一种基于深度网络和集成学习的遥感地物信息提取方法与流程

1.本发明涉及遥感地物信息提取技术领域，具体涉及一种基于深度网络和集成学习的遥感地物信息提取方法。


背景技术：

2.随着遥感技术的不断发展，遥感影像由最初的全色(黑白)影像到多光谱(彩色)影像，再到如今的高光谱影像，其空间分辨率和时间分辨率也在逐步提高。尤其是高分辨力遥感卫星，其空间分辨率越来越高，对地物信息细节的表达能力相应得到提高。
3.但是，由于遥感地物的复杂性和差异性，传统的遥感信息提取方法在高分辨率遥感影像提取中面临许多的挑战。如城市不透水面的提取，传统的研究方法主要分为指数法、影像分类法。对于指数法，一般采用波段运算，突出城市不透水面波段，以此提取城市不透水面；影像分类法，则是采用监督分类方法，通过选取不透水面样本，然后选取相应算法进行分类，提取城市不透水面。但是以上两种方法对于高分辨率遥感影像的城市不透水面提取精度和准确度相对较低，对于复杂的城市不透水面地区，其提取精度较差。


技术实现要素：

4.本发明的目的在于提供一种基于深度网络和集成学习的遥感地物信息提取方法，该方法可有效提高遥感地物信息的提取精度和准确度。
5.为实现上述目的，本发明采用以下技术方案：
6.一种基于深度网络和集成学习的遥感地物信息提取方法，包括以下步骤：
7.s1、数据处理：获取遥感卫星影像并对其进行预处理，再获取样本数据并对其进行预处理；
8.s2、模型构建：分别构建u-net深度网络和stacking集成学习，再将u-net深度网络和stacking集成学习经耦合，构建得到耦合模型；
9.s3、最优模型训练：通过构建好的u-net深度学习网络，以及经过预处理后的样本数据，进行最优参数的训练；
10.s4、最优模型预测：通过载入已保存的最优模型，利用stacking集成学习对测试影像进行非渗透表面信息的提取。
11.优选地，步骤s1中遥感卫星影像的预处理过程为：
12.s11、对获取的遥感卫星影像进行大气校正，获取校正后的各个波段；
13.s12、采用snap遥感软件进行遥感卫星影像的重采样，将所有的遥感影像波段采样到所需分辨率，并将重采样后的影像波段存储为envi格式；
14.s13、将snap遥感软件保存出的envi格式影像波段载入到envi遥感软件的界面中，通过envi工具箱中的layer stacking工具，对载入的影像波段进行波段融合，融合为一个涵盖13个波段的envi格式遥感影像；
15.s14、将融合后的遥感影像进行输出保存，作为遥感数据。
16.优选地，步骤s1中样本数据包括遥感数据和标签数据；所述遥感数据由遥感卫星影像经预处理获得；所述标签数据是通过下载土地利用的分类数据，经处理只保留了不透水面标签，以此作为遥感数据对应的标签数据；所述样本数据的预处理包括数据的增广、数据的归一化以及数据的裁剪。
17.优选地，步骤s2中所述u-net深度网络采用卷积层、池化层进行特征提取，再采用反卷积层还原影像尺度，同时融合了编码-解码结构和跳跃网络的特点；所述u-net深度网络在编码过程，构建5层，每层包含2个卷积层，2个批标准化层和1个最大池化层；所述u-net深度网络在解码过程，构建4层，每层包含4个卷积层，1个dropout层防止过拟合，1个上采样层，以及1个融合层组成。
18.优选地，步骤s2中u-net深度网络的编码过程具体为：
19.s21、输入数据后，经过第一个卷积层，通过32个3*3大小的卷积核对影像进行提取特征；
20.s22、通过批标准化层对提取的特征进行特征标准化；
21.s23、再进行卷积，获取更多深层次的影像特征；
22.s24、进行二次卷积后，再次进行二次标准化；
23.s25、通过最大池化层，进行特征降维，并且最大程度的将显著特征信息进行保留；
24.步骤s2中u-net深度网络的解码过程具体为：
25.s26、将编码过程中最后一层的影像特征，通过上采样方法，将影像特征图进行放大；
26.s27、将放大后的影像特征图与对应编码层影像特征，通过concatenate方法进行影像特征的融合；
27.s28、通过dropout方法进行防止过拟合；
28.s29、通过两层卷积层提取更深层次的影像特征，得到深层次语义特征数据。
29.优选地，步骤s2中所述stacking集成学习利用初始训练数据集，训练出初级学习器作为基分类器，再将基分类器的预测结果作为新的特征数据集，训练次级分类器。
30.优选地，步骤s2中耦合模型的构建过程为：在u-net深度网络与stacking集成学习基础上，利用python编写数据的存取以及数据处理程序，通过对深层次空间信息的保存和读取，以及对其进行数据处理，使数据能够输入到stacking集成学习中进行训练提取，以此完成模型之间的耦合。
31.优选地，步骤s3的具体过程为：将预处理后的样本数据，输入到u-net深度网络模型中，进行模型的训练；u-net深度网络模型具体分了三轮训练，每轮训练35回，每回训练次数为32次，期间根据模型训练的loss值，以最低训练loss值和最高测试准确度为基准，选取训练模型参数，获取最优参数进行保存。
32.优选地，步骤s4中stacking集成学习的提取过程为：通过对测试影像逐个像素的预测，判断每个像元是否为非渗透表面，最后将判断的影像进行输出，获取影像结果。
33.采用上述技术方案后，本发明具有如下有益效果：本发明耦合u-net深度网络与stacking集成学习，通过深度网络提取遥感影像深层次语义特征信息，利用集成学习的方法对遥感影像深层次语义特征进行训练，选取最优模型进行非渗透表面信息提取。此方法综合了深度学习和集成学习各自的优点，即在数据提取方面，充分利用深度网络对影像数
据深层次空间信息的敏感性，综合利用遥感影像的空间特征，进行相应的池化、下采样等操作，以此获取遥感影像深层次空间信息特征，遥感影像数据的空间特征得到充分利用，再通过集成学习的方法提高整体的非渗透表面信息提取精度。
附图说明
34.图1为本发明的耦合模型的结构示意图；
35.图2为本发明的u-net深度网络的结构示意图；
36.图3为本发明的样本示意图；
37.图4为本发明采用耦合模型的提取结果图；
38.图5为本发明单独采用u-net深度网络的提取结果图；
39.图6为本发明单独采用stacking集成学习的提取结果图。
具体实施方式
40.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
41.如图1至图6所示，一种基于深度网络和集成学习的遥感地物信息提取方法，其特征在于，包括以下步骤：
42.s1、数据处理：获取遥感卫星影像并对其进行预处理，再获取样本数据并对其进行预处理；本实施例中的遥感卫星影像为从哨兵二号数据中获取的高分辨率遥感卫星影像，其空间分辨率为10m，通过欧空局官网获取；
43.步骤s1中遥感卫星影像的预处理过程为：
44.s11、对获取的遥感卫星影像进行大气校正，获取校正后的各个波段；
45.s12、采用snap遥感软件进行遥感卫星影像的重采样，将所有的遥感影像波段采样到10m分辨率，并将重采样后的影像波段存储为envi格式；
46.s13、将snap遥感软件保存出的envi格式影像波段载入到envi遥感软件的界面中，通过envi工具箱中的layer stacking工具，对载入的影像波段进行波段融合，融合为一个涵盖13个波段的envi格式遥感影像；
47.s14、将融合后的遥感影像进行输出保存，作为遥感数据；
48.步骤s1中样本数据包括遥感数据和标签数据；所述遥感数据由遥感卫星影像经预处理获得；所述标签数据是通过下载土地利用的分类数据，经处理只保留了不透水面标签，以此作为遥感数据对应的标签数据；所述样本数据的预处理包括数据的增广、数据的归一化以及数据的裁剪；本实施例中的标签数据是通过下载2017年厦门市土地利用的分类数据，经处理只保留了不透水面标签，以此作为遥感数据对应的标签数据
49.s2、模型构建：分别构建u-net深度网络和stacking集成学习，再将u-net深度网络和stacking集成学习经耦合，构建得到耦合模型；
50.步骤s2中所述u-net深度网络采用卷积层、池化层进行特征提取，再采用反卷积层还原影像尺度，同时融合了编码-解码结构和跳跃网络的特点；所述u-net深度网络在编码过程，构建5层，每层包含2个卷积层，2个批标准化层和1个最大池化层；所述u-net深度网络
在解码过程，构建4层，每层包含4个卷积层，1个dropout层防止过拟合，1个上采样层，以及1个融合层组成；
51.步骤s2中u-net深度网络的编码过程具体为：
52.s21、输入数据后，经过第一个卷积层，通过32个3*3大小的卷积核对影像进行提取特征；
53.s22、通过批标准化层对提取的特征进行特征标准化，以提高训练速度和收敛速度；
54.s23、再进行卷积，获取更多深层次的影像特征，以提高训练精度；
55.s24、进行二次卷积后，再次进行二次标准化，以提高训练速度和收敛速度；
56.s25、通过最大池化层，进行特征降维，并且最大程度的将显著特征信息进行保留，以增强特征的平移不变性，同时减少下一层特征图的输入大小和参数的数量，从而大大提高模型的计算速度，并且防止过拟合，提高模型泛化能力；
57.步骤s2中u-net深度网络的解码过程具体为：
58.s26、将编码过程中最后一层的影像特征，通过上采样方法，将影像特征图进行放大；
59.s27、将放大后的影像特征图与对应编码层影像特征，通过concatenate方法进行影像特征的融合；
60.s28、通过dropout方法进行防止过拟合，一定程度上达到正则化的效果；
61.s29、通过两层卷积层提取更深层次的影像特征，得到深层次语义特征数据，以提高其模型训练的精度；
62.步骤s2中所述stacking集成学习利用初始训练数据集，训练出初级学习器作为基分类器，再将基分类器的预测结果作为新的特征数据集，训练次级分类器；
63.步骤s2中耦合模型的构建过程为：在u-net深度网络与stacking集成学习基础上，利用python编写数据的存取以及数据处理程序，通过对深层次空间信息的保存和读取，以及对其进行数据处理，使数据能够输入到stacking集成学习中进行训练提取，以此完成模型之间的耦合；
64.s3、最优模型训练：通过构建好的u-net深度学习网络，以及经过预处理后的样本数据，进行最优参数的训练；
65.步骤s3的具体过程为：将预处理后的样本数据，输入到u-net深度网络模型中，进行模型的训练；u-net深度网络模型具体分了三轮训练，每轮训练35回，每回训练次数为32次，期间根据模型训练的loss值，以最低训练loss值和最高测试准确度为基准，选取训练模型参数，获取最优参数进行保存；
66.s4、最优模型预测：通过载入已保存的最优模型，利用stacking集成学习对测试影像进行非渗透表面信息的提取；
67.步骤s4中stacking集成学习的提取过程为：通过对测试影像逐个像素的预测，判断每个像元是否为非渗透表面，最后将判断的影像进行输出，获取影像结果。
68.提取测试：
69.采用本发明的耦合模型、u-net深度网络、stacking集成学习，分别对遥感卫星影像进行提取，由图4-6可知，本发明的耦合模型相比于单个的u-net深度网络、stacking集成
学习，其提取效果相对较好，细节相对清晰，与标注影像相差较少，可有效提高遥感地物信息的提取精度和准确度。
70.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。