矿区土地利用识别方法、装置、设备、介质及产品与流程

1.本发明涉及矿区土地利用技术领域，尤其涉及一种矿区土地利用识别方法、装置、设备、介质及产品。


背景技术：

2.矿产资源是自然资源的重要组成部分，矿区用地类型的动态监测和统计对于矿产资源的合理开发、区域生态环境保护具有重要意义，因此实现矿区不同用地类型的高效和准确识别是目前亟待解决的问题之一。传统的用地识别提取是通过外业调查或者影像人工勾绘的方式获取。随着遥感技术的快速发展，大量高分辨率遥感对地观测数据可被获取，使得基于高分影像数据自动分类的方式可以替代人工方式。矿区是人类活动与自然环境相互作用的复杂场景，此外，高分辨率意味着细节更加复杂，信息提取难度更高，因此基于高分影像实现高精度自动化的矿区用地类型识别具有极大困难。
3.随着深度学习技术的兴起，卷积神经网络cnn已经得到了广泛的应用。cnn通过层次化的结构来模拟特征表达、逐层抽象目标特征并最终实现复杂背景下的有效信息自动挖掘，因此对于高分影像分类，相较于传统的基于手工特征的面向对象方法，cnn具有更强的地物区分能力。
4.传统基于cnn的影像分类方法把逐像素、尺度固定的影像patch作为网络输入进行特征学习和分类。这种方式对时间和内存需求较高，并且容易导致分类结果中地物边界模糊。如今，越来越多先进的深度学习模型被提出，如resnet、inception、densenet等，但是这些模型仍然无法克服上述问题。
5.面向对象的cnn(ocnn)目前得到了越来越多的关注，这类方法不再采用基于像素的分类方法，而是利用影像patch来表达每个对象，从而通过cnn实现影像对象分类。但是，现有ocnn方法存在以下问题：(1)地物是多尺度的，而影像patch大小是固定的，无法准确表达影像对象，因此不能有效挖掘地物多尺度特性，影响最终的分类精度以及算法的实用性；(2)仅仅采用卷积神经网络对影像进行深度特征提取，忽略了影像特征对于影像的分类能力。
6.综上所述，传统的cnn影像分类受限于逐像素表达方式，现有的面向对象cnn需要复杂的对象表达策略且忽略了矿区地物的多尺度特性，同时传统的影像特征对于矿区地物的识别同样具有重要作用，因此现有面向对象cnn方法无法高精度识别矿区用地类型，现有技术中存在识别矿区用地类型的精度低的缺陷。


技术实现要素：

7.本发明提供一种矿区土地利用识别方法、装置、设备、介质及产品，用以解决现有技术中无法高精度识别矿区用地类型的缺陷，实现提升矿区用地类型的识别精度。
8.本发明提供一种矿区土地利用识别方法，包括：
9.通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，
并提取各影像对象的影像对象特征；
10.将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；
11.将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的densenet网络；
12.将所述优化后的影像对象特征和所述深度特征叠加后进行类别识别，得到矿区用地类型分类结果。
13.根据本发明提供的一种矿区土地利用识别方法，所述改进的densenet网络包括将densenet网络中的db层和tl层添加dcn层；
14.所述改进的densenet网络还包括在所述dcn层和所述tl层之间添加注意力机制模块。
15.根据本发明提供的一种矿区土地利用识别方法，所述注意力机制模块包括通道注意力模块和空间注意力模块；
16.所述注意力机制模块用于将输入特征图输入至所述通道注意力模块得到通道注意力权值，再将所述输入特征图与所述通道注意力权值相乘得到通道维度上加强的特征信息，最后将所述特征信息输入至所述空间注意力模块，得到输出特征图。
17.根据本发明提供的一种矿区土地利用识别方法，所述深度特征提取网络包含多个改进的densenet网络；
18.所述深度特征提取网络用于将输入图像分别输入至所述多个改进的densenet网络，并将所述多个改进的densenet网络输出的特征进行连接，得到深度特征。
19.根据本发明提供的一种矿区土地利用识别方法，所述影像对象特征优化网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层，所述第一卷积层和所述第二卷积层均为一维卷积层，所述第一池化层和所述第二池化层均为最大池化层；
20.所述影像特征优化网络用于将所述影像对象特征输入至所述第一卷积层，将所述第一卷积层输出的特征图输入至所述第一池化层，将所述第一池化层输出的特征图输入至所述第二卷积层，将所述第二卷积层输出的特征图输入至所述第二池化层，将所述第二池化层输出的特征图输入至所述全连接层，得到优化后的影像对象特征。
21.根据本发明提供的一种矿区土地利用识别方法，影像对象特征包括光谱特征、纹理特征和几何特征。
22.本发明还提供一种矿区土地利用识别装置，包括：
23.面向对象分割模块，用于通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，并基于所述影像对象单元，提取各影像对象的影像对象特征；
24.影像对象特征优化模块，用于将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；
25.深度特征提取模块，用于将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的densenet网络；
26.类别识别模块，用于将所述优化后的影像对象特征和所述深度特征叠加后进行类
别识别，得到矿区用地类型分类结果。
27.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述矿区土地利用识别方法的步骤。
28.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述矿区土地利用识别方法的步骤。
29.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述矿区土地利用识别方法的步骤。
30.本发明提供的一种矿区土地利用识别方法、装置、设备、介质及产品，通过融合影像对象特征与改进的densenet网络提取的深度特征，获取具有更强语义表达能力的特征，提高特征分类能力，从而提升矿区用地类型的识别精度。同时，通过影像对象特征优化网络中的卷积操作对影像对象特征进行特征优化和抽象，增强重要特征信息，提高特征分类能力，从而提升矿区用地类型的识别精度。现有面向对象卷积神经网络方法采用单一影像单元来表达对象需要复杂的表达策略，表达对象不准确；同时，影像单元的尺度往往是单一的。本发明通过多尺度分割算法提取得到多个尺度的影像对象单元，并将多个尺度的影像对象单元作为网络模型输入，一方面解决对象大小不一而网络模型需要固定大小输入带来的影像对象表达难题，另一方面，多尺度的影像对象单元能够更好地表达影像对象的多尺度特性，从而提高地物的分类精度，从而提升矿区用地类型的识别精度。
附图说明
31.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1是本发明提供的矿区土地利用识别方法的流程示意图之一；
33.图2是本发明提供的矿区土地利用识别方法的处理流程示意图；
34.图3是本发明提供的矿区土地利用识别方法中改进的densenet网络的网络结构示意图；
35.图4是本发明中改进的densenet网络中db层的网络结构示意图；
36.图5是本发明改进的densenet网络中tl层的网络结构示意图；
37.图6是本发明中db层中卷积块的结构示意图；
38.图7是本发明中改进的densenet网络中的可变形卷积层的处理流程示意图；
39.图8是本发明提出的改进的densenet网络中的注意力机制模块的处理流程图；
40.图9是本发明的注意力机制模块中的通道注意力模块的结构示意图；
41.图10是本发明的注意力机制模块中的通道注意力模块的结构示意图；
42.图11是本发明中提出的一种示例性的深度特征提取网络的网络结构图；
43.图12是本发明中影像对象特征优化网络的网络结构示意图；
44.图13是本发明提供的矿区土地利用识别装置的结构示意图；
45.图14是本发明提供的电子设备的结构示意图。
具体实施方式
46.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通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。
47.下面结合图1-图12描述本发明的矿区土地利用识别方法。
48.为了提高矿区土地利用分类的精度，本发明将传统面向对象分类方法与densenet网络模型相结合，应用于矿区用地类型识别。针对上述问题，本发明通过多尺度影像对象单元表达影像对象，一方面提高影像对象单元表达对象的准确性，另一方面克服矿区地物的多尺度特性带来的分类难题；并且，与面向对象影像分析相结合，引入遥感影像光谱、纹理、几何等特征，实现融合深度特征与传统特征面向对象的分析结果，从而提高用地类型识别精度。针对densenet，本发明引入可变形卷积，提高模型对于矿区形状、尺度变异的鲁棒性，并在网络中加入深度学习注意力机制，有效聚合多尺度特征，增强模型对于重要特征的提取，抑制无关特征信息，进一步提高其分类能力。
49.本发明的目的在于提供深度学习与面向对象影像分析相结合的矿区土地利用识别方法，提高矿区土地利用识别的精度，为矿区用地监测、生态环境保护、生态修复评价等研究提供数据支撑。
50.本发明将卷积神经网络densenet与面向对象影像分析进行结合，实现矿区用地类型识别。本发明与现有的技术相比，具有以下优点及有益效果：
51.(1)融合影像对象特征与densenet深度特征，获取具有更强语义表达能力的特征。同时，通过卷积操作对影像对象特征进行特征优化和抽象，增强重要特征信息，提高特征分类能力。
52.(2)现有面向对象卷积神经网络方法采用单一patch来表达对象需要复杂的表达策略，表达对象不准确；同时，尺度往往是单一的。本发明将多个尺度的影像对象单元作为网络模型输入，一方面解决对象大小不一而网络模型需要固定大小输入带来的影像对象表达难题，另一方面，多尺度影像对象单元能够更好地表达影像对象的多尺度特性，从而提高地物的分类精度。
53.(3)针对矿区用地类型提取，改进了densenet网络模型，使其能够适应矿区场景。针对矿区用地的形状和尺度存在较大异质性，采用可变形卷积提高模型的准确性和泛化能力；其次，通过引入注意力机制为特征中每个局部信息设置不同权重，突出重要特征域，从而提高矿区用地类型识别精度。
54.本发明能够替代传统测绘中外业调查或者人工勾绘等方式的矿区土地利用识别工作，能够快速高效地应用于矿区土地利用识别，对于监测矿区开采过程，分析对周围生态环境造成的变化和周围居民的生活影响，以及评价生态修复等研究有重要意义。
55.本发明提出的改进densenet与面向对象影像分析相结合的矿区土地利用识别方法，包括模型训练过程和模型应用过程。
56.模型训练过程包括：
57.步骤一：制作矿区不同用地类型的样本数据集，将样本数据集作为，用于训练网络模型；其中，样本数据集为已标注的矿区遥感影像数据，样本数据集中标注的对象包括露天
开采区、排土场、复垦区、建筑物、道路、植被、水体和裸土。将每个类别的样本数据集随机分为训练数据和测试数据，将所有训练数据归集为训练数据集并存储，将所有测试数据归集为测试数据集并存储。
58.步骤二：利用多尺度分割算法对样本数据集进行面向对象分割，并提取每个对象的影像对象特征；
59.步骤三：利用pytorch搭建分类网络模型，其中，分类网络模型包括：影像对象特征优化网络和深度特征提取网络，深度特征提取网络为改进的densenet网络；
60.步骤四：利用训练集对分类网络模型进行训练。
61.d1.根据训练集样本获取训练用影像对象，将基于训练集样本提取的影像对象特征输入至影像对象特征优化网络；
62.d2.以影像对象为重心，以三个尺度分别裁剪影像对象单元，然后将三个影像对象单元分别输入到改进的densenet深度特征提取网络中提取深度特征；
63.d3.损失函数选用交叉熵、优化器选用adam。设置迭代训练次数epoch，进行多次迭代训练。每一次迭代训练，利用梯度下降算法降低模型损失值，同时优化并更新模型的参数(模型的参数是指神经网络中层与层之间连接的权重值)。其中，交叉熵损失函数，其计算方法为：
[0064][0065]
其中，y表示影像中矿区用地类别实际值，表示模型预测类别值，s为验证集的输入影像块数量，l为模型损失值，以此表示模型的误差大小。
[0066]
模型应用过程包括：
[0067]
步骤五：应用训练完成的网络模型进行矿区土地利用识别，并利用测试集进行精度评价。
[0068]
请参照图1以及图2，图1为本发明提供的矿区土地利用识别方法的流程示意图之一，图2为本发明提供的矿区土地利用识别方法的处理流程示意图，本发明提供一种矿区土地利用识别方法，包括：
[0069]
步骤10，通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，并提取各影像对象的影像对象特征；
[0070]
在本实施例中，在模型应用过程中，对需要进行识别的矿区土地进行采集高分辨率的遥感影像，并将所采集的遥感影像作为待识别遥感影像，得到待识别的矿区土地对应的待识别遥感影像。首先，通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到多个尺度的影像对象单元，并提取每个影像对象单元的影像对象特征。其中，多尺度分割算法用于对输入影像进行不同尺度的矿区进行识别，实现对输出影像提取不同尺度的矿区土地。
[0071]
需要强调的是，现有面向对象卷积神经网络方法采用单一影像单元来表达对象需要复杂的表达策略，表达对象不准确；同时，影像单元的尺度往往是单一的。本发明通过多尺度分割算法提取得到多个尺度的影像对象单元，通过多尺度的影像对象单元表达影像对象，一方面提高影像对象单元表达对象的准确性，另一方面克服矿区地物的多尺度特性带来的分类难题。多尺度的影像对象单元能够更好地表达影像对象的多尺度特性，从而提高
地物的分类精度，从而提升矿区用地类型的识别精度。
[0072]
进一步地，影像对象特征包括光谱特征、纹理特征和几何特征。本实施例中通过引入提取影像的光谱特征、纹理特征、几何特征等特征，实现融合深度特征与传统特征面向对象的分析结果，从而提高用地类型识别精度。
[0073]
影像对象特征包括光谱特征、纹理特征、几何特征三大类特征。具体地，光谱特征为基于对象的像素灰度值计算得到，常见的光谱特征包含以下几种：均值、亮度、标准差、比率、归一化植被指数(ndvi)、归一化水体指数(ndwi)；纹理指在图像上间隔特定距离的两个像素之间存在的空间相关特性。常用基于灰度共生矩阵(glcm)统计得到的对象纹理特征包括：同质性、对比度、异质性、熵、角二阶矩、相关性、均值、方差、标准差等；几何特征表示对象的几何特性，如对象长度、宽度、长宽比、面积、形状指数、密度以及对称性等。
[0074]
步骤20，将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；
[0075]
在本实施例中，得到影像对象特征后，将影像对象特征输入至影像对象特征优化网络，以供影像对象特征优化网络对影像对象特征进行优化和降维，得到优化后的影像对象特征。其中，影像对象特征优化网络为卷积网络，包括卷积层、池化层和全连接层，用于对影像特征进行优化和降维。影像对象特征优化网络中卷积层和池化层的数量可以根据需求进行设置，一般来说，设置的卷积层的数量和池化层的数量越多，提取的影像特征深度越高。
[0076]
需要强调的是，本实施通过影像对象特征优化网络中的卷积操作对影像对象特征进行特征优化和抽象，能够增强重要特征信息，提高特征分类能力，从而提升矿区用地类型的识别精度。
[0077]
步骤30，将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的densenet网络；
[0078]
在本实施例中，提取得到影像对象单元后，将影像对象单元输入至深度特征提取网络，以供深度特征提取网络对输入的影像对象单元进行提取各影像对象的深度特征。其中，深度特征提取网络为改进的densenet网络，深度特征提取网络用于提取输出图像的深层特征。
[0079]
步骤40，将所述优化后的影像对象特征和所述深度特征叠加后进行类别识别，得到矿区用地类型分类结果。
[0080]
在本实施例中，将优化后的影像对象特征和深度特征提取网络提取的深度特征相连接，再通过卷积计算和softmax计算获得最终的分类结果，得到的分类结果为矿区用地类型分类结果。例如，得到的输出图像中，分类结果例如有矿区的露天开采区、排土场、复垦区等。
[0081]
本发明中，(1)融合影像对象特征与改进的densenet网络提取的深度特征，获取具有更强语义表达能力的特征，提高特征分类能力，从而提升矿区用地类型的识别精度。同时，通过影像对象特征优化网络中的卷积操作对影像对象特征进行特征优化和抽象，增强重要特征信息，提高特征分类能力，从而提升矿区用地类型的识别精度。(2)现有面向对象卷积神经网络方法采用单一影像单元来表达对象需要复杂的表达策略，表达对象不准确；
同时，影像单元的尺度往往是单一的。本发明通过多尺度分割算法提取得到多个尺度的影像对象单元，并将多个尺度的影像对象单元作为网络模型输入，一方面解决对象大小不一而网络模型需要固定大小输入带来的影像对象表达难题，另一方面，多尺度的影像对象单元能够更好地表达影像对象的多尺度特性，从而提高地物的分类精度，从而提升矿区用地类型的识别精度。
[0082]
在其他一些实施例中，所述改进的densenet网络包括将densenet网络中的db层和tl层添加dcn层；
[0083]
所述改进的densenet网络还包括在所述dcn层和所述tl层之间添加注意力机制模块。
[0084]
请参照图3，图3为本发明提供的矿区土地利用识别方法中改进的densenet网络的网络结构示意图，改进的densenet网络的网络结构主要由db层(denseblock)和tl层(transition layer)组成，db层的结构参照图4，在本实施例中不作过多解释，图4为改进的densenet网络中db层的网络结构示意图，tl层的结构参照图5，图5为本发明改进的densenet网络中tl层的网络结构示意图，在本实施例中不作过多解释。每个db内包括多个卷积块(convolutional block，cb层)，cb的结构请参照图6，图6为db层中卷积块的结构示意图。与其他卷积神经网络的结构不同，db中每两个cb之间都有一个连接。
[0085]
请参照图7，图7为本发明中的改进的densenet网络中的可变形卷积层(deformable convolution,dcn)的处理流程示意图，具体地，首先通过一个3
×
3卷积的输出得到可变形卷积所需的10个偏移量，然后将10个偏移量作用在卷积核上，达到可变形卷积的效果。
[0086]
本实施例中，本发明通过在densetnet网络的db层和tl层之间添加可变形卷积层，在可变形卷积层中，采用任意尺寸和形状的卷积核来捕获深层多尺度细节特征信息，可更加精确的识别矿区不同的用地类别信息。
[0087]
在其他一些实施例中，所述注意力机制模块包括通道注意力模块和空间注意力模块；
[0088]
所述注意力机制模块用于将输入特征图输入至所述通道注意力模块得到通道注意力权值，再将所述输入特征图与所述通道注意力权值相乘得到通道维度上加强的特征信息，最后将所述特征信息输入至所述空间注意力模块，得到输出特征图。
[0089]
改进的densenet网络还包括在所述dcn层和所述tl层之间添加注意力机制模块。请参照图8，图8为本发明提出的改进的densenet网络中的注意力机制模块的处理流程图，注意力机制模块(convolutional block attention module,cbam)，请参照图8，输入特征图首先通过通道注意力模块得到通道注意力权值，再将输入特征图与通道注意力权值相乘得到通道维度上加强的特征信息，最后将其输入空间注意力模块，经过与通道注意力模块类似的操作得到最终的输出特征图。
[0090]
其中，通道注意力模块如图9所示，首先将输入特征图送入两个并行的自适应最大池化层和自适应平均池化层。然后得到的两个特征图分别送入一个两层的神经网络，第一层神经元个数为2，激活函数为relu，第二层神经元个数为32，输出两个与输入特征图相同尺寸的特征图，并对二者进行对应元素相加和sigmoid激活操作，最终得到通道注意力权值。
[0091]
空间注意力模块如图10所示，首先将输入特征图依次送入自适应最大池化层、自适应平均池化层，然后进行通道拼接和7
×
7卷积得到特征图，最后进行sigmoid激活操作以得到空间注意力权值。本发明在可变形卷积层和tl之间添加注意力机制模块，可捕获深层特征在空间和通道维度的全局依赖关系，进一步提高捕获特征的准确性。
[0092]
在其他一些实施例中，所述深度特征提取网络包含多个改进的densenet网络；
[0093]
所述深度特征提取网络用于将输入图像分别输入至所述多个改进的densenet网络，并将所述多个改进的densenet网络输出的特征进行连接，得到深度特征。
[0094]
为了实现影像对象的多尺度表达，深度特征提取网络包含多个改进的densenet网络。一种优选的实施例中，请参照图11，深度特征提取网络包含三个改进的densenet网络，最后将三个网络输出特征进行连接，作为深度特征进行输出。
[0095]
在其他一些实施例中，请参照图12，图12为本发明中影像对象特征优化网络的网络结构示意图，影像对象特征优化网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层，第一卷积层和第二卷积层均为一维卷积层，第一池化层和第二池化层均为最大池化层；
[0096]
影像特征优化网络用于将影像对象特征输入至第一卷积层，将第一卷积层输出的特征图输入至第一池化层，将第一池化层输出的特征图输入至第二卷积层，将第二卷积层输出的特征图输入至第二池化层，将第二池化层输出的特征图输入至全连接层，得到优化后的影像对象特征。
[0097]
为了便于理解，基于本发明提出的矿区土地利用识别方法，提出一个示例性的实施例，将本发明实施在神东矿区具体包括以下步骤：
[0098]
a、制作矿区不同用地类型数据集
[0099]
a1、采集包含红、绿、蓝、近红外四个波段的高分一号矿区遥感影像数据并进行标注，标注的对象包括露天开采区、排土场、复垦区、建筑物、道路、植被、水体和裸土；
[0100]
a2、将样本数据随机分为训练数据和测试数据，将所有训练数据归集为训练数据集并存储，将所有测试数据归集为测试数据集并存储
[0101]
b、利用多尺度分割算法对遥感影像进行面向对象分割,提取对象的光谱、纹理和几何特征；
[0102]
b1.本发明采用多尺度分割算法(mrs)对遥感影像进行面向对象分割，需要对mrs算法的参数进行设置：尺度参数为50、形状因子为0.3、颜色因子为0.7，紧致度因子为0.5、平滑度因子为0.5。
[0103]
b2.提取影像对象的传统特征：光谱特征、纹理特征、几何特征三大类特征，光谱特征通常基于对象的像素灰度值计算得到，常见的包含以下几种:均值、亮度、标准差、比率、归一化植被指数(ndvi)、归一化水体指数(ndwi)；几何特征表示对象的几何特性，如对象长度、宽度、长宽比、面积、形状指数、密度以及对称性等。灰度在分布空间中按照特定规律反复出现即形成纹理，因此，纹理指在图像上间隔特定距离的两个像素之间存在的空间相关特性。常用基于灰度共生矩阵(glcm)统计得到的对象纹理特征包括:同质性、对比度、异质性、熵、角二阶矩、相关性、均值、方差、标准差等。总共包括89维特征。具体如下表1所示。光谱特征共有22个，由于均值(mean)、标准差(standard)、比率(ratio)以及偏斜度(skewness)均需对所有四个波段分别进行计算，因此，其特征数目均为4；纹理特征共有40
个，可以分为同质性(homogeneity)、对比度(contrast)、相关性(correlation)等8种，其中每种特征均基于近红外波段进行统计，分别基于所有方向、0
°
,45
°
,90
°
，135
°
。这五种角度进行计算，因此，每种特征下包含25个特征值；形状特征共有27种，主要包含:长、宽、面积、体积、紧致度、不对称性、形状指数以及主方向等。
[0104]
表1：影像对象特征
[0105][0106]
c、基于pytorch搭建分类算法模型，包括影像对象特征优化网络和改进的densenet深度特征提取网络。
[0107]
c1.搭建影像对象特征优化网络。对影像特征进行优化和降维，包括两个一维卷积层，两个池化层和一个全连接层，卷积核大小为3
×
1，池化采用最大池化；
[0108]
c2.基于pytorch搭建改进的densenet网络模型，对densenet模型进行改进，具体为：在densetnet中的db和tl层之间添加可变形卷积层，在可变形卷积层和tl之间添加注意力机制模块。本发明中densenet网络模型中包括四个db，第一个db包含六个cb，第二个db包含十二个cb，第三个db包含二十四个cb，最后一个db包含十六个cb。
[0109]
c3.为了实现影像对象的多尺度表达，深度特征提取网络包含三个改进的densenet网络，最后将三个网络输出特征进行连接，作为深度特征进行输出；
[0110]
c4.将c1与c2输出的特征进行连接处理，并进行卷积(卷积核大小为3
×
1)和全连
接处理，最后使用softmax进行分类结果的计算。
[0111]
d、利用训练集对网络模型进行训练
[0112]
d1.根据训练集样本获取训练用影像对象，将b2提取的影像对象特征输入影像对象特征优化网络；
[0113]
d2.以影像对象为重心，以8、16、32三个尺度分别裁剪影像patch，然后将三个影像patch分别输入到改进的densenet网络中，进行深度特征提取；
[0114]
d3.损失函数选用交叉熵，优化器选用adam。设置迭代训练次数epoch，进行多次迭代训练。每一次迭代训练，利用梯度下降算法降低模型损失值，同时优化并更新模型的参数(模型的参数是指神经网络中层与层之间连接的权重值)。
[0115]
其中，网络参数的设置如表2，服务器的配置如表3。
[0116]
表2网络参数设置
[0117][0118]
表3服务器配置
[0119][0120]
实验设定的epoch为100。实验采用iou、precision、recall、f1score四个分类评价指标检验模型精度。多次迭代训练之后选取精度最高的模型进行矿区土地利用识别。
[0121]
e、应用训练完成的网络模型进行矿区土地利用识别
[0122]
e1.将所有未分类影像对象输入到训练好的网络模型中，得到每个影像对象的类别信息，即完成了矿区用地类型的分类。利用测试数据集对分类结果进行精度评价。
[0123]
下面对本发明提供的矿区土地利用识别装置进行描述，下文描述的矿区土地利用识别装置与上文描述的矿区土地利用识别方法可相互对应参照。
[0124]
请参照图13，本发明还提供一种矿区土地利用识别装置，包括：
[0125]
面向对象分割模块1310，用于通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，并提取各影像对象的影像对象特征；
[0126]
影像对象特征优化模块1320，用于将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；
[0127]
深度特征提取模块1330，用于将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的densenet网络；
[0128]
类别识别模块1340，用于将所述优化后的影像对象特征和所述深度特征叠加后进
行类别识别，得到矿区用地类型分类结果。
[0129]
进一步地，所述改进的densenet网络包括将densenet网络中的db层和tl层添加dcn层；
[0130]
所述改进的densenet网络还包括在所述dcn层和所述tl层之间添加注意力机制模块。
[0131]
进一步地，所述注意力机制模块包括通道注意力模块和空间注意力模块；
[0132]
所述注意力机制模块用于将输入特征图输入至所述通道注意力模块得到通道注意力权值，再将所述输入特征图与所述通道注意力权值相乘得到通道维度上加强的特征信息，最后将所述特征信息输入至所述空间注意力模块，得到输出特征图。
[0133]
进一步地，所述深度特征提取网络包含多个改进的densenet网络；
[0134]
所述深度特征提取网络用于将输入图像分别输入至所述多个改进的densenet网络，并将所述多个改进的densenet网络输出的特征进行连接，得到深度特征。
[0135]
进一步地，所述影像对象特征优化网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层，所述第一卷积层和所述第二卷积层均为一维卷积层，所述第一池化层和所述第二池化层均为最大池化层；
[0136]
所述影像特征优化网络用于将所述影像对象特征输入至所述第一卷积层，将所述第一卷积层输出的特征图输入至所述第一池化层，将所述第一池化层输出的特征图输入至所述第二卷积层，将所述第二卷积层输出的特征图输入至所述第二池化层，将所述第二池化层输出的特征图输入至所述全连接层，得到优化后的影像对象特征。
[0137]
进一步地，影像对象特征包括光谱特征、纹理特征和几何特征。
[0138]
图14示例了一种电子设备的实体结构示意图，如图14所示，该电子设备可以包括：处理器(processor)1410、通信接口(communications interface)1420、存储器(memory)1430和通信总线1440，其中，处理器1410，通信接口1420，存储器1430通过通信总线1440完成相互间的通信。处理器1410可以调用存储器1430中的逻辑指令，以执行矿区土地利用识别方法，该方法包括：通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，并提取各影像对象的影像对象特征；将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的densenet网络；将所述优化后的影像对象特征和所述深度特征叠加后进行类别识别，得到矿区用地类型分类结果。
[0139]
此外，上述的存储器1430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0140]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机
程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的矿区土地利用识别方法，该方法包括：通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，并提取各影像对象的影像对象特征；将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的densenet网络；将所述优化后的影像对象特征和所述深度特征叠加后进行类别识别，得到矿区用地类型分类结果。
[0141]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的矿区土地利用识别方法，该方法包括：通过多尺度分割算法对待识别遥感影像进行面向对象分割，得到影像对象单元，并提取各影像对象的影像对象特征；将所述影像对象特征输入至影像对象特征优化网络，得到所述影像对象特征优化网络输出的优化后的影像对象特征；将所述影像对象单元输入至深度特征提取网络，得到所述深度特征提取网络输出的提取各影像对象的深度特征，其中，所述深度特征提取网络为改进的densenet网络；将所述优化后的影像对象特征和所述深度特征叠加后进行类别识别，得到矿区用地类型分类结果。
[0142]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0143]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0144]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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技术方案的精神和范围。