一种大尺度人为水土流失扰动范围遥感智能提取方法与流程

1.本发明属于遥感图像智能处理技术领域，具体涉及一种大尺度人为水土流失扰动范围遥感智能提取方法的设计。


背景技术：

2.水土流失的形成和加剧与人的行为与活动密切相关，人类不合理的生产和生活方式，如项目建设的开挖、压占和堆弃等活动，会造成或者加剧水土流失。卫星遥感具有大范围、高重返和低成本等优势，能够客观准确反映人类活动导致的土地覆盖属性的变化，是人为水土流失扰动监管的重要手段，被广泛应用于全国范围的人为水土流失监管调查中。
3.当前，利用遥感手段开展人为水土流失监管，最为核心是需要明确人为水土流失的扰动范围。以往人为水土流失扰动范围提取主要依赖专家经验进行人工目视解译，这种方法存在3个不足：(1)解译效率低且人工成本高，大范围人为水土流失扰动范围提取需要投入大量人力，难以满足实时动态更新的需求；(2)人为水土流失遥感扰动类型复杂且特征多样，以往多采用单期高分光学影像进行参考解译，光谱特征单一，难以实现高精度提取；(3)自动化水平低，缺乏采用深度学习等智能方法识别人为水土流失扰动范围，难以满足大范围自动化提取的需求。
4.随着卫星遥感成像和深度学习技术快速发展，多源光学和雷达遥感协同可以获取地表时序多模态卫星遥感数据，能够表征人为水土流失扰动区域复杂的下垫面变化特征；另外，通过提取时序多模态遥感特征，采用深度学习等智能方法能够挖掘人为水土流失扰动区域光谱-纹理空间特征变异规律，可实现大尺度人为水土流失扰动范围遥感智能提取。


技术实现要素：

5.本发明的目的是为了解决现有技术中大范围人为水土流失扰动范围难以自动化提取的问题，提出了一种大尺度人为水土流失扰动范围遥感智能提取方法。
6.本发明的技术方案为：一种大尺度人为水土流失扰动范围遥感智能提取方法，包括以下步骤：
7.s1、获取监管范围内人为水土流失扰动前后的时序多模态遥感影像数据，并对时序多模态遥感影像数据进行高精度配准，得到时序遥感影像集。
8.s2、根据时序遥感影像集构建融合视觉注意机制的人为水土流失多模态遥感优化特征集。
9.s3、根据人为水土流失多模态遥感优化特征集，基于lsp图卷积神经网络对监管范围内的人为水土流失扰动范围进行遥感智能提取。
10.进一步地，步骤s1中的时序多模态遥感影像数据包括光学遥感数据和雷达遥感数据，针对光学遥感数据进行几何精校正、大气校正和云掩膜处理，针对雷达遥感数据进行几何精校正处理。
11.进一步地，步骤s1中对时序多模态遥感影像数据进行高精度配准的具体方法为：
12.a1、采用log-gabor滤波器对时序多模态遥感影像数据进行滤波，获取其局部相位信息，log-gabor滤波器log
d，o
(x，y)表示为：
[0013][0014]
其中表示在方向o和尺度d下的偶数对称滤波器，表示在方向o和尺度d下的奇数对称滤波器，i为复数的虚数单位。
[0015]
a2、将时序多模态遥感影像数据与偶数对称滤波器和奇数对称滤波器分别进行卷积，得到方向o和尺度d下的偶数对称响应能量e
d，o
(x，y)和奇数对称响应能量o
d，o
(x，y)：
[0016][0017]
其中表示卷积操作，j(x，y)表示坐标为(x，y)的像素点。
[0018]
a3、根据偶数对称响应能量e
d，o
(x，y)和奇数对称响应能量o
d，o
(x，y)计算幅度a
d，o
(x，y)和局部相位
[0019][0020][0021]
a4、根据幅度a
d，o
(x，y)和局部相位计算得到像素点j(x，y)处的相位一致性特征值pc(x，y)：
[0022][0023][0024]
其中w(x，y)为权重因子，符号表示当*为正时取自身，否则值为0，t表示估计的噪声阈值，ε表示防止分母为0的常数，表示相位差，表示平均相位值。
[0025]
a5、根据相位一致性特征值pc(x，y)得到每个方向上的相位一致性图pc(θj)，j＝1，2，...，o；
[0026]
a6、根据相位一致性图pc(θj)计算得到相位一致性的最大矩max
pc
和最小矩min
pc
：
[0027][0028][0029][0030][0031][0032]
其中a、b、c均为中间参数，θj表示方向角。
[0033]
a7、将最大矩max
pc
和最小矩min
pc
对应图像叠加形成叠加特征图，并将叠加特征图
划分为n
×
n个互不重叠的图像块，在每个图像块区域采用harris算子实现角点监测，选取响应强度超过预设阈值的点作为待配准点，得到待配准点集{pj}。
[0034]
a8、针对步骤a3得到的d
×
o个幅度值a
d，o
(x，y)，将同一方向上的d个尺度的幅度值累加，得到o个累积幅度值ao(x，y)。
[0035]
a9、分别选取基准影像i
stan
和待配准影像i
reg
中o个累积幅度值ao(x，y)中的最大值并记录最大值所在的方向，得到基准影像最大索引图mii
stan
和待配准影像最大索引图mii
reg
。
[0036]
a10、计算基准影像最大索引图mii
stan
和待配准影像最大索引图mii
reg
的相似性测度mii
·
in(mii
stan
，mii
reg
)：
[0037]
mii
·
in(mii
stan
，mii
reg
)＝h(mii
stan
)+h(mii
reg
)+h(mii
stan
，mii
reg
)
[0038][0039][0040][0041]
其中h(mii
stan
)表示基准影像最大索引图的熵值，h(mii
reg
)表示待配准影像最大索引图的熵值，h(mii
stan
，mii
reg
)表示基准影像最大索引图和待配准影像最大索引图的联合熵，表示基准影像最大索引值a的概率分布，表示待配准影像最大索引值b的概率分布，表示基准影像最大索引值a和待配准影像最大索引值b的联合概率分布。
[0042]
a11、根据待配准点集{pj}中的某一个特征点pj的地理位置确定待配准影像上对应点pr，确定模板区域。
[0043]
a12、在模板区域内根据相似性测度mii
·
in(mii
stan
，mii
reg
)，采用最大值原则搜寻同名点并记录偏移量，得到所匹配的同名点对，计算同名点对的变换矩阵完成配准，得到时序遥感影像集i＝{ii，i＝1，2，...，t}，t为时序遥感影像数量。
[0044]
进一步地，步骤s2包括以下分步骤：
[0045]
s21、根据时序遥感影像集中的时序遥感影像数据，提取多模态遥感特征波段f1、归一化植被指数f2、归一化建筑指数f3、归一化裸地指数f4、归一化水体指数f5和归一化极化特征f6。
[0046]
s22、采用自底向上的视觉注意力机制，提取时序遥感影像集中的视觉显著性特征f7、方位特征f8、对比度特征f9、熵特征f
10
、角二阶矩特征f
11
、均匀性特征f
12
、相关性特征f
13
和梯度幅值特征f
14
，进而构建人为水土流失多模态遥感特征集{fi，i＝1，2，...，14}。
[0047]
s23、采用relief-f算法对人为水土流失多模态遥感特征集{fi，i＝1，2，...，14}进行优选，得到人为水土流失多模态遥感优化特征集f
‘
：
[0048]f‘
＝{f
′i，i＝1，2，...，f}
[0049]
其中f表示人为水土流失多模态遥感优化特征集f
‘
中的特征个数。
[0050]
进一步地，步骤s22中视觉显著性特征f7的提取公式为：
[0051][0052][0053]cmax
＝max(ir，ig，ib)，c
min
＝min(ir，ig，ib)
[0054][0055]i′n＝(c
max-in)/(c
max-c
min
)，n＝r，g，b
[0056]
其中num表示提取颜色特征的总个数，h、s、v分别表示时序遥感影像在hsv色彩空间的h颜色特征、s颜色特征和v颜色特征，ir、ig、ib分别表示时序遥感影像在rgb色彩空间的r颜色特征、g颜色特征和b颜色特征，c
max
和c
min
分别表示ir、ig、ib三者中的最大值和最小值，h
′
表示比较值，i
′n表示ir、ig、ib的重计算值。
[0057]
进一步地，步骤s22中方位特征f8的提取方法为：采用gabor滤波器提取得到，在4个方位分别为θ＝{0
°
，45
°
，90
°
，135
°
}，通过高斯核函数进行卷积得到方位特征f8。
[0058]
进一步地，步骤s22中的对比度特征f9、熵特征f
10
、角二阶矩特征f
12
、均匀性特征f
12
、相关性特征f
13
均通过灰度共生矩阵提取。
[0059]
进一步地，步骤s22中梯度幅值特征f
14
的提取公式为：
[0060][0061]fx
(x，y)＝i(x+1，y)-i(x-1，y)/2
[0062]fy
(x，y)＝i(x，y+1)-i(x，y-1)/2
[0063]
其中i(x，y)表示像素行列号为(x，y)的时序遥感影像，f
x
(x，y)表示x方向的梯度幅值，fy(x，y)表示y方向的梯度幅值。
[0064]
进一步地，步骤s23中的relief-f算法具体为：
[0065]
b1、通过随机抽取样本的方式，从人为水土流失多模态遥感特征集中选择人为水土流失范围随机抽样样本，并从中随机选取一个训练集样本r。
[0066]
b2、从和r同类的人为水土流失的样本集中寻找k最近邻样本h，从和r不同类的非人为水土流失的样本集中寻找k最近邻样本m。
[0067]
b3、根据k最近邻样本h和m计算人为水土流失多模态遥感特征集中各特征的权重ω’(z)：
[0068][0069]
其中z表示人为水土流失多模态遥感特征集中的特征变量个数，ω(z)表示第z个特征变量的初始权重值，m表示样本抽样次数，k表示最近零样本个数，hj表示样本r的第j个
最近邻同类点，diff(a，r，hj)表示特征z上样本r和hj的差，mj(c)表示样本r的第j个最近邻异类点，class(r)表示样本r的类别，c表示类别，p(
·
)表示先验概率，diff(a，r，mj(c))表示特征z上样本r和mj(c)的差。
[0070]
b4、通过权重ω’(z)对人为水土流失多模态遥感特征集中的特征进行排序，得到人为水土流失多模态遥感优化特征集f
‘
。
[0071]
进一步地，步骤s3包括以下分步骤：
[0072]
s31、根据人为水土流失多模态遥感优化特征集，提取对应数据标签位置的特征集，构建人为水土流失多模态遥感训练样本库其中表示多模态遥感数据特征集，xi表示多模态遥感数据特征集中的第i个样本，i＝1，2，...，n，n为样本数，yn表示标记数据。
[0073]
s32、将样本xi与邻域样本点连接形成图g(v，ε)，其中u＝{x1，x2，...，xi，...，xn}表示图上的节点组成的数据集，n表示邻域样本数，ε表示边的集合，即邻域点与样本xi的距离。
[0074]
s33、通过lsp描述图拓扑信息得到局部结构向量ls
i，j
：
[0075][0076][0077]
其中xj表示与样本xi相连的邻域的第j个样本点，sim(
·
)表示相似性函数。
[0078]
s34、计算lsp图卷积神经网络中学生模型的局部结构向量与教师模型的局部结构向量的相似度si：
[0079][0080]
其中d
kl
(
·
)表示相对熵。
[0081]
s35、根据相似度si计算损失函数l
lsp
：
[0082][0083]
s36、根据损失函数l
lsp
计算总损失l：
[0084]
l＝h(ys，y)+λl
lsp
[0085]
其中h(
·
)表示交叉熵损失函数，y表示真值样本数据标签，ys表示用学生模型预测的值，λ表示平衡两种损失的超参数。
[0086]
s37、通过总损失l对lsp图卷积神经网络进行训练，并将多模态遥感数据特征集输入训练好的lsp图卷积神经网络，实现对监管范围内的人为水土流失扰动范围进行遥感智能提取。
[0087]
本发明的有益效果是：
[0088]
(1)本发明提供了基于多模态遥感的人为水土流失遥感智能提取方法，突破了原
有大尺度人为水土流失扰动范围难以自动提取的技术瓶颈。
[0089]
(2)本发明针对多模态卫星遥感数据缺乏严格匹配的问题，采用了基于相位一致性的影像匹配方法，实现了多模态遥感精准匹配。
[0090]
(3)本发明基于多模态卫星遥感数据，提出了融合视觉注意机制的人为水土流失多模态遥感特征的构建方法，并采用relief-f算法对提取人为水土流失扰动多模态遥感特征进行优选。
[0091]
(4)本发明构建了基于lsp图卷积神经网络的人为水土流失扰动范围遥感智能提取模型，实现了大尺度区域人为水土流失扰动范围高精度和自动化提取。
附图说明
[0092]
图1所示为本发明实施例提供的一种大尺度人为水土流失扰动范围遥感智能提取方法流程图。
[0093]
图2所示为本发明实施例提供的大尺度人为水土流失扰动范围遥感智能提取效果图。
具体实施方式
[0094]
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
[0095]
本发明实施例提供了一种大尺度人为水土流失扰动范围遥感智能提取方法，如图1所示，包括以下步骤s1～s3：
[0096]
s1、获取监管范围内人为水土流失扰动前后的时序多模态遥感影像数据，并对时序多模态遥感影像数据进行高精度配准，得到时序遥感影像集。
[0097]
本发明实施例中，时序多模态遥感影像数据的获取频次优于每月一次，时序多模态遥感影像数据包括光学遥感数据和雷达遥感数据，其中光学遥感数据选择高分一号、高分二号、高分六号、哨兵二号和landsat系列等遥感数据，雷达遥感数据选择高分三号、哨兵一号等遥感数据，光学遥感数据选择高质量的无云、无雪覆盖数据。
[0098]
本发明实施例中，针对光学遥感数据进行几何精校正、大气校正和云掩膜处理，针对雷达遥感数据进行几何精校正处理。
[0099]
本发明实施例中，几何精校正的具体方法为：收集覆盖监管范围影像区域的1：10000地形图和中高分辨率卫星遥感数据，根据目视判读的方法，选取影像上特征明显的点(道路交叉点、建筑亮点等)为控制点，且尽可能地均匀分布于遥感影像所覆盖的空间范围内，采用控制点约束的有理函数模型对中高分遥感数据进行几何精校正。
[0100]
本发明实施例中，根据卫星遥感数据类型，选取对应的算法或工具进行大气校正，采用flaash大气校正模型对高分系列和landsat系列卫星遥感影像进行大气校正，以消除大气及光照等因素对地物反射的影响。
[0101]
本发明实施例中，云掩膜处理的具体方法为：根据影像质量检查(qa)波段提供的相关的云及云阴影覆盖信息，对遥感影像上被云及其阴影覆盖的区域进行掩膜处理，获取无云区域的卫星遥感影像。
[0102]
经典遥感影像匹配方法在影像空间域完成，而空间域信息依赖影像的灰度或梯度信息，对非线性辐射差异敏感，不易于匹配。多模态遥感影像因传感器等平台不同，影像辐射差异呈现非线性，因此本发明实施例采用基于相位一致性的影像匹配方法对时序多模态遥感影像数据进行高精度配准，相位一致性是一种利用频域信息表达和描述影像的方法，具体步骤为：
[0103]
a1、采用log-gabor滤波器对时序多模态遥感影像数据进行滤波，获取其局部相位信息，log-gabor滤波器log
d，o
(x，y)表示为：
[0104][0105]
其中表示在方向o和尺度d下的偶数对称滤波器，表示在方向o和尺度d下的奇数对称滤波器，i为复数的虚数单位。
[0106]
a2、将时序多模态遥感影像数据与偶数对称滤波器和奇数对称滤波器分别进行卷积，得到方向o和尺度d下的偶数对称响应能量e
d，o
(x，y)和奇数对称响应能量o
d，o
(x，y)：
[0107][0108]
其中表示卷积操作，j(x，y)表示坐标为(x，y)的像素点。
[0109]
a3、根据偶数对称响应能量e
d，o
(x，y)和奇数对称响应能量o
d，o
(x，y)计算幅度a
d，o
(x，y)和局部相位
[0110][0111][0112]
a4、根据幅度a
d，o
(x，y)和局部相位计算得到像素点j(x，y)处的相位一致性特征值pc(x，y)：
[0113][0114][0115]
其中w(x，y)为权重因子，符号表示当*为正时取自身，否则值为0，t表示估计的噪声阈值，ε表示防止分母为0的常数，一般取0.01，表示相位差，表示平均相位值。
[0116]
a5、根据相位一致性特征值pc(x，y)得到每个方向上的相位一致性图pc(θj)，j＝1，2，...，o；
[0117]
a6、根据相位一致性图pc(θj)计算得到相位一致性的最大矩max
pc
和最小矩min
pc
：
[0118][0119][0120]
[0121][0122][0123]
其中a、b、c均为中间参数，θj表示方向角，可取值0
°
，45
°
，90
°
，135
°
。
[0124]
a7、将最大矩max
pc
和最小矩min
pc
对应图像叠加形成叠加特征图，并将叠加特征图划分为n
×
n个互不重叠的图像块，在每个图像块区域采用harris算子实现角点监测，选取响应强度超过预设阈值的点作为待配准点，得到待配准点集{pj}。
[0125]
a8、针对步骤a3得到的d
×
o个幅度值a
d，o
(x，y)，将同一方向上的d个尺度的幅度值累加，得到o个累积幅度值ao(x，y)。
[0126]
a9、分别选取基准影像i
stan
和待配准影像i
reg
中o个累积幅度值ao(x，y)中的最大值并记录最大值所在的方向，得到基准影像最大索引图mii
stan
和待配准影像最大索引图mii
reg
。
[0127]
a10、计算基准影像最大索引图mii
stan
和待配准影像最大索引图mii
reg
的相似性测度mii
·
in(mii
stan
，mii
reg
)：
[0128]
mii
·
in(mii
stan
，mii
reg
)＝h(mii
stan
)+h(mii
reg
)+h(mii
stan
，mii
reg
)
[0129][0130][0131][0132]
其中h(mii
stan
)表示基准影像最大索引图的熵值，h(mii
reg
)表示待配准影像最大索引图的熵值，h(mii
stan
，mii
reg
)表示基准影像最大索引图和待配准影像最大索引图的联合熵，表示基准影像最大索引值a的概率分布，表示待配准影像最大索引值b的概率分布，表示基准影像最大索引值a和待配准影像最大索引值b的联合概率分布。
[0133]
a11、根据待配准点集{pj}中的某一个特征点pj的地理位置确定待配准影像上对应点pr，确定模板区域。
[0134]
a12、在模板区域内根据相似性测度mii
·
in(mii
stan
，mii
reg
)，采用最大值原则搜寻同名点并记录偏移量，得到所匹配的同名点对，计算同名点对的变换矩阵完成配准，得到时序遥感影像集i＝{ii，i＝1，2，...，t}，t为时序遥感影像数量。
[0135]
s2、根据时序遥感影像集构建融合视觉注意机制的人为水土流失多模态遥感优化特征集。
[0136]
步骤s2包括以下分步骤s21～s23：
[0137]
s21、根据时序遥感影像集中的时序遥感影像数据，提取多模态遥感特征波段f1、归一化植被指数f2、归一化建筑指数f3、归一化裸地指数f4、归一化水体指数f5和归一化极
化特征f6，其中多模态遥感特征波段f1为所有影像的波段组合。
[0138]
s22、采用自底向上的视觉注意力机制，提取时序遥感影像集中的视觉显著性特征f7、方位特征f8、对比度特征f9、熵特征f
10
、角二阶矩特征f
11
、均匀性特征f
12
、相关性特征f
13
和梯度幅值特征f
14
，进而构建人为水土流失多模态遥感特征集{fi，i＝1，2，...，14}。
[0139]
视觉注意力机制是人类视觉系统的一个重要特征，已有研究表明，在复杂场景时，人类视觉系统能够快速地将注意力集中在图像中的显著区域，并对进行优化处理。因此，本发明实施例将视觉注意力机制引入人为水土流失提取中，选择自底向上的视觉注意力机制，分别提取颜色、方向、纹理特征、边缘特征，通过对提取的多特征进行融合得到显著图。
[0140]
本发明实施例中，颜色特征包括视觉显著性特征f7，选择hsv颜色模型，能较好地反映人类视觉对颜色的感知和判别能力，将rgb色彩空间转换到hsv色彩空间，具体公式如下：
[0141][0142][0143]cmax
＝max(ir，ig，ib)，c
min
＝min(ir，ig，ib)
[0144][0145]i′n＝(c
max-in)/(c
max-c
min
)，n＝r，g，b
[0146]
其中num表示提取颜色特征的总个数，h、s、v分别表示时序遥感影像在hsv色彩空间的h颜色特征、s颜色特征和v颜色特征，ir、ig、ib分别表示时序遥感影像在rgb色彩空间的r颜色特征、g颜色特征和b颜色特征，c
max
和c
min
分别表示ir、ig、ib三者中的最大值和最小值，h
′
表示比较值，i
′n表示ir、ig、ib的重计算值。
[0147]
方向特征包括方位特征f8，其提取方法为：采用gabor滤波器提取得到，在4个方位分别为θ＝{0
°
，45v，90
°
，135
°
}，通过高斯核函数进行卷积得到方位特征f8。
[0148]
纹理特征包括对比度特征f9(con)、熵特征f
10
(ent)、角二阶矩特征f
11
(asm)、均匀性特征f
12
(hom)和相关性特征f
13
(cor)，其均通过灰度共生矩阵(glcm)提取。
[0149]
边缘特征采用梯度幅值来表征，首先通过高斯滤波平滑图像，然后计算图像梯度幅度值，设置梯度幅度值小于阈值的像素为非边缘，逐像素遍历，利用非极大值抑制法去定边缘像素，梯度幅值特征f
14
的提取公式为：
[0150][0151]fx
(x，y)＝i(x+1，y)-i(x-1，y)/2
[0152]fy
(x，y)＝i(x，y+1)-i(x，y-1)/2
[0153]
其中i(x，y)表示像素行列号为(x，y)的时序遥感影像，f
x
(x，y)表示x方向的梯度
幅值，即像素点(x，y)在x方向前后两个像素值的差值，fy(x，y)表示y方向的梯度幅值，即像素点(x，y)在y方向前后两个像素值的差值。
[0154]
s23、采用relief-f算法对人为水土流失多模态遥感特征集{fi，i＝1，2，...，14}进行优选，得到人为水土流失多模态遥感优化特征集f
‘
：
[0155]f‘
＝{f
′i，i＝1，2，...，f}
[0156]
其中f表示人为水土流失多模态遥感优化特征集f
‘
中的特征个数。
[0157]
relief-f算法是典型的过滤式特征优化算法，通过计算特征变量的权重，并对权重进行排序，进而提出最优特征集合。relief-f算法具体为：
[0158]
b1、通过随机抽取样本的方式，从人为水土流失多模态遥感特征集中选择人为水土流失范围随机抽样样本，并从中随机选取一个训练集样本r。
[0159]
b2、从和r同类的人为水土流失的样本集中寻找k最近邻样本h，从和r不同类的非人为水土流失的样本集中寻找k最近邻样本m。
[0160]
b3、根据k最近邻样本h和m计算人为水土流失多模态遥感特征集中各特征的权重ω’(z)：
[0161][0162]
其中z表示人为水土流失多模态遥感特征集中的特征变量个数，ω(z)表示第z个特征变量的初始权重值，m表示样本抽样次数，k表示最近零样本个数，hj表示样本r的第j个最近邻同类点，diff(a，r，hj)表示特征z上样本r和hj的差，mj(c)表示样本r的第j个最近邻异类点，class(r)表示样本r的类别，c表示类别，p(
·
)表示先验概率，diff(a，r，mj(c))表示特征z上样本r和mj(c)的差。
[0163]
b4、通过权重ω’(z)对人为水土流失多模态遥感特征集中的特征进行排序，得到人为水土流失多模态遥感优化特征集f
‘
。
[0164]
s3、根据人为水土流失多模态遥感优化特征集，基于lsp图卷积神经网络对监管范围内的人为水土流失扰动范围进行遥感智能提取。
[0165]
步骤s3包括以下分步骤s31～s37：
[0166]
s31、根据人为水土流失多模态遥感优化特征集，提取对应数据标签位置的特征集，构建人为水土流失多模态遥感训练样本库其中表示多模态遥感数据特征集，xi表示多模态遥感数据特征集中的第i个样本，o＝1，2，...，n，n为样本数，yn表示标记数据。
[0167]
s32、将样本xi与邻域样本点连接形成图g(v，ε)，其中v＝{x1，x2，...，xi，...，xn}表示图上的节点组成的数据集，n表示邻域样本数，ε表示边的集合，即邻域点与样本xi的距离。
[0168]
s33、通过lsp(local structure preserving)描述图拓扑信息得到局部结构向量ls
i，j
：
[0169]
[0170][0171]
其中xj表示与样本xi相连的邻域的第j个样本点，sim(
·
)表示相似性函数。
[0172]
s34、计算lsp图卷积神经网络中学生模型的局部结构向量与教师模型的局部结构向量的相似度si：
[0173][0174]
其中d
kl
(
·
)表示相对熵，用来衡量两个概率分布的距离。本发明实施例中，教师模型为预训练的主模型，相对复杂，学生模型为简化的模型。两个模型输入数据一样，同时训练，过程中将教师模型训练的知识迁移到学生模型上，提高运行效率和泛化能力。相似度si越小意味着局部结构的分布越相似。
[0175]
s35、根据相似度si计算损失函数l
lsp
：
[0176][0177]
s36、根据损失函数l
lsp
计算总损失l：
[0178]
l＝h(ys，y)+λl
lsp
[0179]
其中h(
·
)表示交叉熵损失函数，y表示真值样本数据标签，ys表示用学生模型预测的值，λ表示平衡两种损失的超参数。
[0180]
s37、通过总损失l对lsp图卷积神经网络进行训练，并将多模态遥感数据特征集输入训练好的lsp图卷积神经网络，实现对监管范围内的人为水土流失扰动范围进行遥感智能提取。
[0181]
本发明实施例中，将教师模型设置为5层，学生模型设置为3层，学习率为0.005，λ设置为100，通过随机方法选取80％的训练样本，20％样本用于验证。本发明实施例中，人为水土流失扰动范围的遥感智能提取结果如图2所示。
[0182]
结合大尺度人为水土流失扰动范围遥感智能提取范围和随机验证样本，采用全局精度指标对人为水土流失提取范围的精度进行定量评估，一般而言，人为水土流失扰动范围全局精度指标超过85％即达到智能提取的精度要求。
[0183]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

技术特征：
1.一种大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，包括以下步骤：s1、获取监管范围内人为水土流失扰动前后的时序多模态遥感影像数据，并对时序多模态遥感影像数据进行高精度配准，得到时序遥感影像集；s2、根据时序遥感影像集构建融合视觉注意机制的人为水土流失多模态遥感优化特征集；s3、根据人为水土流失多模态遥感优化特征集，基于lsp图卷积神经网络对监管范围内的人为水土流失扰动范围进行遥感智能提取。2.根据权利要求1所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s1中的时序多模态遥感影像数据包括光学遥感数据和雷达遥感数据，针对光学遥感数据进行几何精校正、大气校正和云掩膜处理，针对雷达遥感数据进行几何精校正处理。3.根据权利要求1所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s1中对时序多模态遥感影像数据进行高精度配准的具体方法为：a1、采用log-gabor滤波器对时序多模态遥感影像数据进行滤波，获取其局部相位信息，所述log-gabor滤波器log
d,o
(x,y)表示为：其中表示在方向o和尺度d下的偶数对称滤波器，表示在方向o和尺度d下的奇数对称滤波器，i为复数的虚数单位；a2、将时序多模态遥感影像数据与偶数对称滤波器和奇数对称滤波器分别进行卷积，得到方向o和尺度d下的偶数对称响应能量e
d,o
(x,y)和奇数对称响应能量o
d,o
(x,y)：其中表示卷积操作，j(x,y)表示坐标为(x,y)的像素点；a3、根据偶数对称响应能量e
d,o
(x,y)和奇数对称响应能量o
d,o
(x,y)计算幅度a
d,o
(x,y)和局部相位和局部相位和局部相位a4、根据幅度a
d,o
(x,y)和局部相位计算得到像素点j(x,y)处的相位一致性特征值pc(x,y)：征值pc(x,y)：其中w(x，y)为权重因子，符号表示当*为正时取自身，否则值为0，t表示估计的噪声阈值，ε表示防止分母为0的常数，表示相位差，表示平均相位值；a5、根据相位一致性特征值pc(x，y)得到每个方向上的相位一致性图pc(θ
j
)，j＝1，
2，...，o；a6、根据相位一致性图pc(θ
j
)计算得到相位一致性的最大矩max
pc
和最小矩min
pc
：：：：：其中a、b、c均为中间参数，θ
j
表示方向角；a7、将最大矩max
pc
和最小矩min
pc
对应图像叠加形成叠加特征图，并将叠加特征图划分为n
×
n个互不重叠的图像块，在每个图像块区域采用harris算子实现角点监测，选取响应强度超过预设阈值的点作为待配准点，得到待配准点集{p
j
}；a8、针对步骤a3得到的d
×
o个幅度值a
d，o
(x，y)，将同一方向上的d个尺度的幅度值累加，得到o个累积幅度值a
o
(x，y)；a9、分别选取基准影像i
stan
和待配准影像i
reg
中o个累积幅度值a
o
(x，y)中的最大值并记录最大值所在的方向，得到基准影像最大索引图mii
stan
和待配准影像最大索引图mii
reg
；a10、计算基准影像最大索引图mii
stan
和待配准影像最大索引图mii
reg
的相似性测度mii
·
in(mii
stan
，mii
reg
)：mii
·
in(mii
stan
，mii
reg
)＝h(mii
stan
)+h(mii
reg
)+h(mii
stan
，mii
reg
)))其中h(mii
stan
)表示基准影像最大索引图的熵值，h(mii
reg
)表示待配准影像最大索引图的熵值，h(mii
stan
，mii
reg
)表示基准影像最大索引图和待配准影像最大索引图的联合熵，表示基准影像最大索引值a的概率分布，表示待配准影像最大索引值b的概率分布，表示基准影像最大索引值a和待配准影像最大索引值b的联合概率分布；
a11、根据待配准点集{p
j
}中的某一个特征点p
j
的地理位置确定待配准影像上对应点p
r
，确定模板区域；a12、在模板区域内根据相似性测度mii
·
in(mii
stan
，mii
reg
)，采用最大值原则搜寻同名点并记录偏移量，得到所匹配的同名点对，计算同名点对的变换矩阵完成配准，得到时序遥感影像集i＝{i
i
，i＝1，2，...，t}，t为时序遥感影像数量。4.根据权利要求1所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s2包括以下分步骤：s21、根据时序遥感影像集中的时序遥感影像数据，提取多模态遥感特征波段f1、归一化植被指数f2、归一化建筑指数f3、归一化裸地指数f4、归一化水体指数f5和归一化极化特征f6；s22、采用自底向上的视觉注意力机制，提取时序遥感影像集中的视觉显著性特征f7、方位特征f8、对比度特征f9、熵特征f
10
、角二阶矩特征f
11
、均匀性特征f
12
、相关性特征f
13
和梯度幅值特征f
14
，进而构建人为水土流失多模态遥感特征集{f
i
，i＝1，2，...，14}；s23、采用relief-f算法对人为水土流失多模态遥感特征集{f
i
，i＝1，2，...，14}进行优选，得到人为水土流失多模态遥感优化特征集f
‘
：f
‘
＝{f
′
i
，i＝1，2，...，f}其中f表示人为水土流失多模态遥感优化特征集f
‘
中的特征个数。5.根据权利要求4所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s22中视觉显著性特征f7的提取公式为：的提取公式为：c
max
＝max(i
r
，i
g
，i
b
)，c
min
＝min(i
r
，i
g
，i
b
)i
′
n
＝(c
max-i
n
)/(c
max-c
min
)，n＝r，g，b其中num表示提取颜色特征的总个数，h、s、v分别表示时序遥感影像在hsv色彩空间的h颜色特征、s颜色特征和v颜色特征，i
r
、i
g
、i
b
分别表示时序遥感影像在rgb色彩空间的r颜色特征、g颜色特征和b颜色特征，c
max
和c
min
分别表示i
r
、i
g
、i
b
三者中的最大值和最小值，h
′
表示比较值，i
′
n
表示i
r
、i
g
、i
b
的重计算值。6.根据权利要求4所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s22中方位特征f8的提取方法为：采用gabor滤波器提取得到，在4个方位分别为θ＝{0
°
，45
°
，90
°
，135
°
}，通过高斯核函数进行卷积得到方位特征f8。
7.根据权利要求4所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s22中的对比度特征f9、熵特征f
10
、角二阶矩特征f
11
、均匀性特征f
12
、相关性特征f
13
均通过灰度共生矩阵提取。8.根据权利要求4所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s22中梯度幅值特征f
14
的提取公式为：f
x
(x，y)＝i(x+1，y)-i(x-1，y)/2f
y
(x，y)＝i(x，y+1)-i(x，y-1)/2其中i(x，y)表示像素行列号为(x，y)的时序遥感影像，f
x
(x，y)表示x方向的梯度幅值，f
y
(x，y)表示y方向的梯度幅值。9.根据权利要求4所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s23中的relief-f算法具体为：b1、通过随机抽取样本的方式，从人为水土流失多模态遥感特征集中选择人为水土流失范围随机抽样样本，并从中随机选取一个训练集样本r；b2、从和r同类的人为水土流失的样本集中寻找k最近邻样本h，从和r不同类的非人为水土流失的样本集中寻找k最近邻样本m；b3、根据k最近邻样本h和m计算人为水土流失多模态遥感特征集中各特征的权重ω’(z)：其中z表示人为水土流失多模态遥感特征集中的特征变量个数，ω(z)表示第z个特征变量的初始权重值，m表示样本抽样次数，k表示最近零样本个数，h
j
表示样本r的j第个最近邻同类点，diff(a，r，h
j
)表示特征z上样本r和h
j
的差，m
j
(c)表示样本r的第j个最近邻异类点，class(r)表示样本r的类别，c表示类别，p(
·
)表示先验概率，diff(a，r，m
j
(c))表示特征z上样本r和m
j
(c)的差；b4、通过权重ω’(z)对人为水土流失多模态遥感特征集中的特征进行排序，得到人为水土流失多模态遥感优化特征集f
‘
。10.根据权利要求1所述的大尺度人为水土流失扰动范围遥感智能提取方法，其特征在于，所述步骤s3包括以下分步骤：s31、根据人为水土流失多模态遥感优化特征集，提取对应数据标签位置的特征集，构建人为水土流失多模态遥感训练样本库其中表示多模态遥感数据特征集，x
i
表示多模态遥感数据特征集中的第i个样本，i＝1，2，...，n，n为样本数，y
n
表示标记数据；s32、将样本x
i
与邻域样本点连接形成图g(v，ε)，其中v＝{x1，x2，...，x
i
，...，x
n
}表示图上的节点组成的数据集，n表示邻域样本数，ε表示边的集合，即邻域点与样本x
i
的距离；s33、通过lsp描述图拓扑信息得到局部结构向量ls
i，j
：
其中x
j
表示与样本x
i
相连的邻域的第j个样本点，sim(
·
)表示相似性函数；s34、计算lsp图卷积神经网络中学生模型的局部结构向量与教师模型的局部结构向量的相似度s
i
：其中d
kl
(
·
)表示相对熵；s35、根据相似度s
i
计算损失函数l
lsp
：s36、根据损失函数l
lsp
计算总损失l：l＝h(y
s
，y)+λl
lsp
其中h(
·
)表示交叉熵损失函数，y表示真值样本数据标签，y
s
表示用学生模型预测的值，λ表示平衡两种损失的超参数；s37、通过总损失l对lsp图卷积神经网络进行训练，并将多模态遥感数据特征集输入训练好的lsp图卷积神经网络，实现对监管范围内的人为水土流失扰动范围进行遥感智能提取。

技术总结
本发明公开了一种大尺度人为水土流失扰动范围遥感智能提取方法，首先获取监管范围内人为水土流失扰动前后的时序多模态遥感影像数据，并对时序多模态遥感影像数据进行高精度配准，得到时序遥感影像集；然后根据时序遥感影像集构建融合视觉注意机制的人为水土流失多模态遥感优化特征集；最后根据人为水土流失多模态遥感优化特征集，基于LSP图卷积神经网络对监管范围内的人为水土流失扰动范围进行遥感智能提取。本发明提供了基于多模态遥感的人为水土流失遥感智能提取方法，突破了原有大尺度人为水土流失扰动范围难以自动提取的技术瓶颈，实现了大尺度区域人为水土流失扰动范围高精度和智能化提取。围高精度和智能化提取。围高精度和智能化提取。


技术研发人员：江威 温庆可 刘朔 崔师爱 庞治国 谭杰峻 刘昌军 张晓雪 阿旺格列 王敬浪
受保护的技术使用者：中国水利水电科学研究院
技术研发日：2023.05.25
技术公布日：2023/8/14