(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211323367.8 (22)申请日 2022.10.27 (71)申请人 南京市测绘勘察研究院股份有限公 司 地址 210019 江苏省南京市 建邺区创意路 88号 (72)发明人 林聪　聂翔宇　张伟　傅俊豪　 胡泽周　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 戴朝荣 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 20/10(2022.01) (54)发明名称 一种多特征协同的高分影像耕地作物类型 分类方法 (57)摘要 本发明公开了一种多特征协同的高分影像 耕地作物类型分类方法， 包括： 将数学形态学、 扩 展属性剖面和灰度共生矩 阵在内的三种浅层特 征提取方法作用于遥感影像的每个波段， 分别获 取遥感影像的形态浅层特征、 属性浅层特征和纹 理浅层特征； 构建高分影像耕地作物分类模型， 将获取遥感影像的形态浅层特征、 属性浅层特征 和纹理浅层特征输入高分影像耕地作物分类模 型中进行训练， 直至达到最大迭代次数， 完成对 高分影像耕地作物分类模型的训练； 将遥感影像 未标记区域输入到训练好的高分影像耕地作物 分类模型中， 输出耕地作物所属类型的概率， 以 概率最大的类型作为耕地作物类型。 相比于传统 的基于单类特征输入的深度学习模 型， 本发明方 法的分类精度高。 权利要求书2页 说明书7页 附图3页 CN 115482420 A 2022.12.16 CN 115482420 A 1.一种多特征协同的高分影像耕地作物类型分类方法， 其特征在于， 具体包括以下步 骤： 步骤1、 收集遥感影像并对某区域的耕地作物类型进行人工标注， 将数学形态学、 扩展 属性剖面和灰度共生矩阵在内的三种浅层特征提取方法作用于遥感影像的每个波段， 分别 获取遥感影 像的形态浅层特 征、 属性浅层特 征和纹理浅层特 征； 步骤2、 构建高分影像耕地作物分类模型， 所述高分影像耕地作物分类模型包括依次连 接的第一线性映射层、 多尺度特征提取模块、 通道注意力模块、 空间注意力模块、 第二线性 映射层、 深度特 征融合模块和多层感知机； 步骤3、 将 获取遥感影像的形态浅层特征、 属性浅层特征和纹理浅层特征输入高分影像 耕地作物分类模型中进行训练， 直至达到最大迭代 次数， 完成对高分影像耕地作物分类模 型的训练； 步骤4、 将遥感影像未标记区域输入到训练好的高分影像耕地作物分类模型中， 输出耕 地作物所属类型的概 率， 以概率最大的类型作为耕地作物类型。 2.根据权利要求1所述的一种多特征协同的高分影像耕地作物类型分类方法， 其特征 在于， 所述形态浅层特征获取时， 将空间窗口W设置为7 ×7； 所述邻域特征提取时， 面积阈值 λa设置为150， 对角线长度阈值λd设置为150， 标准差阈值λs设置为20； 所述纹理特征提取时， 空间窗口W设置为7 ×7， 偏移距离(a,b)设置为(2,2)。 3.根据权利要求1所述的一种多特征协同的高分影像耕地作物类型分类方法， 其特征 在于， 所述第一线性映射层、 第二线性映射层均为卷积核大小为1 ×1、 步距为1的2D卷积层。 4.根据权利要求1所述的一种多特征协同的高分影像耕地作物类型分类方法， 其特征 在于， 所述多尺度特征提取模块由三个并行 的空间特征提取层组成， 每个空间特征提取层 均由2D卷积层、 GroupNorm标准化和ReLU激活函数组成； 其中， 三个2D卷积层的卷积核大小 分别为3×3、 5×5和7×7， 步距为1。 5.根据权利要求1所述的一种多特征协同的高分影像耕地作物类型分类方法， 其特征 在于， 所述深度特征融合模块包括： 第一特征层、 第二特征层、 第三特征层、 第四特征层、 第 一下采样层、 第二下采样层、 第三下采样层、 第四下采样层， 所述第一特征层分别与第一下 采样层、 第二特征层连接， 第一下采样层与第三特征层连接； 所述第二特征层与第二下采样 层连接， 所述第二下采样层与第四特征层连接； 所述第三特征层与第三下采样层连接， 所述 第四特征层与第四下采样层连接， 所述第三下采样层、 第四下采样层连接 。 6.根据权利要求5所述的一种多特征协同的高分影像耕地作物类型分类方法， 其特征 在于， 所述第一特征层、 第二特征层、 第三特征层、 第四特征层均由2D卷积层、 GroupNorm标 准化和ReLU激活函数组成， 所述第一下采样层、 第二下采样层均为平均池化层Avg ‑ Pooling， 第三下采样层、 第四下采样层均为最大池化层Max ‑Pooling； 所述第一特征层、 第 四特征层的2D卷积层的卷积核大小均为3 ×3， 步距为1； 所述第二特征层、 第三特征层的2D 卷积层的卷积核大小均为5 ×5， 步距为1； 所述第一下采样层、 第二下采样层、 第三下采样 层、 第四下采样层的池化核大小为2 ×2， 步距为2。 7.根据权利要求1所述的一种多特征协同的高分影像耕地作物类型分类方法， 其特征 在于， 所述多层感知机模块由多个全连接层和ReLU激活函数构成， 最后一个全连接层的神 经元个数等于耕地物类别数， 并将最后一层的输出结果经过Softmax函数， 输出结果满足和权　利　要　求　书 1/2 页 2 CN 115482420 A 2为1的概率分布。 8.根据权利要求1所述的一种多特征协同的高分影像耕地作物类型分类方法， 其特征 在于， 步骤3包括如下子步骤： 步骤3.1、 将步骤1中获取影像的形态浅层特征、 属性浅层特征和纹理浅层特征通过第 一线性映射层线性映射到相同的通道维度； 步骤3.2、 将步骤3.1中经过线性映射后的每一类浅层特征通过多尺度特征提取模块提 取多尺度空间特征， 并按照通道维度将提取的多尺度空间特征和经过线性映射后的每一类 浅层特征进行叠加， 得到高维特 征； 步骤3.3、 将高维特征先经过通道注意力模块进行通道维度 上的加权， 捕获关键信息的 通道， 再经过 空间注意力模块进 行空间维度上的加权， 捕获关键信息的空间位置， 得到优化 特征； 步骤3.4、 将优化特征输入第二线性映射层中进行线性映射， 将优化特征映射到低维空 间， 得到低维特 征； 步骤3.5、 将低维特 征输入到深度特 征融合模块中进行融合， 得到语义特 征； 步骤3.6、 将语义特征展开为一维向量， 输入多层感知机中， 得到耕地作物的类型概率， 以概率最大的类型作为耕地作物类型； 步骤3.7、 重复步骤3.1 ‑3.6， 直至达到最大迭代次数， 完成对高分影像耕地作物分类模 型的训练。 9.根据权利要求1或8所述的一种 多特征协同的高分影像耕地作物类型分类方法， 其特 征在于， 所述高分影像耕地作物分类模型在训练过程中设置的参数包括： 优化器设置为 Adam， 批量 大小BatchSize设置为32， 最大迭代次数设置为100， 学习率lr设置为10‑4， 损失函 数为交叉熵损失Cros sEntropy Loss。权　利　要　求　书 2/2 页 3 CN 115482420 A 3