一种基于神经网络的遥感图像地物信息生成方法及其系统与流程

1.本发明涉及遥感信息技术应用领域，尤其地涉及一种基于神经网络的遥感图像地物信息生成方法及其系统。


背景技术：

2.遥感技术的发展，为人类进行城市遥感研究奠定了基础。将卫星遥感图像数据进行解义，所提取出的信息可应用于城市规划、土地利用规划、城市生态环境监控、城市变化监测等领域等多个领域，极大地提高了遥感在城市土地利用的应用能力。
3.当前针对城市土地利用信息探测的手段以传统的遥感图像处理方法(如光谱分析法)、人工目视识别法以及常规大量野外调查方法为主，但这三种方法存在如下的缺点。
4.由于城市土地利用结构较为复杂，单靠遥感影像能够获得的光谱信息非常有限。在进行城市土地利用空间信息探测时存在如下困难：(1)城市各类人造建材种类多、差异大，导致城市光谱存在很大不确定性，难以采用统一的自动化标准提取城市土地利用类型；(2)城市居住、商业、公共设施等具有人文属性特征的用地类型，遥感图像上表现为相同的影像特征，难以直接从遥感图像进行判读；(3)在城市土地利用分类信息提取时，地表植被、水体等用地类型的季节差异非常显著，因而表现出不同的影像特征。
5.人工目视识别法以及常规大量野外调查等方式效率低下，且精度不够高，难以满足高效率与实用性的应用需求。
6.因此，确有必要来开发一种新型基于神经网络的遥感图像地物信息生成方法，以克服现有技术的缺陷。


技术实现要素：

7.本发明的一个目的是提供一种基于神经网络的遥感图像地物信息生成方法，其能够解决现有技术中由于城市土地利用结构较为复杂，单靠遥感影像能够获得的光谱信息非常有限的问题。
8.为实现上述目的，本发明提供一种基于神经网络的遥感图像地物信息生成方法，包括以下步骤：获取一待分析遥感图像并对其进行预处理；采用一地物分类神经网络模型对所述待分析遥感图像进行地物分类，获取地物类别；采用一预定目标提取神经网络模型对所述待分析遥感图像进行预定目标提取；根据所获取的地物类别以及所提取的预定目标，构建所述待分析遥感图像的分级特征体系，以表征所述待分析遥感图像，进而生成地物信息。
9.进一步的实施方式中，所述的获取一待分析遥感图像并对其进行预处理的步骤进一步包括：通过星载光学相机获取待分析遥感图像信息；对所获取的待分析遥感图像信息进行预处理，所述预处理方式包括去噪、辐射校正、几何校正、尺寸变换以及图像标注的至少其中之一。
10.进一步的实施方式中，所述的进行地物分类的步骤进一步包括：预先搭建用于进
行地物分类的所述地物分类神经网络模型，并采用样本图像输入至所述地物分类神经网络模型中，对所述地物分类神经网络模型进行训练优化；将所述待分析的遥感图像输入至所述地物分类神经网络模型中，以得到所述待分析的遥感图像的每个像素点的地物类别。
11.进一步的实施方式中，所述地物分类神经网络模型包括输入模块、编解码模块和输出模块；所述输入模块用于读入预处理后的所述待分析遥感图像数据，并进行数据增强；所述编解码模块采用空间金字塔池化结构，用于提取图像特征并生成地物分类结果；所述输出模块用于进行地物分类结果的可视化及输出。
12.进一步的实施方式中，所述的对所述地物分类神经网络模型进行训练优化的步骤包括：分别建立包括多张样本图像的训练样本集及测试样本集；顺序读取所述训练样本集的样本图像，并分批输入至所述地物分类神经网络模型中，以执行训练操作；在训练过程中对所述地物分类神经网络模型的网络参数权重进行调整，以获得训练后的地物分类神经网络模型；将所述测试样本集的样本图像输入至训练后的所述地物分类神经网络模型进行验证，进而对训练后的地物分类神经网络模型进行优化。
13.进一步的实施方式中，所述的预定目标提取的步骤进一步包括：预先搭建用于进行预定目标提取的预定目标提取神经网络模型，并采用样本图像输入至所述预定目标提取神经网络模型中，对所述预定目标提取神经网络模型进行训练优化；将所述待分析遥感图像输入至所述预定目标提取神经网络模型中，以提取到所述待分析的遥感图像的预定目标。
14.进一步的实施方式中，所述预定目标提取神经网络模型包括输入模块、编解码模块和输出模块；所述输入模块用于读入预处理后的所述待分析遥感图像数据，并进行数据增强；所述编解码模块加入带孔卷积层，用于提取预定目标的图像特征；所述输出模块用于进行提取的预定目标的可视化及输出。
15.进一步的实施方式中，所述的对所述预定目标提取神经网络模型进行训练优化的步骤包括：分别建立包括多张样本图像的训练样本集及测试样本集；顺序读取所述训练样本集的样本图像，并分批输入至所述预定目标提取神经网络模型中，以执行训练操作；在训练过程中对所述预定目标提取神经网络模型的网络参数权重进行调整，以获得训练后的预定目标提取神经网络模型；将所述测试样本集的样本图像输入至训练后的所述预定目标提取神经网络模型进行验证，进而对训练后的预定目标提取神经网络模型进行优化。
16.进一步的实施方式中，所述的构建所述待分析遥感图像的分级特征体系，以表征所述待分析遥感图像的步骤进一步包括：计算所获取的地物类别中不同地物类别在所述待分析遥感图像的占比，生成所述待分析遥感图像的第一级特征，并将不同地物类别的占比进行存储以作为表征所述第一级特征的特征串；将所提取的预定目标中不同目标进行语义分割提取获取各预定目标的结果图，并以每一预定目标的所述结果图作为一个通道，生成所述待分析遥感图像的第二级特征；对所述第二级特征进行特征提取，并将所提取的特征与所述第一级特征的特征串相结合，生成所述待分析遥感图像的第三级特征。
17.为实现上述目的，本发明还提供一种基于神经网络的遥感图像地物信息生成系统，包括：获取单元，用于获取一待分析遥感图像并对其进行预处理；地物分类单元，采用一地物分类神经网络模型对所述待分析遥感图像进行地物分类，获取地物类别；预定目标提取单元，采用一预定目标提取神经网络模型对所述待分析遥感图像进行预定目标提取；生
成单元，根据所获取的地物类别以及所提取的预定目标，构建所述待分析遥感图像的分级特征体系，以表征所述待分析遥感图像，进而生成地物信息。
18.相对于现有技术，本发明的有益效果在于：本发明通过建立神经网络模型，并通过大量的遥感数据对模型进行训练，由训练得到的模型进行遥感图像的用地信息提取和统计，只需要数秒时间就能够完成对一张遥感图像的用地分类识别以及特定目标类目提取。本发明大大提升了精度和效率，实现了城市土地利用空间信息的快速采集，能够提高获取的城市土地利用空间信息实用性，为城市规划管理的土地利用以及功能结构的优化布局提供重要基础信息，为土地管理部门开展城市扩张动态监测与监管提供科学依据。
19.进一步地，本发明还设置了遥感图像特征分级体系，所设计的分级特征体系能够表征遥感图像，也能够用于遥感图像的定位、检索、变化监测等领域。
附图说明
20.下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。
21.图1为本发明一实施例提供的一种基于神经网络的遥感图像地物信息生成方法流程图；
22.图2为本发明一实施例提供的地物分类神经网络模型进行地物分类的流程图；
23.图3为本发明一实施例提供的预定目标提取神经网络模型进行预定目标提取的流程图；
24.图4为本发明一实施例提供的分级特征体系的结构示意图；
25.图5为本发明一实施例提供的一种基于神经网络的遥感图像地物信息生成系统结构示意图；
26.图6为本发明一实施例提供的获取单元的结构示意图；
27.图7为本发明一实施例提供的地物分类单元的结构示意图；
28.图8为本发明一实施例提供的第一预先搭建子单元的结构示意图；
29.图9为本发明一实施例提供的预定目标提取单元的结构示意图；
30.图10为本发明一实施例提供的第二预先搭建子单元的结构示意图；
31.图11为本发明一实施例提供的生成单元的结构示意图。
具体实施方式
32.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
33.深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而很好地建立从底层信号到高层语义的映射关系。而在深度学习中的卷积神经网络(convolutional neural networks，简称cnn)方法，用较为复杂的模型降低了模型偏差，用大量的数据提升了统计估计的准确定，用可扩展的梯度下降算法求解大规模优化问题。cnn的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接
受域相连，并提取该局部的特征，其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等，网络可以并行学习。经过研究证明，深度学习的方法能够以更符合人类思维的方式完成对遥感信息的提取与识别，使提取结果有更高的精度。因此，本发明采用cnn方法对遥感图像的用地分类识别以及特定目标类目提取。下面结合附图和实施例对本发明的技术方案做进一步的说明。
34.如图1所示，为本发明一实施例提供的一种基于神经网络的遥感图像地物信息生成方法流程图。本实施例提供一种基于神经网络的遥感图像地物信息生成方法，包括步骤1-步骤4。
35.步骤1：获取一待分析遥感图像并对其进行预处理。
36.进一步的实施例中，步骤1还包括步骤11-步骤12。
37.步骤11：通过星载光学相机获取待分析遥感图像信息；所述待分析遥感图像信息包括可见光遥感图像、多光谱遥感图像、高光谱遥感图像等。
38.步骤12：对所获取的待分析遥感图像信息进行预处理。本实施例中所述预处理方式包括去噪、辐射校正、几何校正、尺寸变换以及图像标注的至少其中之一，具体可参考相关现有预处理技术。
39.具体地，所述去噪处理可通过噪声压制滤波法进行，即使用滤波技术来达到去斑点噪声的效果。
40.具体地，所述辐射校正处理方式为遥感器校准方式或大气校正方式。所述遥感器校准是通过建立遥感器每个探测器输出值与该探测器对应的实际地物辐射亮度之间的定量关系，来避免探测器引起的偏差和失真；所述大气校正是辐射校正的重要步骤，可以分为绝对大气校正方法和相对大气校正方法，具体可参考相关现有校正技术。
41.具体地，所述几何校正处理方式一般有三个步骤：控制点选取、像元坐标变换、像元亮度值重采样。
42.具体地，所述尺寸变换处理方式用于将多种尺寸的遥感图像归一化，本实施例中将其调整为512像素*512像素大小的图像数据，使其能够输入相应的神经网络模型。
43.具体地，所述图像标注处理方式可根据用地分类的类别对所述待分析遥感图像进行标注。
44.步骤2：采用一地物分类神经网络模型对所述待分析遥感图像进行地物分类，获取地物类别。如图2所示，图2为本实施例提供的地物分类神经网络模型进行地物分类的流程图。
45.进一步的实施例中，步骤2还包括步骤21-步骤22。
46.步骤21：预先搭建用于进行地物分类的所述地物分类神经网络模型，并采用样本图像输入至所述地物分类神经网络模型中，对所述地物分类神经网络模型进行训练优化。
47.其中所述的对所述地物分类神经网络模型进行训练优化的具体步骤如下：
48.步骤211：分别建立包括多张样本图像的训练样本集及测试样本集。其中，训练样本集多于测试样本集，例如训练样本集与测试样本集的比例为7:3，或者将数据样本均分五份，通过交叉验证法进行样本集测试。
49.步骤212：顺序读取所述训练样本集的样本图像，并分批输入至所述地物分类神经网络模型中，以执行训练操作。
50.步骤213：在训练过程中对所述地物分类神经网络模型的网络参数权重进行调整，以获得训练后的地物分类神经网络模型。
51.其中，对所述地物分类神经网络模型的网络参数权重进行调整的步骤具体包括：通过误差反向传播来调整参数，不断迭代训练过程直到网络模型的参数收敛。
52.步骤214：将所述测试样本集的样本图像输入至训练后的所述地物分类神经网络模型进行验证，进而对训练后的地物分类神经网络模型进行优化。
53.步骤22：将所述待分析的遥感图像输入至所述地物分类神经网络模型中，以得到所述待分析的遥感图像的每个像素点的地物类别。
54.进一步的实施例中，所述地物分类神经网络模型可以为基于语义分割的卷积神经网络模型。具体地，所述地物分类神经网络模型包括输入模块、编解码模块和输出模块。
55.所述输入模块用于读入预处理后的所述待分析遥感图像数据，预处理后的所述待分析遥感图像经过尺寸变换处理后，均为512像素*512像素大小的图像数据；另外，所述输入模块会对预处理后的所述待分析遥感图像数据进行数据增强，其中所述的数据增强操作包括数据的翻转、颜色变换、添加噪声等操作。
56.所述编解码模块以deeplab v3 为基础网络(backbone)，包括编码器结构和解码器结构。其中编码器结构采用deeplabv3 作为功能强大的编码器，解码器结构采用级联解码器结构。
57.进一步的实施例中，所述编解码模块网络采用空间金字塔池化结构，且将空洞卷积和级联模块结合起来使用，用于提取图像特征并生成地物分类结果；
58.所述输出模块用于进行地物分类结果的可视化及输出，输出的结果应为相应地物分类的蒙版图片。
59.步骤3：采用一预定目标提取神经网络模型对所述待分析遥感图像进行预定目标提取。如图3所示，图3为本实施例提供的预定目标提取神经网络模型进行预定目标提取的流程图。
60.进一步的实施例中，步骤3还包括步骤31-步骤32。
61.步骤31：预先搭建用于进行预定目标提取的预定目标提取神经网络模型，并采用样本图像输入至所述预定目标提取神经网络模型中，对所述预定目标提取神经网络模型进行训练优化。
62.其中对所述预定目标提取神经网络模型进行训练优化的具体步骤如下：
63.步骤311：分别建立包括多张样本图像的训练样本集及测试样本集。其中，训练样本集多于测试样本集，例如训练样本集与测试样本集的比例为7:3，或者将数据样本均分五份，通过交叉验证法进行样本集测试。
64.步骤312：顺序读取所述训练样本集的样本图像，并分批输入至所述预定目标提取神经网络模型中，以执行训练操作。
65.步骤313：在训练过程中对所述预定目标提取神经网络模型的网络参数权重进行调整，以获得训练后的预定目标提取神经网络模型。
66.其中，对所述预定目标提取神经网络模型的网络参数权重进行调整的步骤具体包括：通过误差反向传播来调整参数，不断迭代训练过程直到网络模型的参数收敛。
67.步骤314：将所述测试样本集的样本图像输入至训练后的所述预定目标提取神经
网络模型进行验证，进而对训练后的预定目标提取神经网络模型进行优化。
68.步骤32：将所述待分析遥感图像输入至所述预定目标提取神经网络模型中，以提取到所述待分析的遥感图像的预定目标。
69.进一步的实施例中，所述地物分类神经网络模型可以为基于语义分割的卷积神经网络模型。具体地，所述预定目标提取神经网络模型包括输入模块、编解码模块和输出模块。
70.所述输入模块用于读入预处理后的所述待分析遥感图像数据，预处理后的所述待分析遥感图像经过尺寸变换处理后，均为512像素*512像素大小的图像数据；另外，所述输入模块会对预处理后的所述待分析遥感图像数据进行数据增强，其中所述的数据增强操作包括数据的翻转、颜色变换、添加噪声等操作。
71.所述编解码模块以dlinknet为基础网络(backbone)，包括编解码器结构。其中编解码器结构使用带有预训练的linknet。
72.进一步的实施例中，所述编解码模块加入带孔卷积层，能够扩大接受范围，用于提取预定目标的图像特征。
73.所述输出模块用于进行提取的预定目标的可视化及输出。例如，输出的结果可以为相应预定目标的蒙版图片。
74.步骤4：根据所获取的地物类别以及所提取的预定目标，构建所述待分析遥感图像的分级特征体系，以表征所述待分析遥感图像，进而生成地物信息。如图4所示，图4为本实施例提供的分级特征体系的结构示意图。
75.进一步的实施例中，步骤4还包括步骤41-步骤43。
76.步骤41：计算所获取的地物类别中不同地物类别在所述待分析遥感图像的占比，生成所述待分析遥感图像的第一级特征，并将不同地物类别的占比进行存储以作为表征所述第一级特征的特征串。
77.所述将不同地物类别的占比进行存储以作为表征所述第一级特征的特征串的步骤具体包括：
78.步骤411：设遥感图像大小为m*n，用地分类共有c类，分别为1～c。
79.步骤412：遥感图像上像素点用其坐标(x,y)表示，x,y均为正整数且有
80.步骤413：若像素点(x,y)的分类结果为i，i为正整数且i∈[1,c]，则表示为f(x,y)＝i。
[0081]
步骤414：累加所有满足f(x,y)＝i的结果记为ri，则类别i在该遥感图像中的占比为
[0082]
步骤415：将类别1～c的占比值进行排列可得一级特征串如下：
[0083][0084]
步骤42：将所提取的预定目标中不同目标进行语义分割提取获取各预定目标的结果图，并以每一预定目标的所述结果图作为一个通道，生成所述待分析遥感图像的第二级
特征。
[0085]
语义分割就是把感兴趣的内容从图像上分割出来，但是一般会对这个目标加上一定的语义信息，即语义标签，把加上语义标签的图像分割称为图像语义分割。本实施例中，所述语义标签包括道路、建筑物、绿地、水域、自然起伏地形中的至少一种。具体地，在选择特定类别(如道路、建筑物等类别)后，对所选类别分别进行语义分割提取后得到结果图；将所得的结果图分别作为一个通道，将其拼接成一张新的图片，作为遥感图像的二级特征。
[0086]
步骤43：对所述第二级特征进行特征提取，并将所提取的特征与所述第一级特征的特征串相结合，生成所述待分析遥感图像的第三级特征。
[0087]
步骤43具体包括步骤431-步骤433。
[0088]
步骤431：对所述第二级特征的每个通道选择标志性特征进行提取，可以选择sift滤镜 hog滤镜特征。
[0089]
sift滤镜为尺度不变特征变换匹配，hog滤镜为方向梯度直方图。
[0090]
步骤432：将每个通道图片的标志性特征(例如sift滤镜 hog滤镜特征)提取结果按通道顺序存储。
[0091]
步骤433：将所述一级特征串与每个通道的所述特征提取结果相结合，作为遥感图像的三级特征。
[0092]
基于同一发明构思，本发明实施例还提供一种基于神经网络的遥感图像地物信息生成系统，如图5所示，为本发明一实施例提供的一种基于神经网络的遥感图像地物信息生成系统结构示意图。所述生成系统包括获取单元21、地物分类单元22、预定目标提取单元23和生成单元24。
[0093]
所述获取单元21，用于获取一待分析遥感图像并对其进行预处理。
[0094]
如图6所示，为本发明一实施例提供的获取单元21的结构示意图。进一步的实施例中，所述获取单元21包括第一采集子单元211和预处理子单元212。
[0095]
第一采集子单元211：通过星载光学相机获取待分析遥感图像信息；所述待分析遥感图像信息包括可见光遥感图像、多光谱遥感图像、高光谱遥感图像等。
[0096]
预处理子单元212：对所获取的待分析遥感图像信息进行预处理。本实施例中所述预处理方式包括去噪、辐射校正、几何校正、尺寸变换以及图像标注的至少其中之一，具体可参考相关现有预处理技术。
[0097]
具体地，所述去噪处理可通过噪声压制滤波法进行，即使用滤波技术来达到去斑点噪声的效果。
[0098]
具体地，所述辐射校正处理方式为遥感器校准方式或大气校正方式，其中所述遥感器校准是通过建立遥感器每个探测器输出值与该探测器对应的实际地物辐射亮度之间的定量关系，来避免探测器引起的偏差和失真；所述大气校正是辐射校正的重要步骤，可以分为绝对大气校正方法和相对大气校正方法，具体可参考相关现有校正技术。
[0099]
具体地，所述几何校正处理方式一般有三个步骤：控制点选取、像元坐标变换、像元亮度值重采样，以实现对图像的几何校正。
[0100]
具体地，所述尺寸变换处理方式用于将多种尺寸的遥感图像归一化，本实施例中将其调整为512像素*512像素大小的图像数据，使其能够输入相应的神经网络模型。
[0101]
具体地，所述图像标注处理方式可根据用地分类的类别对所述待分析遥感图像进
行标注。
[0102]
所述地物分类单元22：采用一地物分类神经网络模型对所述待分析遥感图像进行地物分类，获取地物类别。
[0103]
如图7所示，为本发明一实施例提供的地物分类单元22的结构示意图。进一步的实施例中，所述地物分类单元22包括第一预先搭建子单元221和第一输出子单元222。
[0104]
第一预先搭建子单元221：预先搭建用于进行地物分类的所述地物分类神经网络模型，并采用样本图像输入至所述地物分类神经网络模型中，对所述地物分类神经网络模型进行训练优化。
[0105]
如图8所示，为本发明一实施例提供的第一预先搭建子单元221的结构示意图。所述第一预先搭建子单元221包括第一样本集建立模块2211、第一输入模块2212、第一初级模型构建模块2213和第一验证模块2214。
[0106]
第一样本集建立模块2211：分别建立包括多张样本图像的训练样本集及测试样本集。其中，训练样本集多于测试样本集，例如训练样本集与测试样本集的比例为7:3，或者将数据样本均分五份，通过交叉验证法进行样本集测试。
[0107]
第一输入模块2212：顺序读取所述训练样本集的样本图像，并分批输入至所述地物分类神经网络模型中，以执行训练操作。
[0108]
第一初级模型构建模块2213：在训练过程中对所述地物分类神经网络模型的网络参数权重进行调整，以获得训练后的地物分类神经网络模型。
[0109]
其中，对所述地物分类神经网络模型的网络参数权重进行调整的步骤具体包括：通过误差反向传播来调整参数，不断迭代训练过程直到网络模型的参数收敛。
[0110]
第一验证模块2214：将所述测试样本集的样本图像输入至训练后的所述地物分类神经网络模型进行验证，进而对训练后的地物分类神经网络模型进行优化。
[0111]
第一输出子单元222：将所述待分析的遥感图像输入至所述地物分类神经网络模型中，以得到所述待分析的遥感图像的每个像素点的地物类别。
[0112]
进一步的实施例中，所述地物分类神经网络模型可以为基于语义分割的卷积神经网络模型。具体地，所述地物分类神经网络模型包括第一输入模块、第一编解码模块和第一输出模块。
[0113]
所述第一输入模块用于读入预处理后的所述待分析遥感图像数据，预处理后的所述待分析遥感图像经过尺寸变换处理后，均为512像素*512像素大小的图像数据；另外，所述第一输入模块会对预处理后的所述待分析遥感图像数据进行数据增强，其中所述的数据增强操作包括数据的翻转、颜色变换、添加噪声等操作。
[0114]
所述第一编解码模块以deeplab v3 为基础网络(backbone)，包括编码器结构和解码器结构。其中编码器结构采用deeplabv3 作为功能强大的编码器，解码器结构采用级联解码器结构。
[0115]
进一步的实施例中，所述第一编解码模块网络采用空间金字塔池化结构，且将空洞卷积和级联模块结合起来使用，用于提取图像特征并生成地物分类结果。
[0116]
所述第一输出模块用于进行地物分类结果的可视化及输出，输出的结果应为相应地物分类的蒙版图片。
[0117]
所述预定目标提取单元23：采用一预定目标提取神经网络模型对所述待分析遥感
图像进行预定目标提取。
[0118]
如图9所示，为本发明一实施例提供的预定目标提取单元23的结构示意图。进一步的实施例中，所述预定目标提取单元23包括第二预先搭建子单元231和第二输出子单元232。
[0119]
第二预先搭建子单元231：预先搭建用于进行预定目标提取的预定目标提取神经网络模型，并采用样本图像输入至所述预定目标提取神经网络模型中，对所述预定目标提取神经网络模型进行训练优化。
[0120]
如图10所示，为本发明一实施例提供的第二预先搭建子单元231的结构示意图。其中第二预先搭建子单元231包括第二样本集建立模块2311、第二输入模块2312、第二初级模型构建模块2313和第二验证模块2314。
[0121]
第二样本集建立模块2311：分别建立包括多张样本图像的训练样本集及测试样本集。其中，训练样本集多于测试样本集，例如训练样本集与测试样本集的比例为7:3，或者将数据样本均分五份，通过交叉验证法进行样本集测试。
[0122]
第二输入模块2312：顺序读取所述训练样本集的样本图像，并分批输入至所述预定目标提取神经网络模型中，以执行训练操作。
[0123]
第二初级模型构建模块2313：在训练过程中对所述预定目标提取神经网络模型的网络参数权重进行调整，以获得训练后的预定目标提取神经网络模型。
[0124]
其中，对所述预定目标提取神经网络模型的网络参数权重进行调整的步骤具体包括：通过误差反向传播来调整参数，不断迭代训练过程直到网络模型的参数收敛。
[0125]
第二验证模块2314：将所述测试样本集的样本图像输入至训练后的所述预定目标提取神经网络模型进行验证，进而对训练后的预定目标提取神经网络模型进行优化。
[0126]
第二输出子单元232：将所述待分析遥感图像输入至所述预定目标提取神经网络模型中，以提取到所述待分析的遥感图像的预定目标。
[0127]
进一步的实施例中，所述地物分类神经网络模型可以为基于语义分割的卷积神经网络模型。具体地，所述预定目标提取神经网络模型包括第二输入模块、第二编解码模块和第二输出模块。
[0128]
所述第二输入模块用于读入预处理后的所述待分析遥感图像数据，预处理后的所述待分析遥感图像经过尺寸变换处理后，均为512像素*512像素大小的图像数据；另外，所述第二输入模块会对预处理后的所述待分析遥感图像数据进行数据增强，其中所述的数据增强操作包括数据的翻转、颜色变换、添加噪声等操作。
[0129]
所述第二编解码模块以dlinknet为基础网络(backbone)，包括编解码器结构。其中编解码器结构使用带有预训练的linknet。
[0130]
进一步的实施例中，所述第二编解码模块加入带孔卷积层，能够扩大接受范围，用于提取预定目标的图像特征。
[0131]
所述第二输出模块用于进行提取的预定目标的可视化及输出。例如，输出的结果可以为相应预定目标的蒙版图片。
[0132]
所述生成单元24：根据所获取的地物类别以及所提取的预定目标，构建所述待分析遥感图像的分级特征体系，以表征所述待分析遥感图像，进而生成地物信息。
[0133]
如图11所示，为本发明一实施例提供的生成单元24的结构示意图。进一步的实施
例中，所述生成单元24包括第一级特征生成子单元241、第二级特征生成子单元242和第三级特征生成子单元243。
[0134]
第一级特征生成子单元241：计算所获取的地物类别中不同地物类别在所述待分析遥感图像的占比，生成所述待分析遥感图像的第一级特征，并将不同地物类别的占比进行存储以作为表征所述第一级特征的特征串。
[0135]
所述第一级特征生成子单元241用于：
[0136]
设遥感图像大小为m*n，用地分类共有c类，分别为1～c；
[0137]
遥感图像上像素点用其坐标(x,y)表示，x,y均为正整数且有
[0138]
若像素点(x,y)的分类结果为i，i为正整数且i∈[1,c]，则表示为f(x,y)＝i；
[0139]
累加所有满足f(x,y)＝i的结果记为ri，则类别i在该遥感图像中的占比为
[0140]
将类别1～c的占比值进行排列可得一级特征串如下：
[0141][0142]
第二级特征生成子单元242：将所提取的预定目标中不同目标进行语义分割提取获取各预定目标的结果图，并以每一预定目标的所述结果图作为一个通道，生成所述待分析遥感图像的第二级特征。
[0143]
语义分割就是把感兴趣的内容从图像上分割出来，但是一般会对这个目标加上一定的语义信息，即语义标签，把加上语义标签的图像分割称为图像语义分割。本实施例中，所述语义标签包括道路、建筑物、绿地、水域、自然起伏地形中的至少一种。具体地，在选择特定类别(如道路、建筑物等类别)后，对所选类别分别进行语义分割提取后得到结果图；将所得的结果图分别作为一个通道，将其拼接成一张新的图片，作为遥感图像的二级特征。
[0144]
第三级特征生成子单元243：对所述第二级特征进行特征提取，并将所提取的特征与所述第一级特征的特征串相结合，生成所述待分析遥感图像的第三级特征。
[0145]
所述第三级特征生成子单元243用于对所述第二级特征的每个通道选择标志性特征进行提取，可以选择sift滤镜 hog滤镜特征；将每个通道图片的标志性特征(例如sift滤镜 hog滤镜特征)特征提取结果按通道顺序存储；将所述一级特征串与每个通道的所述特征提取结果相结合，作为遥感图像的三级特征。
[0146]
其中，sift滤镜为尺度不变特征变换匹配，hog滤镜为方向梯度直方图。
[0147]
本实施例提供一种基于神经网络的遥感图像地物信息生成方法及其系统，通过建立神经网络模型，并通过大量的遥感数据对模型进行训练，由训练得到的模型进行遥感图像的用地信息提取和统计，只需要数秒时间就能够完成对一张遥感图像的用地分类识别以及特定目标类目提取。本实施例大大提升了精度和效率，实现了城市土地利用空间信息的快速采集，能够提高获取的城市土地利用空间信息实用性，为城市规划管理的土地利用以及功能结构的优化布局提供重要基础信息，为土地管理部门开展城市扩张动态监测与监管提供科学依据。
[0148]
进一步地，本发明还设置了遥感图像特征分级体系，所设计的分级特征体系能够表征遥感图像，也能够用于遥感图像的定位、检索、变化监测等领域。
[0149]
以上对本发明实施例所提供的一种基于神经网络的遥感图像地物信息生成方法及其系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例的技术方案的范围。