本发明涉及地理信息技术技术领域，特别是一种地理国情监测成果可靠性质检方法及系统。
背景技术：
地理国情监测是新时期测绘地理信息部门服务经济社会科学发展新的实践和重大任务。地表覆盖数据是地理国情监测、全球变化研究和生态资源管理等工作的重要基础信息。目前地表覆盖变化检测已经广泛应用到土地覆盖和土地利用监测、城市发展研究、资源管理、灾害评估和生态系统监测及军事应用等领域，此外，变化检测是地表覆盖更新的关键技术，而地理国情监测的地表覆盖拥有庞大、复杂的分类体系与标准。且大区域地表覆盖变化检测信息不仅分类体系庞杂、变化类型复杂，影像时相差异大，地物纹理和结构特征复杂多变，这些特点都不同程度地加大了地表覆盖变化检测及其可靠性研究的难度。
目前地表覆盖变化检测的可靠性检验方法主要是人工对比，即质量检测员将地表覆盖分类信息与影像源、样本数据、专题信息等叠加在一起，进行人工的对照检查。对于无法确定分类正确与否的图斑，在图上进行标记，然后进行外业的实地核查。机器学习领域最前沿的深度学习模型能一定程度上模拟人脑对图像的认知与判断，其深层网络能够对抽象的隐藏特征进行表达。
基于现有的地理国情监测质量检测方法存在较多问题。检测结果主要通过人工对比，检测效率较低，其次过度依赖于质量检测员的主观认识、经验积累，检测结果的一致性和可靠性较低，再次，外业实地核查会受到交通、天气等条件限制，以致难以到达所有疑似错误图斑的所在位置。综上所述，现有的地表覆盖分类质量检测方法已很难满足新常态下对地表覆盖变化检测精度、分类的正确性和完整性的质量要求，因此研究高效率、高可靠的地表覆盖变化检测可靠性质检方法已迫在眉睫。
技术实现要素：
本发明的目的是提出一种地理国情监测成果可靠性质检方法；本方法在一定程度上解决地表覆盖变化检测可靠性质检中存在的可靠性差、效率低、自动化程度低等问题。
本发明的目的是通过以下技术方案来实现的：
本发明提供的一种地理国情监测成果可靠性质检方法，包括以下步骤：
s1：将已有地表覆盖数据栅格化，并赋予各地类指定代码，生成掩膜数据；
s2：将正射影像数据与掩膜数据建立样本数据集，并利用四种方式对样本数据进行增广，在此基础上，对深度卷积神经网络模型进行增强与融合；
s3：利用超像素多尺度分割方法对新时相影像t2进行分割，并将分割后结果映射到旧时相地表覆盖数据上，提取地表覆盖变化区域几何信息；
s4：利用深度卷积神经网络模型对地表覆盖变化区域进行语义标记；
s5：将步骤s4所得到的变化图斑与待检地表覆盖数据叠加。
进一步，还包括以下步骤：
s6：疑似错漏检查及质检报告生成：
将得到的地表覆盖变化检测结果与待检地表覆盖数据进行几何和属性数据的对比分析，并将新旧时相影像t2、t1与检测结果叠加进行验证，最后统计变化检测的漏检、错检率，生成质检报告。
进一步，所述步骤s2中的深度卷积神经网络模型按照以下步骤建立：
1)样本选择与划分阶段，首先将已有正射影像t与掩膜数据分割为多个子区域，每一子区域对应一个瓦片，然后采用基于瓦片的机制来将整个样本集分为训练样本集、验证样本集与测试样本集；
2)对训练样本进行数据增广操作；
3)将数据增广操作后的训练样本输入到深度卷积神经网络模型中，进行前向推理和后向学习，训练计算模型的超参值。
进一步，所述步骤s3中的超像素结合区域邻接图的分割映射策略按照以下步骤进行：
s31：超像素多尺度分割方法对新时相影像t2进行分割得到特征图斑，在此基础上，采用空间约束的分水岭分割算法进行超像素分割；
s32：构建区域邻接图；区域邻接图将初始分割结果中的每个超像素抽象为一个节点，超像素相邻即代表节点连通，则用一条带有权重的线段连接连通节点；
s33：区域合并；根据合并代价的排序，循环合并代价函数值最小的相邻区域，直到最小合并代价函数值满足条件。
进一步，所述合并代价按照以下函数进行计算：
h(m,n)＝w1*dd(m,n) w2*dt(m,n) w3*df(m,n)(2)
式中，c(m,n)表示相邻超像素的合并代价函数；
am、an分别表示超像素m和n的面积；
l表示相邻超像素的公共边界长度；
λ表示形状系数；
h(m,n)表示相邻超像素的异质性；
w1、w2、w3分别表示光谱异质性、纹理异质性和特征因子异质性的权重；
ds(m,n)、dt(m,n)、df(m,n)分别表示光谱异质性、纹理异质性和特征因子异质性，下标为f和a的符号分别表示前时相和后时相的特征值。
进一步，所述步骤s4中的深度卷积神经网络模型采用以下的旋转变换模型的数据增强方法并将进行融合得到最终的预测结果，所述旋转变换模型数据増强方法；通过比较不同旋转间隔下的标记精度，获取最优的配置方案；具体步骤如下：
输入已有正射影像t及掩膜数据；以不同的旋转间隔旋转样本；输入到深度卷积神经网络模型训练；生成不同旋转间隔的语义标记结果；比较确定影像旋转间隔；将所有样本以选定间隔旋转；增强深度卷积神经网络模型。
进一步，所述步骤s4中的深度卷积神经网络模型采用以下的纵横比变换模型的数据增强方法并将进行融合得到最终的预测结果，所述纵横比变换模型数据増强方法；具体步骤如下：
输入已有正射影像t及掩膜数据；在两个方向随机从集合[0.75，1.0，1.25]中选取缩放尺度；每个影像尺度组合形成9个增广影像；增强深度卷积神经网络模型，进行融合得到最终的预测结果。
进一步，所述步骤s4中的深度卷积神经网络模型采用以下的多数据集的跨场景学习并将进行融合得到最终的预测结果：
输入已有正射影像t及掩膜数据；输入跨场景影像数据，进行重采样到与原训练集分辨率相同；将处理后的跨场景影像数据输入到深度神经网络模型进行训练；最后输入到增强深度卷积神经网络模型；进行融合得到最终的预测结果。
进一步，所述步骤s4中的深度卷积神经网络模型采用以下的多源数据增强方法并将进行融合得到最终的预测结果
s44：获取新时相影像t2数据的r、g、b三通道；并进一步r、g、b、dsm、ndsm五通道变换处理；通过输入层在深度卷积神经网络模型进行融合得到最终的预测结果。
本发明还提供了一种地理国情监测成果可靠性质检系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
s1：将已有地表覆盖数据栅格化，并赋予各地类指定代码，生成掩膜数据；
s2：将正射影像数据与掩膜数据建立样本数据集，并利用四种方式对样本数据进行增广，在此基础上，对深度卷积神经网络模型进行增强与融合；
s3：利用超像素多尺度分割方法对新时相影像t2进行分割，并将分割后结果映射到旧时相地表覆盖数据上，提取地表覆盖变化区域几何信息；
s4：利用深度卷积神经网络模型对地表覆盖变化区域进行语义标记；
s5：将步骤s4所得到的变化图斑与待检地表覆盖数据叠加。
s6：疑似错漏检查及质检报告生成，将新旧时相影像t2和t1叠加对地表覆盖变化检测结果进行验证，最后统计变化检测的漏检、错检率。
由于采用了上述技术方案，本发明具有如下的优点：
本发明提供的地理国情监测成果质检的新方法，首先通过已有历史正射影像及其对应的地表覆盖数据，经过栅格化及瓦片化处理，建立样本数据集。然后利用超像素结合区域邻接图对新时相影像进行分割得到超像素图斑，将其映射到旧时相地表覆盖数据得到变化图斑，同时，建立深度卷积神经网络模型(cnn)，利用样本数据集对深度卷积神经网络模型进行训练，在此基础上，通过对样本数据集的增广实现深度卷积神经网络模型增强；将新时相影像数据t2输入模型得到变化图斑的语义标记。最后，将得到地表覆盖变化信息与被检地表覆盖数据进行比对得到疑似错漏区域，并与前后时相影像t1、t2进行叠加验证，得到最终的质检结果。本发明能实现遥感影像变化检测结果的快速检查，是否存在变化错漏信息等，方法效率很高，可以用于地理国情监测项目的质量检查验收，极大提高质检效率。
利用已有正射影像和地表覆盖数据生成样本数据集，通过四种方式对样本进行增广，从而构建了增强的深度卷积神经网络模型，具有更高的分类准确率，为地表覆盖变化检测提供高精度的语义标记，最终形成一套高分辨率遥感影像地表覆盖变化检测可靠性自动质检方法。研究成果将在一定程度上解决地表覆盖变化检测可靠性质检中存在的可靠性差、效率低、自动化程度低等问题。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为地表覆盖变化质检流程图。
图2为多核孔洞卷积结构。
图3为基于深度卷积神经网络的语义标记算法流程图。
图4为超像素结合区域邻接图的分割方法流程图。
图5为模型增强与融合示意图。
图6为旋转变换模型增强流程图。
图7为基于纵横比变换模型增强流程图。
图8为基于多数据集的跨场景学习方法流程图。
图9为基于多源数据的数据融合方法。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示，本实施例提供的地理国情监测成果可靠性质检的新方法，本方法将深度卷积神经网络模型用于地表覆盖变化质量检查，基于正射影像、掩膜数据建立增广的样本数据集，建立用于对变化区域进行语义标记的深度卷积神经网络模型，同时对新时相影像t2进行超像素分割获取特征图斑，映射到旧时相地表覆盖数据得到变化区域几何信息，并最终形成一套基于深度卷积神经网络的地理国情监测成果质量检查的自动化方法。该研究成果不仅可以完善地表覆盖质量检查的理论体系，而且对于提升质检效率、创新质检方法、保障地表覆盖产品质量等具有重大的现实意义，本方法具体包括以下步骤，如图1所示：
s1：样本集构建：
首先将已有地表覆盖数据栅格化，并赋予各地类指定代码，生成掩膜数据，然后对正射影像数据与掩膜数据进行瓦片化处理，将正射影像t与掩膜数据分割为多个子区域，每一子区域对应一个瓦片，然后采用基于瓦片的机制来将整个样本集分为训练样本集、验证样本集与测试样本集。
s2：深度卷积神经网络构建：
利用建立的训练样本集，充分挖掘cnn算法的潜能且使其更好地适应高分辨率遥感影像数据，并在vgg-16及resnet-101两种网络结构上进行深入的测试与调优；vgg-16与resnet-101两种基本的网络模型分别被四种不同的方法增强，增强后的模型被融合到一起进行最终的综合决策；
采用了一种基于先增强后融合的集成学习策略，在集成学习过程中，合理选择具有良好差异性的模型间的集成来实现精度的提升；
如图2所示，将全连接层变为卷积层，任何一个设计良好的用于影像分类的网络结构都可以被改编为一个端到端的全卷积网络用来进行语义标记。基于这一准则，选取在影像分类任务中表现较好且易于应用的vgg-16和resnet-101两种网络结构进行改编，使其适应于高分辨率遥感影像的分类任务。为了减轻fcn在池化层中造成的分辨率损失同时提升网络的计算效率采用孔洞算法，并在此基础上实现多核孔洞卷积。
s21：通过将一个用于图像分类的cnn模型改编成全卷积形式，可以方便地得到一个对应的全卷积网络fcn用于进行分类，但在经过网络中的多个池化层操作后，最终得到的特征图的空间分辨率会严重降低，例如对于经典的具有5个池化层操作的vgg网络，其最终输出的特征图分辨率只有原始输入影像分辨率的1/32。采用附加的反卷积层来通过非线性上采样的方式抵消池化层的降采样效应需要增加额外的计算资源与内存消耗。为此，引入孔洞算法来缓解因池化操作而带来的分辨率损失问题。通过引入一个额外的采样率参数r，可以在不增加卷积核中权重参数个数前提下，实现对卷积算子感受野的控制。
s22：降采样控制策略。为避免某一池化层的降采样效应，将孔洞算法应用于其后面的卷积层，并将卷积操作的步长设置为1，而孔洞算法的采样率参数设置为原来的2倍。如果将这种操作作用于网络中的所有池化层，则最终得到一个无下采样效应的全卷积网络，同时输出一个与原始影像分辨率一致的全幅面语义标记结果。考虑到其极高的计算量与巨大的内存消耗，借助于孔洞卷积算法，允许最终得到的特征图的分辨率有所下降，但要保证其下降后的分辨率不低于原始分辨率的1/8。然后通过一个快速的双线性插值算法将最终结果上采样到原始影像对应的分辨率。
s23：网络模型训练。借助于孔洞算法的灵活性，我们可以通过调整特定孔洞卷积层的采样率r来方便地控制每个待标记像素的感受野。并且通过融合多个不同感受野的预测结果来进一步提升整个全卷积网络fcn模型的类别预测性能。具体来说，同步训练了4个具有不同采样率参数的孔洞卷积分支，并最终在输入到softmax层之前将其融合来提升模型性能。
s3：超像素结合区域邻接图的分割映射策略：
利用超像素多尺度分割方法对新时相影像t2进行分割得到特征图斑，并将其映射到t1影像得到变化区域；为确保各时相影像的分割效果一致，本实施例采用多时相影像分割映射策略，直接将单时相的影像分割结果映射到其他时相上，避免多时相复合影像分割造成的误差。
s31：针对高分辨率遥感影像的空间分辨率高的特性，提取具有相似纹理、颜色、亮度等特征的相邻像素构成有一定意义的不规则像素块，利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达影像特征。相比于影像像元，超像素能够极大地提高遥感影像后续处理的速度，同时具备较强的可塑性，能够通过进一步的合并，得到较好的分割结果。采用空间约束的分水岭分割算法进行超像素分割，得到形状紧凑的超像素，生成边界规整的地物对象。
s32：构建区域邻接图。区域邻接图将初始分割结果中的每个超像素抽象为一个节点，超像素相邻即代表节点连通，则用一条带有权重的线段连接连通节点。权重即为相邻超像素的合并代价，通常认为相邻超像素特征越相似，合并代价越小，越趋于合并。提出多特征融合的遥感影像分割方法，综合考虑相邻超像素的形状特征、光谱特征、纹理特征和特征因子，合并代价函数的计算公式如下：
h(m,n)＝w1*ds(m,n) w2*dt(m,n) w3*df(m,n)(2)
式中，
c(m,n)表示相邻超像素的合并代价函数；
am、an分别表示超像素m和n的面积；
l表示相邻超像素的公共边界长度；
λ表示形状系数；
h(m,n)表示相邻超像素的异质性；
w1、w2、w3分别表示光谱异质性、纹理异质性和特征因子异质性的权重；
ds(m,n)表示光谱异质性；
dt(m,n)表示纹理异质性；
df(m,n)表示特征因子异质性；
下标为f和a的符号分别表示前时相和后时相的特征值；
s33：区域合并，区域合并即为根据合并代价的排序，循环合并代价函数值最小的相邻区域，直到最小合并代价函数值满足条件。
s4：深度卷积神经网络模型的增强与融合：
为了增加cnn模型间的差异性以取得良好的集成效果，除了融合两个具有不同网络结构的模型外，我们将模型增强与模型差异化问题相结合进一步突出差异性在集成学习中的作用。具体而言，以vgg-16和resnet-101两个网络结构作为基础，分别利用四种不同的增强方法来提升它们的性能，然后将性能提升后的所有模型进行融合得到最终的预测结果。
s41：基于旋转变换的数据増广方法。通过比较不同旋转间隔下的标记精度，来优选出最优的配置方案。实验中发现不同的旋转増广方式均可以改善最终的语义标记精度，且在30°旋转间隔下标记结果更好。因此我们以此间隔作为基准，每幅影像増广后得到12张对应影像，最终通过角度増广实现模型增强。
s42：基于纵横比变换的数据増广方法。为了得到一个泛化性能更好的模型，我们这里进一步增强尺度变换的灵活性，容许影像在两个不同方向上具有不同的尺度缩放，即以纵横比变换的数据増广方式实现模型增强。与角度变换方式的优选过程一致，通过不同纵横比变换配置下的实验对比，我们最终按照如下方式进行变换：对于每张待变换影像来说，两个方向分别随机地从集合[0.75,1.0,1.25]中选取对应该方向的缩放尺度，最终通过两个方向上的尺度组合共产生出9个对应的増广影像。
s43：基于多数据集的跨场景学习方法。跨场景或跨数据库学习在计算机视觉领域被证明是一种可以显著提升cnn模型泛化能力的有效方法。但在遥感数据语义标记问题上目前还没有引起应有的重视。具体来说，除了像其他文献中报道的在视觉数据库训练出的网络模型基础上利用待分类遥感数据集进行精调外，其它场景的遥感数据集也被我们一并收集进行跨场景学习。
s44：基于多源数据的数据融合方法。除了三波段的两时相影像外，样本库、地形图数据等参考数据一并进行多源数据的融合。将这两类数据进行结合，并将这种基于多源数据融合的方法作为另一种模型增强方式。首先将原有网络结构的输入层由3通道改为5通道，并对紧随其后的卷积层的连接关系进行相应调整，然后将这两类数据组合为5通道数据作为新的网络结构的输入进行后续的训练与测试。
s5：提取变化信息：将超像素分割的图斑与旧时相地表覆盖数据叠加提取发生变化的地类边界，将其对应的新时相影像t2输入到增强的深度卷积神经网络模型中，得到变化区域的语义标记。
s6：疑似错漏检查及质检报告生成：将得到的变化检测结果与被检地表覆盖数据进行几何和属性数据的对比分析，并与新旧时相影像叠加验证疑似错漏的正确性，最后统计变化检测的漏检、错检率等，得到地表覆盖变化检测质检的报告。
如图3所示，本实施例提供的基于深度卷积神经网络的语义标记算法，按照以下步骤进行：建立fcn模型并采用多核孔洞卷积算法；所述多核孔洞卷积算法中设置有softmax为归一化指数函数；sum为聚合函数；pooling为池化层；atrous为孔洞卷积层，r为采样间隔；fc为全卷积连接；输入多源参考数据、旧时相地表覆盖数据；对输入的数据进行切分和增广操作；然后对fcns训练和分类；最后进行合并和fccrf精华处理。
所述步骤s2中的深度卷积神经网络模型按照以下步骤建立：
1)样本选择与划分阶段，首先将已有多组正射影像t与其对应的栅格地表覆盖分割为多个子区域，每一子区域对应一个瓦片，然后采用基于瓦片的机制来将整个样本集分为训练样本集、验证样本集与测试样本集；
2)对训练样本进行数据增广操作；
3)将数据增广操作后的训练样本输入到深度卷积神经网络模型中，进行前向推理和后向学习，训练计算模型的超参值。
如图4所示，超像素结合区域邻接图的分割方法，按照以下步骤进行：
s31：超像素多尺度分割方法对新时相影像t2进行分割得到特征图斑；采用空间约束的分水岭分割算法进行超像素分割；
s32：构建区域邻接图；区域邻接图将初始分割结果中的每个超像素抽象为一个节点，超像素相邻即代表节点连通，则用一条带有权重的线段连接连通节点；
s33：区域合并；根据合并代价的排序，循环合并代价函数值最小的相邻区域，直到最小合并代价函数值满足条件。
所述合并代价按照以下函数进行计算：
h(m,n)＝w1*ds(m,n) w2*dt(m,n) w3*df(m,n)(2)
式中，c(m,n)表示相邻超像素的合并代价函数，am、an分别表示超像素m和n的面积，l表示相邻超像素的公共边界长度，λ表示形状系数，h(m,n)表示相邻超像素的异质性，w1、w2、w3分别表示光谱异质性、纹理异质性和特征因子异质性的权重，ds(m,n)、dt(m,n)、df(m,n)分别表示光谱异质性、纹理异质性和特征因子异质性，下标为f和a的符号分别表示前时相和后时相的特征值。
如图5所示，图模型增强与融合示意图，所述步骤s4中的深度卷积神经网络模型的增强与融合按照以下方式进行：
s41：基于旋转变换的数据増广方法；通过比较不同旋转间隔下的标记精度，获取最优的配置方案；如图6所示，图6为旋转变换模型增强流程图。输入已有正射影像t及与其对应的地表覆盖数据；以不同的旋转间隔旋转样本；输入到深度卷积神经网络模型训练；生成不同旋转间隔的语义标记结果；比较确定影像旋转间隔；将所有样本以选定间隔旋转；增强深度卷积神经网络模型。
s42：基于纵横比变换的数据増广方法；容许影像在两个不同方向上具有不同的尺度缩放，以纵横比变换的数据増广方式实现模型增强；共产生出増广影像；如图7所示，图7为基于纵横比变换模型增强流程图。输入已有正射影像t及与其对应的地表覆盖数据；在两个方向随机从集合[0.75，1.0，1.25]中选取缩放尺度；每个影像尺度组合形成9个增广影像；增强深度卷积神经网络模型，进行融合得到最终的预测结果。
s43：基于多数据集的跨场景学习方法；如图8所示，图8为基于多数据集的跨场景学习方法流程图。输入已有正射影像t及与其对应的地表覆盖数据；输入跨场景影像数据，进行重采样到与原训练集分辨率相同；将处理后的跨场景影像数据输入到深度神经网络模型进行训练；最后输入到增强深度卷积神经网络模型；进行融合得到最终的预测结果。
s44：基于多源数据的数据融合方法；如图9所示，图9为基于多源数据的数据融合方法。获取新时相影像t2数据的r、g、b三通道；并进一步进行r、g、b、dsm、ndsm五通道变换处理；通过输入层在深度卷积神经网络模型进行融合得到最终的预测结果。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。
1.一种地理国情监测成果可靠性质检方法，其特征在于：包括以下步骤：
s1：将已有地表覆盖数据栅格化，并赋予各地类指定代码，生成掩膜数据；
s2：将正射影像数据与掩膜数据建立样本数据集，并利用四种方式对样本数据进行增广，在此基础上，对深度卷积神经网络模型进行增强与融合；
s3：利用超像素多尺度分割方法对新时相影像t2进行分割，并将分割后结果映射到旧时相地表覆盖数据上，提取地表覆盖变化区域几何信息；
s4：利用深度卷积神经网络模型对地表覆盖变化区域进行语义标记；
s5：将步骤s4所得到的变化图斑与待检地表覆盖数据叠加。
2.如权利要求1所述的地理国情监测成果可靠性质检方法，其特征在于：还包括以下步骤：
s6：疑似错漏检查及质检报告生成：
将得到的地表覆盖变化检测结果与待检地表覆盖数据进行几何和属性数据的对比分析，并将新旧时相影像t2、t1与检测结果叠加进行验证，最后统计变化检测的漏检、错检率，生成质检报告。
3.如权利要求1所述的地理国情监测成果可靠性质检方法，其特征在于：所述步骤s2中的深度卷积神经网络模型按照以下步骤建立：
1)样本选择与划分阶段，首先将已有正射影像t与掩膜数据分割为多个子区域，每一子区域对应一个瓦片，然后采用基于瓦片的机制来将整个样本集分为训练样本集、验证样本集与测试样本集；
2)对训练样本进行数据增广操作；
3)将数据增广操作后的训练样本输入到深度卷积神经网络模型中，进行前向推理和后向学习，训练计算模型的超参值。
4.如权利要求1所述的地理国情监测成果可靠性质检方法，其特征在于：所述步骤s3中的超像素结合区域邻接图的分割映射策略按照以下步骤进行：
s31：利用超像素多尺度分割方法对新时相影像t2进行分割，在此基础上，采用空间约束的分水岭分割算法进行超像素分割；
s32：构建区域邻接图；将初始分割结果中的每个超像素抽象为一个节点，超像素相邻即代表节点连通，则用一条带有权重的线段连接连通节点；
s33：区域合并；根据合并代价的排序，循环合并代价函数值最小的相邻区域，直到最小合并代价函数值满足条件。
5.如权利要求1所述的地理国情监测成果可靠性质检方法，其特征在于：所述合并代价按照以下函数进行计算：
h(m,n)＝w1*ds(m,n) w2*dt(m,n) w3*df(m,n)(2)
式中，c(m,n)表示相邻超像素的合并代价函数；
am、an分别表示超像素m和n的面积；
l表示相邻超像素的公共边界长度；
λ表示形状系数；
h(m,n)表示相邻超像素的异质性；
w1、w2、w3分别表示光谱异质性、纹理异质性和特征因子异质性的权重；
ds(m,n)、dt(m,n)、df(m,n)分别表示光谱异质性、纹理异质性和特征因子异质性，下标为f和a的符号分别表示前时相和后时相的特征值。
6.如权利要求1所述的地理国情监测成果可靠性质检方法，其特征在于：所述步骤s4中的深度卷积神经网络模型采用以下的旋转变换模型的数据增强方法并将进行融合得到最终的预测结果，所述旋转变换模型数据増强方法；通过比较不同旋转间隔下的标记精度，获取最优的配置方案；具体步骤如下：
输入已有正射影像t及掩膜数据；以不同的旋转间隔旋转样本；输入到深度卷积神经网络模型训练；生成不同旋转间隔的语义标记结果；比较确定影像旋转间隔；将所有样本以选定间隔旋转；增强深度卷积神经网络模型。
7.如权利要求1所述的地理国情监测成果可靠性质检方法，其特征在于：所述步骤s4中的深度卷积神经网络模型采用以下的纵横比变换模型的数据增强方法并将进行融合得到最终的预测结果，所述纵横比变换模型数据増强方法；具体步骤如下：
输入已有正射影像t及掩膜数据；在两个方向随机从集合[0.75，1.0，1.25]中选取缩放尺度；每个影像尺度组合形成9个增广影像；增强深度卷积神经网络模型，进行融合得到最终的预测结果。
8.如权利要求1所述的地理国情监测成果可靠性质检方法，其特征在于：所述步骤s4中的深度卷积神经网络模型采用以下的多数据集的跨场景学习并将进行融合得到最终的预测结果：
输入已有正射影像t及掩膜数据；输入跨场景影像数据，进行重采样到与原训练集分辨率相同；将处理后的跨场景影像数据输入到深度卷积神经网络模型进行训练；最后输入到增强深度卷积神经网络模型；进行融合得到最终的预测结果。
9.如权利要求1所述的地理国情监测成果可靠性质检方法，其特征在于：所述步骤s4中的深度卷积神经网络模型采用以下的多源数据增强方法并将进行融合得到最终的预测结果：
获取新时相影像t2数据的r、g、b三通道；并进行r、g、b、dsm、ndsm五通道变换处理；通过输入层在深度卷积神经网络模型进行融合得到最终的预测结果。
10.一种地理国情监测成果可靠性质检系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现以下步骤：
s1：将已有地表覆盖数据栅格化，并赋予各地类指定代码，生成掩膜数据；
s2：利用正射影像数据与掩膜数据建立样本数据集，并利用四种方式对样本数据进行增广，在此基础上，对深度卷积神经网络模型进行增强与融合；
s3：利用超像素多尺度分割方法对新时相影像t2进行分割，并将分割后结果映射到旧时相地表覆盖数据上，提取地表覆盖变化区域几何信息；
s4：利用深度卷积神经网络模型对地表覆盖变化区域进行语义标记；
s5：将步骤s4所得到的变化图斑与待检地表覆盖数据叠加。
s6：疑似错漏检查及质检报告生成，将新旧时相影像t2和t1叠加对地表覆盖变化检测结果进行验证，最后统计变化检测的漏检、错检率。
技术总结