本技術涉及土地利用分類，尤其涉及一種基于多波段遙感影像的土地利用類型分類方法、系統(tǒng)及設備。

背景技術：

1、土地利用分類能夠更好的利用土地，實現(xiàn)土地的最大價值，土地利用分類多用在城市規(guī)劃、環(huán)境評價等方面。因此，準確的土地利用分類識別具有非常重要的意義。隨著我國科技的不斷發(fā)展，遙感影像逐步取代人為測繪數(shù)據(jù)，高分辨率的遙感影像因其蘊含豐富的地物信息在土地利用分類中的應用也越來越廣泛。

2、現(xiàn)有技術雖然將深度學習技術應用到遙感影像的土地分類任務中取得了較好的效果，但是依然存在許多不足。具體而言，現(xiàn)有技術主要是基于u-net對高分辨率遙感影像進行土地利用信息提取，然而，現(xiàn)有的u-net網(wǎng)絡接受的分類對象是圖片，對遙感影像的通道的信息有較大限制，即限制了遙感影像的波段數(shù)，只能輸入固定的波段會使遙感影像的信息有所缺失，特別是在面對多分類任務的情況下，會降低分類的精度。

技術實現(xiàn)思路

1、本技術提供了一種基于多波段遙感影像的土地利用類型分類方法、系統(tǒng)及設備，實現(xiàn)了遙感影像的多波段特征提取和整合解譯結果，對多波段遙感影像的波段數(shù)不做限制，能適用于任何多波段數(shù)或多通道數(shù)的遙感影像，提高土地利用分類的精度和效率，解決了現(xiàn)有的基于深度學習技術的土地利用分類技術所存在的無法適應多波段遙感影像、遙感影像信息缺失以及分類精度低等問題。

2、第一方面，本技術提供了一種基于多波段遙感影像的土地利用類型分類方法，包括：

3、獲取目標土地的遙感影像數(shù)據(jù)，所述遙感影像數(shù)據(jù)包含多波段遙感影像；

4、根據(jù)所述多波段遙感影像進行裁剪處理，得到所述多波段遙感影像對應的瓦片圖像集，所述瓦片圖像集包含至少兩個瓦片圖像；

5、依據(jù)每一個所述瓦片圖像進行數(shù)據(jù)轉換，得到帶有多維度特征的張量格式數(shù)據(jù)；

6、通過預設的整合分類模型對所述張量格式數(shù)據(jù)進行影像解譯，得到所述張量格式數(shù)據(jù)對應的張量格式分類結果；

7、依據(jù)所述張量格式分類結果進行數(shù)據(jù)整合，得到所述目標土地的土地利用類型分類結果。

8、可選的，所述根據(jù)所述多波段遙感影像進行裁剪處理，得到所述多波段遙感影像對應的瓦片圖像集，包括：

9、獲取預設的裁剪規(guī)則；

10、按照所述裁剪規(guī)則，對所述多波段遙感影像進行圖像裁剪，得到至少兩個同分辨率的瓦片圖像。

11、可選的，所述依據(jù)每一個所述瓦片圖像進行數(shù)據(jù)轉換，得到帶有多維度特征的張量格式數(shù)據(jù)，包括：

12、確定所述多波段遙感影像的每一個波段；

13、針對每一個波段，對所述瓦片圖像進行矩陣轉換，得到所述瓦片圖像中每一個波段對應的數(shù)值矩陣；

14、基于所述數(shù)值矩陣進行張量格式轉換，得到帶有多維度特征的張量格式數(shù)據(jù)。

15、可選的，所述通過預設的整合分類模型對所述張量格式數(shù)據(jù)進行影像解譯，得到所述張量格式數(shù)據(jù)對應的張量格式分類結果，包括：

16、通過所述整合分類模型對所述張量格式數(shù)據(jù)進行主干特征提取，得到融合特征數(shù)據(jù)；

17、根據(jù)所述融合特征數(shù)據(jù)進行分類解譯，得到張量格式分類結果。

18、可選的，所述通過所述整合分類模型對所述張量格式數(shù)據(jù)進行主干特征提取，得到融合特征數(shù)據(jù)，包括：

19、基于所述多波段遙感影像的波段數(shù)，確定通道卷積數(shù)；

20、基于所述通道卷積數(shù)，通過所述整合分類模型對所述張量格式數(shù)據(jù)進行卷積，得到所述通道卷積數(shù)對應的有效特征層；

21、根據(jù)所述有效特征層進行采樣堆疊，得到融合特征數(shù)據(jù)。

22、可選的，所述依據(jù)所述張量格式分類結果進行數(shù)據(jù)整合，得到所述目標土地的土地利用類型分類結果，包括：

23、根據(jù)所述張量格式分類結果進行圖像轉換，得到目標格式瓦片圖像；

24、基于所述目標格式瓦片圖像進行圖像拼接，得到所述目標土地的分類結果圖，以作為所述土地利用類型分類結果。

25、可選的，通過預設的整合分類模型對所述張量格式數(shù)據(jù)進行影像解譯之前，還包括：

26、獲取樣本區(qū)域的原始遙感影像；

27、基于所述原始遙感影像進行波段預處理，得到多波段遙感影像樣本和樣本標簽；

28、根據(jù)所述樣本標簽對所述多波段遙感影像樣本進行裁剪增強，得到帶有多波段特征的瓦片樣本標簽數(shù)據(jù)集，所述瓦片樣本標簽數(shù)據(jù)集包含樣本標簽文件和所述樣本標簽文件一一對應的遙感裁剪影像樣本；

29、基于所述瓦片樣本標簽數(shù)據(jù)集進行數(shù)據(jù)轉換，得到帶有多維度特征的樣本張量格式數(shù)據(jù)和樣本測試數(shù)據(jù)；

30、依據(jù)所述樣本張量格式數(shù)據(jù)進行模型訓練，得到所述整合分類模型；

31、基于所述樣本測試數(shù)據(jù)對所述整合分類模型進行分割測試，直到所述整合分類模型收斂。

32、可選的，所述依據(jù)所述樣本張量格式數(shù)據(jù)進行模型訓練，得到所述整合分類模型，包括：

33、構建第一初始模型和第二初始模型；

34、通過所述第一初始模型對所述樣本張量格式數(shù)據(jù)進行卷積訓練，得到所述樣本張量格式數(shù)據(jù)對應通道數(shù)的有效特征層樣本和目標特征提取模型；

35、基于所述有效特征層樣本對所述第二初始模型進行解譯訓練，得到目標分割模型；

36、根據(jù)所述目標特征提取模型和所述目標分割模型進行模型整合，得到所述整合分類模型。

37、第二方面，本技術提供了一種基于多波段遙感影像的土地利用類型分類系統(tǒng)，包括：

38、多波段遙感影像數(shù)據(jù)獲取模塊，用于獲取目標土地的遙感影像數(shù)據(jù)，所述遙感影像數(shù)據(jù)包含多波段遙感影像；

39、裁剪處理模塊，用于根據(jù)所述多波段遙感影像進行裁剪處理，得到所述多波段遙感影像對應的瓦片圖像集，所述瓦片圖像集包含至少兩個瓦片圖像；

40、數(shù)據(jù)轉換模塊，用于依據(jù)每一個所述瓦片圖像進行數(shù)據(jù)轉換，得到帶有多維度特征的張量格式數(shù)據(jù)；

41、影像解譯模塊，用于通過預設的整合分類模型對所述張量格式數(shù)據(jù)進行影像解譯，得到所述張量格式數(shù)據(jù)對應的張量格式分類結果；

42、數(shù)據(jù)整合模塊，用于依據(jù)所述張量格式分類結果進行數(shù)據(jù)整合，得到所述目標土地的土地利用類型分類結果。

43、第三方面，本技術提供了一種電子設備，包括處理器、通信接口、存儲器和通信總線，其中，處理器，通信接口，存儲器通過通信總線完成相互間的通信；

44、存儲器，用于存放計算機程序；

45、處理器，用于執(zhí)行存儲器上所存放的程序時，實現(xiàn)如第一方面任一項實施例所述的基于多波段遙感影像的土地利用類型分類方法的步驟。

46、綜上，本技術實施例通過獲取目標土地的多波段遙感影像，以根據(jù)多波段遙感影像進行裁剪處理，得到多波段遙感影像對應的瓦片圖像集，瓦片圖像集包含至少兩個瓦片圖像，隨后依據(jù)每一個瓦片圖像進行數(shù)據(jù)轉換，得到帶有多維度特征的張量格式數(shù)據(jù)，通過預設的整合分類模型對張量格式數(shù)據(jù)進行影像解譯，得到張量格式數(shù)據(jù)對應的張量格式分類結果，進而依據(jù)張量格式分類結果進行數(shù)據(jù)整合，得到目標土地的土地利用類型分類結果，從而實現(xiàn)了遙感影像的多波段特征提取和整合解譯結果，對多波段遙感影像的波段數(shù)不做限制，能適用于任何多波段數(shù)或多通道數(shù)的遙感影像，提高土地利用分類的精度和效率，解決了現(xiàn)有的基于深度學習技術的土地利用分類技術所存在的無法適應多波段遙感影像、遙感影像信息缺失以及分類精度低等問題。