技术均是在语义分割网络的基础上进行改进，通过加入相应的结构来提高网络分类能力，而相关的深度特征均由语义分割网络学习得到。

由于深度学习网络本身是个自我参数调整的过程，因此，网络的分类能力很大程度上取决于样本。当样本数量和类型有限时，网络的分类泛化性将会大大受限。往往某个区域或者某个时相的遥感影像作为样本训练得到的网络模型，换到另外的区域和时相进行测试时，将很难得到理想的分类结果，甚至会完全失效。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种遥感影像地物分类泛化性提升方法及装置，能够有效地利用人工提取的纹理特征强化网络分类，抵抗时相和地域的干扰，提升深度学习网络在遥感影像分类上的泛化性，改善在小样本条件下地物分类的精度。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种遥感影像地物分类泛化性提升方法，包括：

获取特征图；

选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；

使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；

将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作，其中，

所述卷积神经网络中加入纹理特征进行辅助分类；

将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；

将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图。

进一步的，所述方法还包括：

所述纹理特征从Haralick纹理特征中选取，选取时，

Haralick纹理特征经过两次筛选和一次融合后，获得最终的纹理特征。

进一步的，Haralick纹理特征经过两次筛选和一次融合，包括：

第一次筛选，获得方差、均质度、对比度、非相似性和角二阶矩对应的纹理特征；

第二次筛选，确定采用方差、均质度和角二阶矩对应的纹理特征；

第一次融合，将方差、均质度和角二阶矩对应的纹理特征与绿色光谱通道中的红绿蓝三种光谱特征进行融合，获得最终的纹理特征。

进一步的，第一次融合时，将方差、均质度和角二阶矩对应的纹理特征进行2％线性灰度拉伸，之后进行归一化处理后，与光谱特征进行融合。

第二方面，本发明提供一种遥感影像地物分类泛化性提升装置，包括：

获取单元，用于获取特征图；