本发明涉及遥感智能信息提取,特别是一种跨空间尺度的遥感影像样本迁移方法及系统。
背景技术:
1、随着对地观测技术的迅猛发展,遥感手段所获取的影像数据呈现出指数级的增长趋势,且在环境监测、资源调查、城市规划等领域中有着广泛应用,已成为信息时代中不可或缺的重要数据资源。遥感观测技术可以获取大范围、多时相、高分辨率的地表信息,因此普遍应用于地表覆盖分类制图。利用遥感影像对地表覆盖类型进行分类和制图可以为环境监测与管理、资源调查与规划、灾害监测与风险评估以及地理信息系统应用等领域提供基础数据和支持,具有重要的价值和意义。然而,由于不同传感器在光谱响应函数、成像几何和大气校正等方面的差异,导致遥感影像中同一地物在不同空间尺度下的特征呈现出现显著变化,给遥感影像的分类和识别任务带来了巨大挑战。当前,通过迁移学习技术构建不同尺度遥感影像的特征关联,可以有效缓解由于不同传感器和尺度成像带来的数据差异,从而提高遥感影像分类和识别的准确率。在遥感影像的监督分类过程中,通常采用人工目视解译和实地调查来获取地物的样本标签。然而,这种方法需要投入大量的人力和时间成本,尤其对于具有高空间分辨率的遥感影像,传统的标签获取方式难以满足大规模遥感影像处理的需求。针对这一问题,行之有效的方法是将现有的低空间尺度下的人工标记信息迁移至高分辨率遥感影像中。为实现这一目的,解决参考标签与目标影像之间所存在的空间尺度差异问题至关重要。因此,如何充分挖掘现有的低空间分辨率土地覆盖产品中的标记信息,实现跨尺度条件下标记样本的准确迁移值得深入探讨和研究。
技术实现思路
1、鉴于现有的中遥感观测技术存在的问题,提出了本发明。
2、因此,本发明所要解决的问题在于参考标签与目标影像之间所存在的空间尺度差异问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、第一方面,本发明实施例提供了一种跨空间尺度的遥感影像样本迁移方法,其包括,
5、收集目标区域的遥感影像和样本标签,对遥感影像进行多尺度分割和提取深度特征;
6、基于多尺度分割下的每个对象单元,综合评价深度特征和重采样后的样本标签噪声占比;
7、基于多尺度分割下的每个对象单元进行分间距的稀疏采样处理;
8、将采样后的对象单元输入样本迁移模型进行编码和解码,并进行参数的迭代优化,直至最大迭代次数;
9、将对象单元输入样本迁移模型进行类别预测,输出对象单元所属地物类别的概率。
10、作为本发明所述跨空间尺度的遥感影像样本迁移方法的一种优选方案,其中:计算所述样本标签噪声占比如下式所示:
11、
12、其中,字母n表示样本标签所包含的类别总数,c表示对象单元内的所包含的不同类别个数,p1表示对象单元内样本数量最大的地物类别的占比,pi表示样本中第i大的地物类别占比。
13、作为本发明所述跨空间尺度的遥感影像样本迁移方法的一种优选方案,其中:所述稀疏采样处理包括以下子步骤:
14、计算对象单元内所包含深度特征样本每个维度的平均值,并以此作为该对象单元的特征中心;
15、计算对象单元内所包含的每个特征样本到特征中心的欧氏距离;
16、根据欧氏距离,按照与特征中心的距离,由近到远排序,并等间隔地采取特定数量的样本;
17、所述欧氏距离的计算如下式所示:
18、
19、其中,xi为特征向量,y为特征中心。
20、作为本发明所述跨空间尺度的遥感影像样本迁移方法的一种优选方案,其中:所述参数的迭代优化包括以下子步骤:
21、对样本迁移模型经过编码的数据进行解码;
22、计算解码的输出结果与标签之间的损失;
23、通过反向传播算法对所述样本迁移模型的特征编码器和特征解码器中的参数进行优化;
24、重复上述步骤,直至达到最大迭代次数;
25、所述计算解码的输出结果与标签之间的损失采用鲁棒性损失函数,如下式所示:
26、-λ∑p(x)logq(x)
27、其中,λ=[at1+(1-a)t2]/2,t1和t2分别表示特征和标签的噪声占比,x表示输入变量,p(x)表示0或1,q(x)表示预测概率。
28、作为本发明所述跨空间尺度的遥感影像样本迁移方法的一种优选方案,其中:所述多尺度分割包括边缘检测、纹理特征提取、色彩相似度以及综合分割函数;
29、所述边缘检测的计算如下式所示:
30、
31、其中,gx和gy分别表示图像在水平和垂直方向的梯度;
32、当计算得到的梯度强度与预测的阈值比较,将高于阈值的部分标记为边缘;
33、所述阈值为图像梯度强度的“均值+2×标准差”;
34、所述纹理特征提取的计算如下式所示:
35、
36、其中,gc是中心像素的灰度值,gp是其邻域像素的灰度值,p是邻域像素的数量,s(x)是一个符号函数;
37、所述色彩相似度的计算如下式所示:
38、
39、其中,r,g,b分别表示红、绿、蓝通道的强度;
40、所述综合分割函数的计算如下式所示:
41、f(x,y)=w1·g(x,y)+w2·l(x,y)+w3·c(x,y)
42、其中,w1,w2,w3是权重参数。
43、作为本发明所述跨空间尺度的遥感影像样本迁移方法的一种优选方案,其中:采用神经网络进行所述提取深度特征,构建神经网络包括以下步骤:
44、从不同尺度捕获图像的特征,以获取更丰富的空间信息;
45、动态调整卷积核大小,以适应图像的局部特征;
46、融合不同深度的特征并通过注意力机制增强关键特征;
47、将提取的特征转化为高级表示,用于后续的分析或分类;
48、输出最终结果,如深度特征表示或分类结果。
49、作为本发明所述跨空间尺度的遥感影像样本迁移方法的一种优选方案,其中:所述动态调整卷积核大小包括以下步骤,
50、分析输入图像,确定最合适的卷积核大小;
51、根据特征分析模块的输出动态生成卷积核;
52、在网络中使用动态生成的卷积核进行卷积操作。
53、第二方面,本发明实施例提供了一种跨空间尺度的遥感影像样本迁移系统,其包括:遥感影像处理模块,用于通过改进的多尺度分割算法,结合图像纹理、边缘信息和颜色相似度,进行有效的图像分割,采用自构建的神经网络进行特征提取;
54、样本标签噪声评价模块,用于综合评价深度特征和重采样后的样本标签噪声占比;
55、分间距稀疏采样处理模块,用于对多尺度分割下的每个对象单元进行稀疏采样;
56、样本迁移模型训练模块,用于将采样后的对象单元输入样本迁移模型进行编码、解码和参数的迭代优化;
57、类别预测模块,用于将对象单元输入样本迁移模型进行类别预测,输出对象单元所属地物类别的概率。
58、第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述处理器执行所述计算机程序时实现上述的跨空间尺度的遥感影像样本迁移方法的任一步骤。
59、第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现上述的跨空间尺度的遥感影像样本迁移方法的任一步骤。
60、本发明有益效果为实现从低空间分辨率地表覆盖产品向高空间分辨率遥感影像中自动化迁移标记样本,快速构建高质量的标记样本库,有效降低人工收集地物样本的成本,利用预训练的卷积神经网络来获取深度特征,以遥感影像中每个分割对象作为处理单元,并分别从特征和标签两个方面进行噪声评估,综合考虑处理单元内特征的均质性及标签类别分布的一致性程度。本发明设计了一种平衡特征与标签噪声的自适应加权的鲁棒性损失函数,确保在反向传播过程中,相对纯净的训练样本对编码器和解码器中参数优化的引导性优于噪声样本,进而使得网络模型具备一定的噪声抵抗能力。