【技術實現步驟摘要】
本專利技術涉及遙感圖像處理，尤其是一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法。
技術介紹
1、土地覆被數據是廣泛的地球科學應用的重要輸入數據，從遙感圖像中提取土地覆被信息是一種高效且被廣泛采用的方法。由于傳感器的限制，中低分辨率遙感影像中包含多種土地覆被類型的混合像素，給基于像素的分類帶來了挑戰。超分辨率制圖技術(也稱亞像元制圖或亞像元定位)是一種解決傳統硬分類和軟分類中混合像元問題的主流方法(atkinson,1997)，spm將每個像素劃分為子像素，在土地覆蓋類型面積比例不變的情況下，為每個混合像元內的子像素分配土地覆蓋類型。而傳統的硬分類為每個像元分配一個單一的土地覆蓋類型，導致混合像元的表達不準確；軟分類方法可給出每類土地覆蓋類型的分數圖，但無法明確像元內土地覆蓋類型的空間分布。相比之下，超分辨率制圖是在軟分類提供的像元級類別比例約束下獲得混合像元內部各亞像元的硬分類結果，從而能有效結合兩者的優勢，對混合像元進行深層次的挖掘，實現混合像元內部地物精細準確的表達，以提供更豐富的地物分類細節信息(chen?et?al.,2015；ge?et?al.,2009；mertens?et?al.,2006)。
2、子像素映射(spm)又稱超分辨率映射，是解決傳統硬分類和軟分類中混合像素問題的主流方法，spm方法主要分為四類：(1)基于空間依賴性的spm方法；(2)基于地統計先驗的spm方法；(3)基于空間正則化的spm方法；(4)基于輔助數據的spm方法(wang?et?al.,2022)。前三種方法主要從低
3、近年來，隨著深度學習技術的快速發展，出現了許多基于深度學習的spm方法，以數據為驅動，利用網絡端到端映射和特征表達能力，從訓練樣本中學習復雜的土地覆蓋空間分布關系(ma?et?al.,2020；zhang?et?al.,2023；zhang?et?al.,2021；he?et?al.,2023；wang?et?al.,2019)，這類方法存在的空間細節特征被堆積卷積層模糊和輔助數據(如歷史時期的高分辨率土地覆蓋分類圖)沒有得到充分利用的問題仍有待解決。
技術實現思路
1、本專利技術所要解決的技術問題是克服現有亞像元映射技術的不足而提供一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，該方法基于傳統模型驅動的時空亞像元映射的方法，聯合超分辨率重建與語義分割的低分影像到高分土地覆蓋類別概率的映射，利用目標區域歷史高分辨率土地覆蓋類別圖作為輔助信息，對比歷史時期和目標時期的低分影像的類型信息區分出變化和未變化的類別，構建基于變化檢測的融合歷史高分辨率土地覆蓋分類圖和預測的高分類別概率圖的亞像元類別分配優化模型，得到目標區域目標時期的高分辨率土地覆蓋分類圖。
2、為解決上述技術問題，本專利技術采用如下技術方案：
3、一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，該方法包括以下步驟：
4、步驟1、獲取目標區域歷史時期的低分辨率遙感影像、高分辨率遙感影像、高分辨率土地覆蓋分類圖，對所述遙感影像進行預處理和輻射歸一化處理；
5、步驟2、構建由超分辨率對抗網絡srgan結構和munet網絡結構串聯而成的stspmnet模型結構；所述srgan結構包括生成器網絡結構和判別器網絡結構，所述munet網絡結構為加入了空洞空間金字塔池化模塊assp的unet網絡結構；
6、步驟3：對經步驟1處理的遙感影像及高分辨率土地覆蓋分類圖按預設尺寸進行裁剪，獲得各低分辨率遙感影像圖像塊、各相應的高分辨率遙感影像圖像塊、高分辨率土地覆蓋分類圖像塊，以相應位置上的各圖像塊構成樣本，進而構成樣本集；以各低分辨率影像圖像塊、高分辨率土地覆蓋分類圖像塊為srgan結構的生成器網絡結構的輸入，以各相應的高分辨率遙感影像圖像塊為srgan結構的判別器網絡結構的輸入，以srgan結構輸出的相應的結合了土地覆蓋類別信息的各高分辨遙感影響圖像塊為munet網絡結構的輸入，以各相應的高分辨率土地覆蓋類別概率圖像塊為munet網絡結構的輸出，對stspmnet模型結構進行訓練，訓練后的srgan生成器網絡模型和munet網絡模型組成深度時空超分辨率制圖模型；
7、步驟4、以目標區域目標時期低分辨率遙感影像的各圖像塊為輸入，應用深度時空超分辨率制圖模型，獲得對應的高分辨率土地覆蓋類別概率圖像塊，將獲得的各高分辨率土地覆蓋類別概率圖像塊按地理坐標進行拼接，得到目標區域目標時期的高分辨率土地覆蓋類別概率圖；
8、步驟5、比較目標區域歷史時期和目標時期的低分辨率遙感影像中每個像元中的土地覆蓋類別，計算對應各像元中各土地覆蓋類別的類別分數，得到各像元中各土地覆蓋類別的類別分數隨時間變化的信息，稱為變化檢測約束信息；
9、步驟6、構建基于變化檢測約束信息的亞像元類別分配優化模型，所述亞像元類別分配優化模型結合目標區域歷史時期的高分辨率土地覆蓋分類圖，對目標區域目標時期的高分辨率土地覆蓋類別概率圖的各像元的土地覆蓋類別進行分配，獲得目標區域目標時期的高分辨率土地覆蓋分類圖。
10、進一步，所述srgan結構的生成器網絡結構由一個卷積層和prelu激活層構成的淺層特征提取層、由16個殘差模塊組成的深層特征提取層、負責上采樣的亞像素卷積層和重建層組成；所述判別器網絡結構由一個卷積層和prelu激活層構成的淺層特征提取層、7個由卷積層、批歸一化層(bn)、lrelu激活層構成的模塊組成的深層特征提取層、平均池化層、全連接層和sigmoid激活層組成；
11、所述munet網絡結構包括編碼器、解碼器，所述編碼器包括三個下采樣操作模塊和一個assp模塊；所述解碼器包括四個上采樣操作模塊，并使用跳躍連接將下采樣模塊得到的特征與上采樣過程中得到的相同尺寸特征圖的特征進行充分融合。
12、進一步，所述munet網絡結構的編碼器的下采樣操作模塊由一個卷積層、一個批歸一化層、一個relu激活層、一個最大池化層組成；所述assp模塊是由空洞率為1、6、12、18的四個空洞卷積組成的并行處理模塊；所述解碼器的上采樣操作模塊由一個卷積層、一個批歸一化層、一個relu激活層和一個通過插值進行上采樣的上采樣層組成。
13、進一步，srgan結構的生成器網絡結構進行超分辨率重建的數學表達式為：
14、hsr＝g(y)
15、其中，g()表示srgan結構的生成器網絡結構，hsr為輸入的低分辨率遙感影像經生成器網絡結構生成的超分辨率圖像；
16、所述srgan結構的判別器網絡結構區分生成器網絡結本文檔來自技高網...
【技術保護點】
1.一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，所述SRGAN結構的生成器網絡結構由一個卷積層和PReLU激活層構成的淺層特征提取層、由16個殘差模塊組成的深層特征提取層、負責上采樣的亞像素卷積層和重建層組成；所述判別器網絡結構由一個卷積層和PReLU激活層構成的淺層特征提取層、7個由卷積層、批歸一化層(BN)、LReLU激活層構成的模塊組成的深層特征提取層、平均池化層、全連接層和Sigmoid激活層組成；
3.根據權利要求2所述的一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，所述MUNet網絡結構的編碼器的下采樣操作模塊由一個卷積層、一個批歸一化層、一個ReLU激活層、一個最大池化層組成；所述ASSP模塊是由空洞率為1、6、12、18的四個空洞卷積層組成的并行處理模塊；所述解碼器的上采樣操作模塊由一個卷積層、一個批歸一化層、一個ReLU激活層和一個通過插值進行上采樣的上采樣層組成。
4
5.根據權利要求3所述的一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，所述步驟2中MUNet網絡結構可對輸入的特征圖進行多尺度特征提取，計算公式表示如下：
6.根據權利要求1所述的一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，所述步驟3中對STSPMNet模型結構進行訓練時采用如下損失函數：
7.根據權利要求1所述的一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，所述步驟6中亞像元類別分配優化模型采用最大值準則：
...【技術特征摘要】
1.一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，所述srgan結構的生成器網絡結構由一個卷積層和prelu激活層構成的淺層特征提取層、由16個殘差模塊組成的深層特征提取層、負責上采樣的亞像素卷積層和重建層組成；所述判別器網絡結構由一個卷積層和prelu激活層構成的淺層特征提取層、7個由卷積層、批歸一化層(bn)、lrelu激活層構成的模塊組成的深層特征提取層、平均池化層、全連接層和sigmoid激活層組成；
3.根據權利要求2所述的一種融合歷史高分土地覆蓋數據的深度時空超分辨率制圖方法，其特征在于，所述munet網絡結構的編碼器的下采樣操作模塊由一個卷積層、一個批歸一化層、一個relu激活層、一個最大池化層組成；所述assp模塊是由空洞率為1、6、12、18的四個空洞卷...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。