大区域遥感影像地物提取方法及系统与流程

本发明涉及遥感遥测，特别是涉及一种大区域遥感影像地物提取方法及系统。

背景技术：

1、随着卫星等传感器技术、图像处理、计算机视觉和数据分析等方面的不断发展，利用遥感技术进行大区域的地物信息提取已经被证明是一种有效的技术手段，遥感技术可以实现对广大区域的观测和检测，无需实地调查，节省时间和成本；遥感影像数据通常包含多个波段信息，可以从多角度分析地面情况。从遥感影像中提取地物信息等过程已广泛应用于环境检测、农业管理、城市规划等领域，并在过去几十年中取得了显著的研究进展。

2、大区域遥感影像地物提取是指利用遥感影像数据对大范围区域进行地物分类和识别的过程。目前，在大区域遥感影像地物提取的应用中，机器学习和深度学习方法都取得了显著的进展，常用的机器学习算法有：支持向量机、随机森林、决策树等，常用的深度学习算法有：卷积神经网络(cnn)、循环神经网络(rnn)、注意力机制、迁移学习等。这些方法在解决遥感影像地物提取方面得到了广泛的应用，并在提高提取的准确性和效率等方面也取得了显著成果。然而，为了进一步拓展大区域遥感影像地物提取方面的应用，还需进一步探究。

3、针对大区域遥感影像的地物提取，必然涉及多幅多时相遥感影像数据的下载，根据不同的需求会有时相区间及空间分辨率等需求，快速检索并下载合适的遥感影像是后续工作的基础；已有的遥感影像地物提取算法纷杂多样，快速了解并选择合适的提取算法也将节约大量时间；另外，因大区域遥感影像分析研究过程涉及多幅多时相遥感影像数据，其过程中会存在数据分布差异及大批量样本标注两方面问题，数据分布差异是指：多幅多时相遥感影像数据由于一系列系统及偶然误差存在一定的数据概率分布及条件分布的差异，由于数据分布差异的存在，使已有的地物提取方法不具有广泛性及适用性；大批量样本标注是指：在进行多幅多时相遥感数据的分析过程中，需对每幅遥感影像的样本进行标注，通常这是一个必要的过程，但会耗费大量的人力及时间成本。

技术实现思路

1、本发明要解决的技术问题是提供一种大区域遥感影像地物提取方法及系统，能够有效改善多幅多时相遥感影像数据分布差异，提高模型的泛化能力。

2、为解决上述技术问题，本发明提供了一种大区域遥感影像地物提取方法，所述方法包括：检索和下载所需的遥感影像数据和数字高程模型数据；对所下载的影像数据进行辐射定标、大气校正、格式转换、几何校正；对基于面向对象的影像地物提取算法进行集成；通过对样本数据和未分类影像对象数据特征的知识蒸馏，对已完成预处理的遥感影像进行地物提取操作；通过对所涉及的遥感影像进行监督分类，并用总体精度及kappa系数对提取结果与传统监督分类提取结果进行精度对比。

3、在一些实施方式中，通过对样本数据和未分类影像对象数据特征的知识蒸馏，对已完成预处理的遥感影像进行地物提取操作，包括：对研究区范围内的遥感影像数据进行分割；对研究区中最新时相遥感影像上标注训练样本和验证样本；以确定的影像及标注的样本完成研究区地物提取模型的构建；根据确定的分类模型对确定的一幅最新时相遥感影像进行分类；对与已分类遥感影像的相邻影像的重叠区域进行再分割；对已分类影像和未分类影像重叠区域影像对象一致性进行判断；寻找新的样本数据；对样本数据和未分类影像对象数据特征进行知识蒸馏，使得已分类和未分类影像获得新的具有相似数据分布的特征知识空间；完成新样本数据的组合；对未分类的遥感影像进行分类。

4、在一些实施方式中，对研究区范围内的遥感影像数据进行分割，包括：根据地物的多样性及典型性挑出一幅代表性影像，将其作为影像分割参数优选的数据；通过分型网络演化算法进行影像分割，其分割参数包括尺度参数、形状因子和紧凑度因子；通过不一致评价法将欧几里得距离值最小时的分割尺度参数、形状因子和紧凑度因子作为最优分割参数组合；根据最优分割参数组合对各幅遥感影像进行分割，数字高程模型应根据其对应的各幅遥感影像的分割线进行分割。

5、在一些实施方式中，对研究区中最新时相遥感影像上标注训练样本和验证样本，包括：按照7:3或8:2的比例标注训练样本和验证样本。

6、在一些实施方式中，以确定的影像及标注的样本完成研究区地物提取模型的构建，包括：根据研究区数据情况选择合适的算法，通过调节其参数获取该算法的最优模型作为分类模型；或者选取系统中包含的任何算法，进行相关算法对应参数的组合测试，以确定最优的分类模型。

7、在一些实施方式中，对样本数据和未分类影像对象数据特征进行知识蒸馏，使得已分类和未分类影像获得新的具有相似数据分布的特征知识空间，包括：将标注样本数据作为源域数据集；将寻找到的新样本数据和与其所属的未分类的遥感影像对象组合成目标域数据集；通过动态迁移框架对源域数据集和目标域数据集的特征进行知识蒸馏，从而获得新的具有相似数据分布的源域和目标域特征空间。

8、在一些实施方式中，基于面向对象的影像地物提取算法包括：机器学习算法，以及深度学习算法；机器学习算法包括：knn、dt、rf、svm、mlp；深度学习算法包括：segnet、unet、deeplab、fcn、resnet。

9、在一些实施方式中，检索和下载所需的遥感影像数据和数字高程模型数据，包括：通过自动跳转，检索和下载所需的遥感影像数据和数字高正模型数据。

10、在一些实施方式中，检索数据源包括：地理空间数据云、美国地质调查局usgs、欧空局esa。

11、此外，本发明还提供了一种大区域遥感影像地物提取系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的大区域遥感影像地物提取方法。

12、采用这样的设计后，本发明至少具有以下优点：

13、相对于传统的遥感影像地物信息提取方法和系统，本发明能够对样本数据和未分类影像对象数据特征进行知识蒸馏，使得已分类和未分类影像获得新的具有相似数据分布的特征知识空间，从而大大提高模型的泛化能力。

技术特征：

1.一种大区域遥感影像地物提取方法，其特征在于，包括：

2.根据权利要求1所述的大区域遥感影像地物提取方法，其特征在于，通过对样本数据和未分类影像对象数据特征的知识蒸馏，对已完成预处理的遥感影像进行地物提取操作，包括：

3.根据权利要求2所述的大区域遥感影像地物提取方法，其特征在于，对研究区范围内的遥感影像数据进行分割，包括：

4.根据权利要求2所述的大区域遥感影像地物提取方法，其特征在于，对研究区中最新时相遥感影像上标注训练样本和验证样本，包括：

5.根据权利要求1所述的大区域遥感影像地物提取方法，其特征在于，以确定的影像及标注的样本完成研究区地物提取模型的构建，包括：

6.根据权利要求2所述的大区域遥感影像地物提取方法，其特征在于，对样本数据和未分类影像对象数据特征进行知识蒸馏，使得已分类和未分类影像获得新的具有相似数据分布的特征知识空间，包括：

7.根据权利要求1所述的大区域遥感影像地物提取方法，其特征在于，基于面向对象的影像地物提取算法包括：机器学习算法，以及深度学习算法；

8.根据权利要求1所述的大区域遥感影像地物提取方法，其特征在于，检索和下载所需的遥感影像数据和数字高程模型数据，包括：

9.根据权利要求8所述的大区域遥感影像地物提取方法，其特征在于，检索数据源包括：地理空间数据云、美国地质调查局usgs、欧空局esa。

10.一种大区域遥感影像地物提取系统，其特征在于，包括：

技术总结
本发明提供了一种大区域遥感影像地物提取方法及系统。该方法包括：检索和下载所需的遥感影像数据和数字高程模型数据；对所下载的影像数据进行辐射定标、大气校正、格式转换、几何校正；对基于面向对象的影像地物提取算法进行集成；通过对样本数据和未分类影像对象数据特征的知识蒸馏，对已完成预处理的遥感影像进行地物提取操作；通过对所涉及的遥感影像进行监督分类，并用总体精度及kappa系数对提取结果与传统监督分类提取结果进行精度对比。本发明提供的大区域遥感影像地物提取方法及系统可以有效改善多幅多时相遥感影像数据分布差异，提高模型的泛化能力。

技术研发人员：邢瑾,王永敏,杜锐,郭根发,荣欣,雒卫民,李岳,陈小月
受保护的技术使用者：上海勘测设计研究院有限公司
技术研发日：
技术公布日：2024/3/11