(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 202210369007.5 (22)申请日 2022.04.08 (71)申请人 厦门天卫科技有限公司 地址 361000 福建省厦门市 火炬高新区软 件园三期诚毅北大街50号1301单元 B01 (72)发明人 李雪涛　张景秩　 (74)专利代理 机构 厦门致群财富专利代理事务 所(普通合伙) 35224 专利代理师 巫其荣 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) (54)发明名称 一种基于深度网络和集成学习的遥感地物 信息提取方法 (57)摘要 本发明公开了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： 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； 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； 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； 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； 该方法可有效提高遥感地物信息的 提取精度和准确度。 权利要求书2页 说明书5页 附图3页 CN 114612674 A 2022.06.10 CN 114612674 A 1.一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： 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； 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； 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； 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。 2.如权利要求1所述的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， 步骤S1中遥感卫星影 像的预处 理过程为： 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； 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； 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； S14、 将融合后的遥感影 像进行输出保存， 作为遥感数据。 3.如权利要求2所述的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： 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。 4.如权利要求1所述的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： 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Dr opout层防止过拟合， 1个上采样层， 以及1 个融合层组成。 5.如权利要求4所述的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， 步骤S2中U ‑net深度网络的编码过程具体为： 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； S22、 通过批标准 化层对提取的特 征进行特征标准化； S23、 再进行 卷积， 获取 更多深层次的影 像特征； S24、 进行二次卷积后， 再次进行二次标准 化； 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； 步骤S2中U ‑net深度网络的解码过程具体为：权　利　要　求　书 1/2 页 2 CN 114612674 A 2S26、 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； 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； S28、 通过Dropout方法进行防止过拟合； 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。 6.如权利要求1所述的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， 步骤S2 中所述St acking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。 7.如权利要求1所述的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， 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St acking集成学习中进行训练提取， 以此完成模 型之间的耦合。 8.如权利要求1所述的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， 步骤S 3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。 9.如权利要求1所述的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， 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。权　利　要　求　书 2/2 页 3 CN 114612674 A 3