[發(fā)明專利]基于遙感影像的特征函數(shù)空間濾值回歸模型并行化方法

有效

• 申請?zhí)枺?/td>: 201611034124.7
• 申請日: 2016-11-22
• 公開（公告）號: CN106600578B
• 公開（公告）日: 2017-11-10
• 發(fā)明（設(shè)計）人: 陳玉敏;楊家鑫;吳錢嬌;陳忠超;巴倩倩;張靜祎;張心儀
• 申請（專利權(quán)）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙)42222
• 代理人: 魏波

1.一種基于遙感影像的特征函數(shù)空間濾值回歸模型并行化方法，其特征在于，包括以下步驟：

步驟1：遙感影像分塊，確定最小分割單元N×N并計算空間鄰接矩陣W；

步驟2：空間鄰接矩陣W中心化得到矩陣C，計算矩陣C的特征值和特征向量Eigenvectors；

步驟3：創(chuàng)建并行任務(wù)，將分塊的影像和特征向量Eigenvectors加入任務(wù)隊列，并分發(fā)至各個計算節(jié)點；

步驟4：各計算節(jié)點中，將分塊的遙感影像進行中心化處理得到中心化后的自變量X_cent和因變量Y_cent，計算自變量模型中每加入Eigenvectors中的一個特征向量后殘差e的莫侖指數(shù)Moran’s I，得到莫侖指數(shù)數(shù)組I_m，利用前向選擇法選取其中最小值所對應(yīng)的特征向量E_i；

步驟5：各計算節(jié)點中，對步驟4得到的I_m中最小的Moran’s I進行顯著性檢驗；

若結(jié)果顯著，則將最小I值所對應(yīng)的特征向量E_i從Eigenvectors中提取出來，加入到自變量X_cent中，再利用后向消除法將最小I值所對應(yīng)的特征向量E_i從Eigenvectors中剔除；并回轉(zhuǎn)執(zhí)行上述步驟4；

結(jié)果不顯著，則執(zhí)行下述步驟6；

步驟6：則匯總各分塊提取出的所有特征向量；

步驟7：返回各分塊影像特征向量提取結(jié)果到主節(jié)點，構(gòu)建基于遙感影像數(shù)據(jù)的特征函數(shù)空間濾值回歸模型。

2.根據(jù)權(quán)利要求1所述的基于遙感影像的特征函數(shù)空間濾值回歸模型并行化方法，其特征在于：步驟1中，根據(jù)實驗需要確定合適的最小分割單元N×N，采用影像分塊方法將遙感影像切分成相同大小的分塊；由分割單元大小N×N創(chuàng)建空間鄰接矩陣W，空間相鄰關(guān)系以“象”相鄰方式定義，即像元相鄰的上下左右和對角線方向的八個像元之間的關(guān)系為鄰接，其余為不鄰接。

3.根據(jù)權(quán)利要求1所述的基于遙感影像的特征函數(shù)空間濾值回歸模型并行化方法，其特征在于：步驟2中，利用QR分解法計算矩陣C的特征值和特征向量Eigenvectors。

4.根據(jù)權(quán)利要求1所述的基于遙感影像的特征函數(shù)空間濾值回歸模型并行化方法，其特征在于：步驟7中，根據(jù)具體應(yīng)用環(huán)境選擇回歸模型，將步驟6提取出的特征向量加入到回歸模型的自變量模型中；最后將各分塊影像通過并行計算提取得到的特征向量返回到主節(jié)點，以分段函數(shù)的形式的匯總得到基于遙感影像的特征函數(shù)空間濾值回歸模型。