一种多特征协同的高分影像耕地作物类型分类方法与流程

1.本发明属于遥感智能信息提取技术领域，具体地，涉及一种多特征协同的高分影像耕地作物类型分类方法。

背景技术：

2.耕地是指种植农作物的土地，包括：熟地、新开发、复垦、整理地，休闲地(含轮歇地、休耕地)；以种植农作物(含蔬菜)为主，间有零星果树、桑树或其他树木的土地；平均每年能保证收获一季的已垦滩地和海涂。守住耕地红线和基本农田红线，是农业发展和农业现代化建设的根基和命脉，是国家粮食安全的基石。近年来，由于社会经济水平的不断提高、工业领域的大力发展以及城市化进程的快速推进，导致大面积的耕地被人造建筑所占用。因此，获取具有时效性强、覆盖面积广、精度高的耕地资料对于耕地保护具有重要意义。随着遥感技术的不断发展，遥感影像的空间分辨率和光谱分辨率也在不断提升，所获得的地物信息也更为丰富和精细，为耕地的准确识别提供了数据基础。当前，以卷积神经网络和注意力机制为主的深度学习技术的快速发展，为遥感影像中耕地作物类型的分类任务提供了新的解决方案。现有研究成果证明，深度学习方法能够在一定程度上满足地物识别任务的需求。然而，深度学习方法的可靠性一方面强烈依赖于具有庞大数量且标记准确的训练样本库，另一方面，对于具有多样地物特征和复杂空间关系的遥感影像来说，这类方法面临的挑战性远高于自然图像中的场景。
3.因此，对于遥感影像中的耕地作物类型分类问题，现有的基于深度学习的分类方法存在以下局限性：(1)模型的过拟合现象严重：由于遥感影像的样本标记工作耗时费力，导致标记样本的数量和质量很难满足常规深度模型的训练要求。(2)地物特征及其空间关系未能有效表征：使用深度神经网络进行特征提取过程中，由于缺少先验知识的干涉，导致所提取的特征无法准确表达影像中的复杂的地物空间信息。

技术实现要素：

4.针对现有技术中的不足，本发明提供了一种多特征协同的高分影像耕地作物类型分类方法。
5.为实现上述目的，本发明采用如下技术方案：一种多特征协同的高分影像耕地作物类型分类方法，具体包括以下步骤：
6.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；
7.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；
8.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；
9.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。
10.进一步地，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)。
11.进一步地，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。
12.进一步地，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。
13.进一步地，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。
14.进一步地，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。
15.进一步地，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，输出结果满足和为1的概率分布。
16.进一步地，步骤3包括如下子步骤：
17.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线性映射层线性映射到相同的通道维度；
18.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；
19.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；
20.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；
21.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；
22.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；
23.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。
24.进一步地，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crossentropy loss。
25.与现有技术相比，本发明的有益效果如下：
26.(1)本发明提出了一种多特征协同的高分影像耕地作物类型分类方法，该方法综合利用影像中潜在的形态特征、邻域特征和纹理特征对不同的地物类型进行有效表征，以降低网络模型内部的特征提取难度。此外，该方法仅需少量像素级的训练样本即可取得良好的分类精度，大幅度降低了遥感影像样本标记的工作量；
27.(2)本发明设计了多尺度特征提取模块和深度特征融合模块，其中，多尺度特征提取模块以并行的方式提取浅层特征中的多尺度空间信息，用于应对不同深度下的地物空间关系；深度特征融合模块对所得到的多尺度特征进行深度融合，用于获取更具判别意义的语义特征；
28.本发明在大尺度耕地影像数据集中均取得了良好的分类效果，相比于传统的基于单类特征输入的深度学习模型，本发明方法的总体精度高，标记样本需求量小，运行效率高，为基于遥感影像的耕地作物分类问题提供了新的解决思路。
附图说明
29.图1为本发明多特征协同的高分影像耕地作物类型分类方法的总体流程图；
30.图2为本发明中多尺度特征提取模块的示意图；
31.图3为本发明中深度特征融合模块的示意图；
32.图4为采用本发明方法的耕地作物类型分类图，图4中的(a)是耕地影像的合成图，图4中的(b)是真值标签，图4中的(c)是分类结果。
具体实施方式
33.下面结合附图和实施例对本发明的技术方案作进一步地解释说明。
34.如图1为本发明多特征协同的高分影像耕地作物类型分类方法的总体流程图，该高分影像耕地作物类型分类方法具体包括如下步骤：
35.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，通过对不同的地物类型进行有效表征，以降低网络模型内部的特征提取难度。本发明中数学形态学所提取的形态浅层特征包括：开运算、闭运算、顶帽开运算、顶帽闭运算、重构开运算和重构闭运算；扩展属性剖面所提取的属性浅层特征包括：连通区域面积、连通区域外接矩形对角线长度和连通区域内像元灰度值的标准差；灰度共生矩阵所提取的纹理浅层特征包括：均值、熵、方差、角二阶矩和对比度。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)。
36.步骤2、构建高分影像耕地作物分类模型，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，该高分影像耕地作物分类模型能够充分利用不同类型、不同尺度特征之间的协同性来提高深度神经网络在高分遥感影像分类中的性能。本发明中第一线性映射层、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；如图2，多尺度特征提取模块由三个并行的空间特征提取层组成，通过并行的方式提取浅层特征中的多尺度空间信息，用于应对不同深度下的地物空间关系；每个空间特征提取层对应不同的空间尺度，且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，以0进行填充，使得输出特征和输入特征的高宽相同且通道数一致。如图3，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，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；第二特征层与第二下采样层连接，第二下采样层与第四特征层连接；第三特征层与第三下采样层连接，第四特征层与第四下采样层连接，第三下采样层、第四下采样层连接；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，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；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，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，以0进行填充，且经过特征层后通道数翻倍；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，即经过下采样层后高宽减半，通过深度特征融合模块对所得到的多尺度特征进行深度融合，用于获取更具判别意义的语义特征。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，输出结果满足和为1的概率分布。
37.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；具体包括如下子步骤：
38.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；
39.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；
40.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，从而抑制高维特征中的干扰信息，得到优化特征；
41.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；
42.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，通过深度特征融合模
块中不同层之间通过跳跃连接的方式进行关联，最后通过残差连接的方式将所提取的特征进行融合，得到语义特征；
43.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；
44.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。
45.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crossentropy loss。
46.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。
47.本发明多特征协同的高分影像耕地作物类型分类方法综合考虑了多类型浅层特征提取、多尺度空间信息叠加、高维度特征优化和深度特征融合之间的协同作用，具有良好的泛化性和鲁棒性，在少量标记样本的情况下，耕地作物类型分类的准确性较高。
48.实施例
49.本实施例中所采用的数据集为雄安新区马蹄湾村的航空遥感影像数据集，其空间分辨率为0.5米，影像大小为3750
×
1580，包含水稻、菜地、玉米、大豆在内的20种不同类型地物。该数据集本身为高光谱遥感影像，包含256个光谱波段，在具体实施操作过程中仅使用其中3个波段的数据(r:120，g:72，b:36，数字表示波段序号)。
50.将上述遥感影像通过本发明多特征协同的高分影像耕地作物类型分类方法获取耕地作物类型，其具体过程如下：
51.步骤1、使用遥感处理软件envi的波段剪裁功能选取遥感影像所对应的三个波段(r:120，g:72，b:36)，并保存为单独的tiff文件，使用matlab编程完成形态浅层特征、邻域浅层特征和纹理浅层特征的提取。首先，进行形态浅层特征的提取，采用的数学形态学运算方法包括：开运算、闭运算、顶帽开运算、顶帽闭运算、重构开运算和重构闭运算，3个波段共获得18个特征；随后进行邻域浅层特征的提取，采用的属性剖面方法包括连通区域面积、连通区域外接矩形对角线长度和连通区域内像元灰度值的标准差，每个属性剖面方法包含薄运算和厚运算两种运算方式，3个波段共获得18个特征；最后，基于灰度矩阵方法所计算的纹理浅层特征包括：均值、熵、方差、角二阶矩和对比度，3个波段共获得15个特征。上述三种浅层特征获取时的参数设置如表1所示：
52.表1：三种浅层特征获取时的参数设置
53.特征名称参数设置形态浅层特征窗口大小w＝7
×
7，窗口形状为矩形邻域浅层特征面积阈值λa＝150，对角线阈值λd＝150，标准差阈值λs＝20纹理浅层特征窗口大小w＝7
×
7，偏移距离(a,b)设置为(2,2)
54.步骤2、使用pytorch深度学习框架实现高分影像耕地作物分类模型的搭建；其中，多尺度特征提取模块中的参数设置如表2：
55.表2：多尺度特征提取模块中的参数设置
56.多尺度核大小标准化激活函数步距填充值并行次数输出
空间尺度-116
×3×
3gnrelu10
×
316
×
32
×
32空间尺度-216
×5×
5gnrelu10
×
316
×
32
×
32空间尺度-316
×7×
7gnrelu10
×
316
×
32
×
32
57.深度特征融合模块中的参数设置如表3：
58.表3：深度特征融合模块中的参数设置
59.层名核大小标准化激活函数步距填充值方式输出特征层148
×3×
3gnrelu10\96
×
32
×
32下采样12
×
2\\2\avg96
×
16
×
16特征层248
×5×
5gnrelu10\96
×
32
×
32下采样22
×
2\\2\avg96
×
16
×
16特征层396
×5×
5gnrelu10\192
×
16
×
16下采样32
×
2\\2\max192
×8×
8特征层496
×3×
3gnrelu10\192
×
16
×
16下采样42
×
2\\2\max192
×8×860.步骤3、设置高分影像耕地作物分类模型在训练过程中的参数包括：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crossentropy loss；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，具体包括如下子步骤：
61.步骤3.1、将遥感影像上某区域的耕地作物进行人工标注，以标注样本为中心，将形态浅层特征、属性浅层特征和纹理浅层特征按照32
×
32的图像大小通过线性映射层线性映射到相同的通道维度，三类浅层特征经过线性映射后，通道数统一为16；
62.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，得到大小为192
×
32
×
32的高维特征；
63.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，具体地，使用全局平均池化和全局最大池化对输入的高维特征的空间维度进行压缩，输出大小为2
×
192的压缩特征，将压缩特征先经过两个参数共享且带有relu函数激活的全连接层，再进行相加运算，输出结果大小为1
×
192的关键特征；第一个全连接层的输入和输出神经元个数分别为192和12，第二个全连接层的输入和输出神经元个数分别为12和192；经过sigmoid激活函数，并与多尺度特征按照通道维度进行乘法运算；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，具体地，使用全局平均池化和全局最大池化对输入关键特征的通道维度进行压缩，输出结果大小为2
×
32
×
32，将输出结果过经过一个卷积核大小为7
×
7，步距为1的2d卷积层，输出结果大小为1
×
32
×
32，使用sigmoid函数进行激活，并与多尺度特征按照空间维度进行乘法运算，得到优化特征；
64.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，得到大小为48
×
32
×
32低维特征，低维特征的输出通道数为48；
65.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；具体地，首先，经过第一特征层的结果分别作为第二特征层和第一下采样层的输入；其次，第二
特征层的结果会先后经过第二下采样层、第四特征层和第四下采样层，第一下采样层的结果会先后经过第三特征层和第三下采样层，最后，将第三下采样层的输出特征和第四下采样的输出特征进行相加，输出结果大小为192
×8×
8的语义特征；
66.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；本实施例中的多层感知机包括4个全连接层，每层的输出结果均采用relu函数进行激活，前三个全连接层的输出神经元个数分别为512、256和128，最后一个全连接层的丢弃率(drop rate)设置为50％，输出神经元个数为类别数，本实施例中的类别个数为20。将多层感知机模块的输出结果经过softmax函数，使其满足和为1的概率分布；
67.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。
68.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。
69.如图4中的(a)是耕地影像的合成图，图4中的(b)是真值标签，图4中的(c)是分类结果，该分类结果与真值标签相比，准确率达到99.08％，相比于传统的基于单类特征输入的深度学习模型，本发明方法的总体精度高，标记样本需求量小，运行效率高，可以广泛应用于基于遥感影像的耕地作物分类。
70.以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

技术特征：

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λ
a
设置为150，对角线长度阈值λ
d
设置为150，标准差阈值λ
s
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
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crossentropy loss。

技术总结

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。法的分类精度高。法的分类精度高。