[發(fā)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?zhí)枺?/td>: 201810091257.0
• 申請日: 2018-01-30
• 公開（公告）號: CN108399366A
• 公開（公告）日: 2018-08-14
• 發(fā)明（設(shè)計）人: 劉博文
• 申請（專利權(quán)）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

本發(fā)明公開了一種遙感圖像場景的分類系統(tǒng)，包括采集步驟、灰度處理器、擬合步驟、邊緣檢測步驟、遙感圖像像素分類步驟及神經(jīng)網(wǎng)絡(luò)訓練器；其中，所述采集步驟用于對原始遙感圖像進行采集作為樣本并傳輸給灰度處理器；所述灰度處理器用于對采集步驟傳輸?shù)脑歼b感圖像采用分量法進行灰度化處理；擬合步驟，用于采用低次樣條函數(shù)對灰度直方圖進行擬合；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(shù)的零交叉點來定位邊緣；所述遙感圖像像素分類步驟，采用基于像元的分類，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；神經(jīng)網(wǎng)絡(luò)訓練器，用于輸入卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，得到要求精度的遙感圖像場景的分類結(jié)果。本發(fā)明分類準確度高。

技術(shù)領(lǐng)域

本發(fā)明涉及遙感圖像分類領(lǐng)域，具體涉及基于逐像素分類的遙感圖像場景分類提取方法。

背景技術(shù)

目前，國內(nèi)外諸多著名學者都致力于圖像分類算法的研究，圖像分類是根據(jù)各自在圖像信息中所反映的不同特征，把不同類別的目標區(qū)分開來的圖像處理方法。

然而現(xiàn)有技術(shù)現(xiàn)有的場景圖像分類提取不足主要在于(1)在傳統(tǒng)分類方法中，對于特征的手動提取相當耗時耗力，且精度要求高，且一般情況下精度不及利用神經(jīng)網(wǎng)絡(luò)分類的方法。(2)在利用神經(jīng)網(wǎng)絡(luò)及其相關(guān)模型采用一般方法隱式提取特征時，對于訓練數(shù)據(jù)的數(shù)量和精度要求非常高。而一般情況下常用的數(shù)據(jù)集或者自己制作的數(shù)據(jù)集的數(shù)量都達不到能讓神經(jīng)網(wǎng)絡(luò)充分學習并避免過擬合，造成精度無法達到預期。

發(fā)明內(nèi)容

有鑒于現(xiàn)有技術(shù)的上述缺陷，本發(fā)明所要解決的技術(shù)問題是提供一種自動化程度高、精確度高的基于卷積神經(jīng)網(wǎng)絡(luò)法的醫(yī)學圖像識別方法。

本發(fā)明技術(shù)方案如下：

一種基于逐像素分類的遙感圖像場景分類提取方法，其包括：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(jīng)網(wǎng)絡(luò)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(shù)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(qū)間，在低次樣條函數(shù)擬合的基礎(chǔ)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(shù)的零交叉點來定位邊緣，并采用自適應(yīng)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(guān)聯(lián)在內(nèi)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(shù)據(jù)庫中的場景圖及其對應(yīng)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(shù)；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(nèi)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(guān)聯(lián)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型進行訓練，得到要求精度的遙感圖像場景的分類結(jié)果。

進一步的，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。

進一步的，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(jīng)網(wǎng)絡(luò)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。