地物识别方法、装置、计算机设备和存储介质

技术领域

本申请涉及遥感科学技术领域，特别是涉及一种地物识别方法、装置、计算机设备和存储介质。

背景技术

遥感影像能够记录各种地物电磁波大小，可以将遥感影像应用到地物识别中，高光谱图像作为遥感影像中的一种，高光谱图像通过提供高分辨率的光谱图像，具有很强的地物识别能力，但由于地物类型的复杂性和高光谱仪的瞬时视场局限性，使得混合像元普遍存在于高光谱图像中，混合像元的存在影响了高光谱图像的空间分辨率，使得对高光谱图像中地物分布信息的准确提取比较困难。

传统技术中，对遥感影像中地物的识别是在对遥感影像进行光谱解混后，通过得到的丰度值信息实现对遥感影像中地物的分类，得到遥感影像中地物的类别信息。

但是，传统技术中，存在对遥感影像中地物识别的准确度较低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高遥感影像中地物识别的准确度的地物识别方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种地物识别方法。所述方法包括：

根据初始遥感影像，获取所述初始遥感影像中各亚像元的同质性信息和异质性信息；

根据所述初始遥感影像，获取所述初始遥感影像对应的亚像元遥感影像；其中，所述亚像元遥感影像的分辨率高于所述初始遥感影像的分辨率；

根据所述亚像元遥感影像、各所述同质性信息、各所述异质性信息和预设的定位模型，得到所述初始遥感影像中各类地物的识别结果。

在其中一个实施例中，所述定位模型包括第一反向传播神经网络、第二反向传播神经网络、长短期记忆网络和分类网络；所述根据所述亚像元遥感影像、各所述同质性信息、各所述异质性信息和预设的定位模型，得到所述初始遥感影像中各类地物的识别结果，包括：

将各所述同质性信息输入所述第一反向传播神经网络，得到同质性特征；

将各所述异质性信息输入所述第二反向传播神经网络，得到异质性特征；

将所述亚像元遥感影像输入所述长短期记忆网络，得到所述亚像元遥感影像对应的光谱特征信息；

将所述同质性特征、所述异质性特征和所述光谱特征信息输入所述分类网络中，得到所述识别结果。

在其中一个实施例中，所述分类网络包括特征融合层和分类层；所述将所述同质性特征、所述异质性特征和所述光谱特征信息输入所述分类网络中，得到所述识别结果，包括：

通过所述特征融合层对所述同质性特征、所述异质性特征和所述光谱特征信息进行融合，得到融合后的特征；

利用所述分类层对所述融合后的特征进行分类，得到所述识别结果。

在其中一个实施例中，所述根据初始遥感影像，获取所述初始遥感影像中各亚像元的同质性信息和异质性信息，包括：

对所述初始遥感影像进行光谱分解，得到所述初始遥感影像的分数图；所述分数图中包括所述初始遥感影像中各类地物所占的比例；

根据初始遥感影像和所述分数图，获取所述初始遥感影像中各亚像元的同质性信息和异质性信息。

在其中一个实施例中，所述根据初始遥感影像和所述分数图，获取所述初始遥感影像中各亚像元的同质性信息和异质性信息，包括：

根据空间相关性理论、万有引力定律和所述分数图，对所述初始遥感图像中各亚像元分别进行计算，得到各所述同质性信息和各所述异质性信息。

在其中一个实施例中，所述根据所述初始遥感影像，获取所述初始遥感影像对应的亚像元遥感影像，包括：

利用双立方插值对所述初始遥感影像进行处理，得到所述亚像元遥感影像。

第二方面，本申请还提供了一种地物识别装置。所述装置包括：

第一获取模块，根据初始遥感影像，获取所述初始遥感影像中各亚像元的同质性信息和异质性信息；

第二获取模块，用于根据所述初始遥感影像，获取所述初始遥感影像对应的亚像元遥感影像；其中，所述亚像元遥感影像的分辨率高于所述初始遥感影像的分辨率；

识别模块，用于根据所述亚像元遥感影像、各所述同质性信息、各所述异质性信息和预设的定位模型，得到所述初始遥感影像中各类地物的识别结果。第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据初始遥感影像，获取所述初始遥感影像中各亚像元的同质性信息和异质性信息；

根据所述初始遥感影像，获取所述初始遥感影像对应的亚像元遥感影像；其中，所述亚像元遥感影像的分辨率高于所述初始遥感影像的分辨率；

根据所述亚像元遥感影像、各所述同质性信息、各所述异质性信息和预设的定位模型，得到所述初始遥感影像中各类地物的识别结果。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

根据初始遥感影像，获取所述初始遥感影像中各亚像元的同质性信息和异质性信息；

根据所述初始遥感影像，获取所述初始遥感影像对应的亚像元遥感影像；其中，所述亚像元遥感影像的分辨率高于所述初始遥感影像的分辨率；

根据所述亚像元遥感影像、各所述同质性信息、各所述异质性信息和预设的定位模型，得到所述初始遥感影像中各类地物的识别结果。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

根据初始遥感影像，获取所述初始遥感影像中各亚像元的同质性信息和异质性信息；

根据所述初始遥感影像，获取所述初始遥感影像对应的亚像元遥感影像；其中，所述亚像元遥感影像的分辨率高于所述初始遥感影像的分辨率；

根据所述亚像元遥感影像、各所述同质性信息、各所述异质性信息和预设的定位模型，得到所述初始遥感影像中各类地物的识别结果。

上述地物识别方法、装置、计算机设备和存储介质，通过获取初始遥感影像中各亚像元的同质性信息、异质性信息和该初始遥感影像的亚像元遥感影像，从而可以根据亚像元遥感影像、初始遥感影像中各亚像元的同质性信息、初始遥感影像中各亚像元的异质性信息和预设的定位模型，得到初始遥感影像中各类地物的识别结果。由于亚像元遥感影像的分辨率高于初始遥感影像的分辨率，因此，通过定位模型能够充分学习亚像元遥感影像中的光谱信息，再结合初始遥感影像中各像元的同质性信息和异质性信息能够准确地对初始遥感影像中的各类地物进行识别，从而提高了对初始遥感影像中各类地物的识别结果的准确度。

附图说明

图1为一个实施例中地物识别方法的应用环境图；

图2为一个实施例中地物识别方法的流程示意图；

图3为另一个实施例中地物识别方法的流程示意图；

图4为一个实施例中定位模型的结构示意图；

图5为另一个实施例中地物识别方法的流程示意图；

图6为另一个实施例中地物识别方法的流程示意图；

图7为一个实施例中地物识别装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的地物识别方法，可以应用于如图1所示的应用环境中。图1提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种地物识别方法。

在一个实施例中，如图2所示，提供了一种地物识别方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

S201，根据初始遥感影像，获取初始遥感影像中各亚像元的同质性信息和异质性信息。

其中，遥感影像是指记录各种地物电磁波大小的图片，遥感影像中可以包括各种地物的信息；亚像元是指遥感影像中的最小成像单元；遥感影像中各亚像元的同质性是指相同地物类型的粒子间的空间吸引力，即粒子是同一种地物类型的性质，遥感影像中各亚像元的异质性用来描述邻域像元与亚像元为不同类别时所存在的相关关系。

通常，亚像元的同质性信息一定程度上决定了亚像元的地物类别。在本实施例中，可以利用亚像元和邻域像元之间的同质属性，得到亚像元与邻域像元的同质性信息，但由于亚像元不同类别的同质性可能相同，影响了对亚像元类别的判定，所以还可以结合描述邻域像元与亚像元为不同类别时存在的相关关系的异质性对亚像元的类别进行判定。在本实施例中，通过引入亚像元的同质性信息和异质性信息，共同描述亚像元与邻域像元的属性关系，这样的描述将整个邻域像元对亚像元的影响量化起来，不再是邻域像元一部分地物对亚像元的空间关联，使得亚像元的属性特征更加明显，便于更好地分析亚像元的地物属性，提高定位精度。

可选的，在本实施例中，初始遥感影像中亚像元的同质性信息可以包括亚像元与邻域像元之间的同质性大小，异质性信息可以包括亚像元与邻域像元之间的异质性大小。可选的，同一个亚像元可以有多个邻域像元，可以将亚像元与各邻域像元之间的同质性大小的平均值作为该亚像元与邻域像元的同质性信息，或者，可以将亚像元与各邻域像元之间最大的同质性大小作为该亚像元与邻域像元的同质性信息；同样地，可以将亚像元与各邻域像元之间的异质性大小的平均值作为该亚像元与邻域像元的异质性信息，或者，可以将亚像元与各邻域像元之间最大的异质性大小作为该亚像元与邻域像元的异质性信息。

在本实施例中，可以依次计算初始遥感影像中各亚像元为不同地物类型时的同质性大小，得到第一个K列向量，其中，K为地物种类的数量，亚像元在某一类的同质性越大，越有可能属于该类别。依次计算亚像元为不同地物类型时的异质性大小，得到第二个K列向量。

可以理解的是，高光谱图像作为遥感影像的一种，本实施例中的初始遥感影像可以为高光谱图像，或者，本实施例中的初始遥感影像也可以为其他类型的遥感影像。

S202，根据初始遥感影像，获取初始遥感影像对应的亚像元遥感影像；其中，亚像元遥感影像的分辨率高于初始遥感影像的分辨率。

可选的，在本实施例中，可以利用初始遥感影像中的地物分布情况对初始遥感图像进行处理，得到遥感影像对应的亚像元遥感影像，例如，可以对初始遥感影像进行插值处理等，得到亚像元遥感影像。可以理解的是，亚像元遥感影像的分辨率是高于初始遥感影像的分辨率的，遥感影像的分辨率越高越能表现出更多的细节，也就是说，亚像元遥感影像中包括有更加丰富的光谱信息。

S203，根据亚像元遥感影像、各同质性信息、各异质性信息和预设的定位模型，得到初始遥感影像中各类地物的识别结果。

在本实施例中，预设的定位模型为预先训练好的模型，该定位模型可以对初始遥感影像中的各类地物进行识别，得到初始遥感影像中各类地物的识别结果。

可选的，在本实施例中，预设的定位模型中可以包含多个子模型，每个子模型执行的操作可以是不同的，在对定位模型进行训练时可以对包含多个子模型的定位模型进行训练，使该定位模型可以实现根据亚像元遥感图像、初始遥感影像中各亚像元的同质性信息和各亚像元的异质性信息识别初始遥感影像中的地物。可选的，在本实施例中，上述定位模型在进行训练时，可以从各类地物数据中，分别选取25％的数据作为训练样本，进行训练，获取训练好的定位模型，并保存训练好的定位模型的权重。

上述地物识别方法中，通过获取初始遥感影像中各亚像元的同质性信息、异质性信息和该初始遥感影像的亚像元遥感影像，从而可以根据亚像元遥感影像、初始遥感影像中各亚像元的同质性信息、初始遥感影像中各亚像元的异质性信息和预设的定位模型，得到初始遥感影像中各类地物的识别结果。由于亚像元遥感影像的分辨率高于初始遥感影像的分辨率，因此，通过定位模型能够充分学习亚像元遥感影像中的光谱信息，再结合初始遥感影像中各像元的同质性信息和异质性信息能够准确地对初始遥感影像中的各类地物进行识别，从而提高了对初始遥感影像中各类地物的识别结果的准确度。

在上述根据亚像元遥感影像、初始遥感影像中各亚像元的同质性信息、初始遥感影像中各亚像元的异质性信息和预设的定位模型，得到初始遥感影像中各类地物的识别结果的场景中，上述定位模型可以包括第一反向传播神经网络、第二反向传播神经网络、长短期记忆网络和分类网络。在一个实施例中，如图3所示，S203，包括：

S301，将各同质性信息输入第一反向传播神经网络，得到同质性特征。

其中，反向传播(back propagation，BP)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其利用梯度搜索技术，以使网络的实际输出值和期望输出值的误差均方差为最小。在本实施例中，通过将初始遥感影像中各亚像元的同质性信息输入第一BP神经网络，通过第一BP神经网络对各亚像元的同质性信息进行处理，得到各亚像元对应的同质性特征。

可选的，在本实施例中，第一BP神经网络模型可以包括输入层、隐含层和输出层，输入层可以包括K个神经元，其中，K为初始遥感影像中亚像元的数量，输入层用来输入初始遥感影像中各亚像元的同质性信息，经过隐含层处理，在输出层得到高维的同质性特征。

S302，将各异质性信息输入第二反向传播神经网络，得到异质性特征。

在本实施例中，通过将初始遥感影像中各亚像元的异质性信息输入第二BP神经网络，通过第二BP神经网络对各亚像元的异质性信息进行处理，得到各亚像元对应的异质性特征。

可选的，在本实施例中，第二BP神经网络模型可以包括输入层、隐含层和输出层，输入层可以包括K个神经元，其中，K为初始遥感影像中亚像元的数量，输入层用来输入初始遥感影像中各亚像元的异质性信息，经过隐含层处理，在输出层得到高维的异质性特征。

S303，将亚像元遥感影像输入长短期记忆网络，得到亚像元遥感影像对应的光谱特征信息。

其中，长短期记忆网络(Long Short-Term Memory，LSTM)是一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟非常长的重要事件。

在本实施例中，可以使用双层LSTM网络，设置128个隐藏节点，通过该双层LSTM网络充分提取亚像元遥感影像对应的光谱特征信息。

S304，将同质性特征、异质性特征和光谱特征信息输入分类网络中，得到识别结果。

可选的，分类网络可以为具有分类功能的模型，在本实施例中，可以使用Softmax分类器，Softmax分类器为逻辑回归分类器面对多个分类的一般化归纳。

示例性地，在本实施例中，如图4所示，第一反向传播神经网络、第二反向传播神经网络、长短期记忆网络为定位模型的三个子模型，进一步地，可以将从三个子模型中获取的同质性特征、异质性特征和光谱特征输入定位模型的分类网络中，通过分类网络进一步地对光谱特征、同质性特征和异质性特征进行融合分类，从而得到初始遥感影像中各类地物的识别结果。

可选的，作为一种可选的实施方式，定位模型的分类网络可以包括特征融合层和分类层；通过特征融合层可以对同质性特征、异质性特征和光谱特征信息进行特征融合，得到融合后的特征；进而可以利用分类层对融合后的特征进行分类，得到初始遥感影像中各类地物的识别结果。其中，特征融合为对同一模式抽取不同的特征矢量进行优化组合，有串行和并行等处理方式。

可选的，在本实施例中，可以使用Indian Pines数据对地物识别方法进行验证，Indian Pines数据中图像大小为145×145×200，由16种地物类别(不包括背景)组成，通过对数据进行降采样，生成低分辨率图像，设置缩放因子s＝2并由svm分类器进行分类，分别由SPSAM算法、STHSPM算法以及本申请的地物识别方法进行亚像元定位，在地物识别结果中，SPSAM算法类别间的相互影响严重，对不同类比的亚像元定位不准确，在图像边缘有明显的毛刺，距离较近的地物出现了明显的融合，STHSPM算法受到了背景的影响，造成亚像元定位的不准确，在图像边缘有明显的毛刺，距离较近的地物出现了明显的融合，而本申请在类别间以及类别与背景间的定位效果明显得到了改善，去除了毛刺和融合现象，几乎接近于真实的地物分类。在缩放因子s＝2和s＝3时，上述三种方法对应的的准确率和Kappa系数如下表所示，其中Kappa是衡量分类精度的指标，Accuracy为准确率，由此可以看出，本申请提出的地物识别方法在识别精度和识别准确率上都优于其他两种方法。

本实施例中，通过将亚像元遥感影像输入长短期记忆网络，能够获得亚像元遥感影像对应的光谱特征信息，从而可以将遥感影像丰富的光谱信息融入到地物识别过程中，充分发挥了遥感影像的价值，使用长短期记忆网络不仅考虑了光谱信息，还充分考虑了波段之间的相互关系，使得获取的光谱特征信息更加准确；另外，将同质性信息输入至第一反向传播神经网络，将异质性信息输入至第二反向传播神经网络，能够得到对应的同质性特征和异质性特征，从而将遥感影像的光谱特征信息和遥感影像中亚像元的同质性和异质性结合，能够充分利用率光谱信息和空间结构信息，提高了地物识别的准确性。

在上述获取初始遥感影像中各亚像元的同质性信息和异质性信息的场景中，在一个实施例中，如图5所示，上述S201，包括：

S401，对初始遥感影像进行光谱分解，得到初始遥感影像的分数图；分数图中包括初始遥感影像中各类地物所占的比例。

其中，光谱分解为混合光谱分解技术，用以确定在同一像元内不同地物光谱成分所占的比例或非已知成分，不同地物光谱成分的混合会改变波段的深度，波段的位置，宽度、面积和吸收的程度等，混合光谱分解技术通常是采用矩阵方程、神经元网络方法以及光谱吸收指数技术等，求出在给定像元内各成分光谱的比例。

在本实施例中，利用低分辨率的初始遥感影像进行光谱分解，得到初始遥感影像中各类地物的分数图，该分数图中包括初始遥感影像中各类地物所占的比例。

S402，根据初始遥感影像和分数图，获取初始遥感影像中各亚像元的同质性信息和异质性信息。

可选的，在本实施例中，可以根据空间相关性理论、万有引力定律和分数图，对初始遥感图像中各亚像元分别进行计算，得到初始遥感影像中各亚像元的同质性信息和异质性信息。根据空间相关性理论，在空间变量尺度比遥感图像像元尺度大的前提条件下，空间上越邻近的目标其属性值越相似，在遥感图像中，更确切的是指像元间的空间自相关性，即混合像元内以及不同像元之间，距离较近的亚像元与距离相对较远的亚像元相比，更可能属于同一地物类型。示例性地，假设空间自相关性在亚像元与其相邻的八个混合像元之间存在，与距离较远的混合型元间的相关性可以忽略不计。

另外，在本实施例中，引入万有引力理论，通过万有引力理论可知自然界中任何两个物体都是相互吸引的，引力的大小与两物体的质量的乘积成正比，与两物体间距离的平方成反比，万有引力定律准确地描述了物体间相互吸引作用的模式。示例性地，在本实施例中，可以将初始遥感影像中每个像元以及亚像元看做不同质量的粒子，那么混合像素的分数图就可以表示成为粒子的质量，混合像元中亚像元与周围邻域像元的空间吸引力可以定量的表示出来。

可选的，在本实施例中，用相同地物类型的粒子间的空间吸引力来描述粒子间的同质性，即粒子是同一种地物类型的性质，并由空间引力来表示。亚像元与邻域像元的同质性可以表示为：

其中，p

示例性地，在本实施例中，在亚像元有8个邻域像元的情况下，亚像元在所有邻域像元的影响下为Z地物的同质属性可以表示为：

可选的，在本实施例中，亚像元的同质性存在一种偶然现象，在分数图不同时，仍有可能出现亚像元不同类别的同质性相同的情况，影响了对亚像元类别的判定。因此，提出异质性来描述邻域像元与亚像元为不同类别时所存在的相关关系。亚像元与邻域像元的异质性可以表示为：

其中，Z

示例性地，在本实施例中，在亚像元有8个邻域像元的情况下，亚像元在所有邻域像元的影响下为Z地物的异质属性可以表示为：

本实施例中，对初始遥感影像进行光谱分解，得到初始遥感影像的分数图，利用空间相关性理论、万有引力定律和分数图，引入亚像元的同质性和异质性，共同描述亚像元与邻域像元的属性关系，将邻域像元对亚像元的影响量化，使得亚像元的属性特征更加明显，便于更好的分析亚像元的属性特征，得到地物识别的准确度。

在上述根据初始遥感影像，获取初始遥感影像对应的亚像元遥感影像的场景中，在一个实施例中，S202，包括：利用双立方插值对初始遥感影像进行处理，得到亚像元遥感影像。

其中，双立方插值是二维空间中最常用的插值方法，是一种用于在图像中“插值”或增加“像素”数量/密度的一种方法。利用插值技术增加图形数据，在以其他形式输出的时候，能够增大图像的分辨率。

在本实施例中，使用双立方插值对初始遥感影像进行处理，能够增大该遥感影像的分辨率，得到亚像元遥感影像。示例性地，在本实施例中，以初始遥感影像为高光谱图像为例，可以使用双立方插值对初始的低分辨率的高光谱图像进行处理，得到高分辨率的高光谱图像。

本实施例中，使用双立方插值对初始遥感图像进行处理，能够保留更好的细节质量，得到图像边缘更平滑的亚像元遥感影像，从而得到准确度更高的地物识别结果。

下面结合一个具体的地物识别场景来介绍本公开的实施例，如图6所示，该方法包括如下步骤：

S1，对初始遥感影像进行光谱分解，得到初始遥感影像的分数图；分数图中包括初始遥感影像中各类地物所占的比例。

S2，根据空间相关性理论、万有引力定律和分数图，对初始遥感图像中各亚像元分别进行计算，得到各同质性信息和各异质性信息。

S3，利用双立方插值对初始遥感影像进行处理，得到亚像元遥感影像；其中，亚像元遥感影像的分辨率高于初始遥感影像的分辨率。

S4，将各同质性信息输入预设的定位模型的第一反向传播神经网络，得到同质性特征；将各异质性信息输入预设的定位模型的第二反向传播神经网络，得到异质性特征。

S5，将亚像元遥感影像输入预设的定位模型的长短期记忆网络，得到亚像元遥感影像对应的光谱特征信息。

S6，通过预设的定位模型的特征融合层对同质性特征、异质性特征和光谱特征信息进行融合，得到融合后的特征；

S7，利用预设的定位模型的分类层对融合后的特征进行分类，得到初始遥感影像中地物的识别结果。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的地物识别方法的地物识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个地物识别装置实施例中的具体限定可以参见上文中对于地物识别方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种地物识别装置，包括：第一获取模块、第二获取模块和识别模块，其中：

第一获取模块，根据初始遥感影像，获取初始遥感影像中各亚像元的同质性信息和异质性信息；

第二获取模块，用于根据初始遥感影像，获取初始遥感影像对应的亚像元遥感影像；其中，亚像元遥感影像的分辨率高于初始遥感影像的分辨率；

识别模块，用于根据亚像元遥感影像、各同质性信息、各异质性信息和预设的定位模型，得到初始遥感影像中各类地物的识别结果。

本实施例提供的地物识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，上述识别模块包括：第一获取单元、第二获取单元、第三获取单元和第四获取单元，其中：

第一获取单元，用于将各同质性信息输入第一反向传播神经网络，得到同质性特征。

第二获取单元，用于将各异质性信息输入第二反向传播神经网络，得到异质性特征。

第三获取单元，将亚像元遥感影像输入长短期记忆网络，得到亚像元遥感影像对应的光谱特征信息。

第四获取单元，将同质性特征、异质性特征和光谱特征信息输入分类网络中，得到识别结果。

本实施例提供的地物识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，上述第四获取单元，用于通过特征融合层对同质性特征、异质性特征和光谱特征信息进行融合，得到融合后的特征；利用分类层对融合后的特征进行分类，得到识别结果。

本实施例提供的地物识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，上述第一获取模块，包括：第五获取单元和第六获取单元，其中：

第五获取单元，用于对初始遥感影像进行光谱分解，得到初始遥感影像的分数图；分数图中包括初始遥感影像中各类地物所占的比例。

第六获取单元，用于根据初始遥感影像和分数图，获取初始遥感影像中各亚像元的同质性信息和异质性信息。

本实施例提供的地物识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，上述第六获取单元，用于根据空间相关性理论、万有引力定律和分数图，对初始遥感图像中各亚像元分别进行计算，得到各同质性信息和各异质性信息。

本实施例提供的地物识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在一个实施例中，上述第二获取模块，包括第七获取单元，其中：

第七获取单元，用于利用双立方插值对初始遥感影像进行处理，得到亚像元遥感影像。

本实施例提供的地物识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

上述地物识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种地物识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

根据初始遥感影像，获取初始遥感影像中各亚像元的同质性信息和异质性信息；

根据初始遥感影像，获取初始遥感影像对应的亚像元遥感影像；其中，亚像元遥感影像的分辨率高于初始遥感影像的分辨率；

根据亚像元遥感影像、各同质性信息、各异质性信息和预设的定位模型，得到初始遥感影像中各类地物的识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将各同质性信息输入第一反向传播神经网络，得到同质性特征；

将各异质性信息输入第二反向传播神经网络，得到异质性特征；

将亚像元遥感影像输入长短期记忆网络，得到亚像元遥感影像对应的光谱特征信息；

将同质性特征、异质性特征和光谱特征信息输入分类网络中，得到识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过特征融合层对同质性特征、异质性特征和光谱特征信息进行融合，得到融合后的特征；

利用分类层对融合后的特征进行分类，得到识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对初始遥感影像进行光谱分解，得到初始遥感影像的分数图；分数图中包括初始遥感影像中各类地物所占的比例；

根据初始遥感影像和分数图，获取初始遥感影像中各亚像元的同质性信息和异质性信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据空间相关性理论、万有引力定律和分数图，对初始遥感图像中各亚像元分别进行计算，得到各同质性信息和各异质性信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

利用双立方插值对初始遥感影像进行处理，得到亚像元遥感影像。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据初始遥感影像，获取初始遥感影像中各亚像元的同质性信息和异质性信息；

根据初始遥感影像，获取初始遥感影像对应的亚像元遥感影像；其中，亚像元遥感影像的分辨率高于初始遥感影像的分辨率；

根据亚像元遥感影像、各同质性信息、各异质性信息和预设的定位模型，得到初始遥感影像中各类地物的识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将各同质性信息输入第一反向传播神经网络，得到同质性特征；

将各异质性信息输入第二反向传播神经网络，得到异质性特征；

将亚像元遥感影像输入长短期记忆网络，得到亚像元遥感影像对应的光谱特征信息；

将同质性特征、异质性特征和光谱特征信息输入分类网络中，得到识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过特征融合层对同质性特征、异质性特征和光谱特征信息进行融合，得到融合后的特征；

利用分类层对融合后的特征进行分类，得到识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对初始遥感影像进行光谱分解，得到初始遥感影像的分数图；分数图中包括初始遥感影像中各类地物所占的比例；

根据初始遥感影像和分数图，获取初始遥感影像中各亚像元的同质性信息和异质性信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据空间相关性理论、万有引力定律和分数图，对初始遥感图像中各亚像元分别进行计算，得到各同质性信息和各异质性信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

利用双立方插值对初始遥感影像进行处理，得到亚像元遥感影像。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

根据初始遥感影像，获取初始遥感影像中各亚像元的同质性信息和异质性信息；

根据初始遥感影像，获取初始遥感影像对应的亚像元遥感影像；其中，亚像元遥感影像的分辨率高于初始遥感影像的分辨率；

根据亚像元遥感影像、各同质性信息、各异质性信息和预设的定位模型，得到初始遥感影像中各类地物的识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将各同质性信息输入第一反向传播神经网络，得到同质性特征；

将各异质性信息输入第二反向传播神经网络，得到异质性特征；

将亚像元遥感影像输入长短期记忆网络，得到亚像元遥感影像对应的光谱特征信息；

将同质性特征、异质性特征和光谱特征信息输入分类网络中，得到识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过特征融合层对同质性特征、异质性特征和光谱特征信息进行融合，得到融合后的特征；

利用分类层对融合后的特征进行分类，得到识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对初始遥感影像进行光谱分解，得到初始遥感影像的分数图；分数图中包括初始遥感影像中各类地物所占的比例；

根据初始遥感影像和分数图，获取初始遥感影像中各亚像元的同质性信息和异质性信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据空间相关性理论、万有引力定律和分数图，对初始遥感图像中各亚像元分别进行计算，得到各同质性信息和各异质性信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

利用双立方插值对初始遥感影像进行处理，得到亚像元遥感影像。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。