[發明專利]一種基于逐像素分類的遙感圖像場景分類提取方法

在審

• 申請號: 201810091257.0
• 申請日: 2018-01-30
• 公開（公告）號: CN108399366A
• 公開（公告）日: 2018-08-14
• 發明（設計）人: 劉博文
• 申請（專利權）人: 何德珍
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于逐像素分類的遙感圖像場景分類提取方法，其特征在于，包括：采集步驟、灰度處理步驟、擬合步驟、邊緣檢測步驟、遙感圖像逐像素分類步驟、特征級變化檢測步驟、目標級變化檢測步驟及神經網絡訓練步驟；其中，所述采集步驟用于對原始遙感圖像進行采集并傳輸給灰度處理步驟；所述灰度處理步驟用于對采集步驟采集的原始遙感圖像采用分量法進行灰度化處理，即將彩色圖像中的三分量的亮度作為三個灰度圖像的灰度值；擬合步驟，用于使用直方圖均衡化對灰度圖像進行處理，得到均衡后灰度直方圖，并采用低次樣條函數對灰度直方圖進行擬合，對擬合后的灰度直方圖劃分谷值區間，在低次樣條函數擬合的基礎上得到平滑可導的擬合曲線；邊緣檢測步驟，用于采用基于零交叉的方法找到由圖像得到的二階導數的零交叉點來定位邊緣，并采用自適應閾值算法對邊緣圖像進行二值化，得到二值化后的遙感圖像；所述遙感圖像像素分類步驟，采用基于像元的分類，利用像元的光譜信息、紋理信息、空間關聯在內的信息對像元表示的地物類別屬性進行判斷并分類得到分類專題圖；將遙感圖中標記的場景和同樣位置的逐像素分類專題圖，或者場景數據庫中的場景圖及其對應的逐像素分類專題圖進行拼接；所述拼接的具體方法為：通過在遙感圖像N個波段之后加入一個新波段，當原場景圖或從遙感圖像上切割的輸入場景圖大小為n×n×b，其中n為圖的寬度和高度，b為波段數；逐像素分類專題圖為n×n×1；兩圖在波段維度進行拼接，拼接后的圖片為n×n×(b+1)；特征級變化檢測步驟是從原始圖像中提取特征信息，如邊緣、形狀、輪廓、紋理在內的特征，然后對這些特征信息進行綜合分析與變化檢測，包括并對特征進行關聯處理，把特征分類成有意義的組合；所述目標級變化檢測步驟主要檢測目標對象的的變化檢測；神經網絡訓練器，用于對遙感圖像像素分類步驟的分類專題圖及原遙感圖片上的各種場景制成訓練集,輸入卷積神經網絡模型進行訓練，得到要求精度的遙感圖像場景的分類結果；所述神經網絡分類過程有兩個滑動窗口遍歷整個遙感圖像及逐像素分類專題圖，輸入神經網絡的特征圖為將兩個窗口中的各個波段數據及逐像素分類專題圖拼接而成為一張的特征圖，兩個滑動窗口在原遙感圖像和像素分類特征圖上的位置必須位于相同的坐標且同步滑動；所述神經網絡訓練器將訓練數據分批均分到輸入卷積神經網絡中，訓練數據分別經過卷積層、降采樣層、卷積層、降采樣層、多層感知器，完成前向傳播，具體包括：首先從樣本集中取一批樣本(X，Y_P)，其中X是樣本數字的向量，Y是X對應的期望值，P是0到9的數字，將X輸入卷積神經網絡，計算出相應的實際輸出O_P，O_P＝F_n(...F₂(F₁(X_PW⁽¹⁾)W⁽²⁾)W⁽ⁿ⁾)，n是卷積神經網絡的第n層，W表示權值，其中卷積運算是用卷積濾波器在上層網絡結構中做卷積運算，然后進行非線性變換，而降采樣運算只采用最大池化操作，即最大池采樣是通過一個濾波器提取上層網絡結構的特征數據，不經過非線性運算，每次濾波后的最大值是數據降采樣后的一個特征。

2.根據權利要求1所述的一種基于逐像素分類的遙感圖像場景分類提取方法，其特征在于，所述邊緣檢測步驟采用基于零交叉的方法采用的算子為拉普拉斯算子或Canny算子。

3.根據權利要求1所述的一種基于逐像素分類的遙感圖像場景分類提取方法，其特征在于，所述遙感圖像像素分類步驟還采用包括SVM支持向量機或K最鄰近、或者采用神經網絡方法進行分類，其分類得到的特征圖與原遙感圖像分辨率、坐標一致。

4.根據權利要求3所述的一種基于逐像素分類的遙感圖像場景分類提取方法，其特征在于，所述神經網絡訓練器的輸入數據為帶有標簽的場景特征圖，該場景特征圖除了場景的各個波段還會有額外一個通道為該場景的逐像素分類專題圖，即把比原遙感圖像的波段多一個通道的特征圖作為輸入。