[發明專利]一種基于立體遙感數據庫的地貌特征聚類分析方法

在審

• 申請號: 201810103634.8
• 申請日: 2018-02-01
• 公開（公告）號: CN108319693A
• 公開（公告）日: 2018-07-24
• 發明（設計）人: 張文淑;宋慶方;王夢緣;程瑞普;劉鏡
• 申請（專利權）人: 張文淑
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/62;G06K9/46;G06N3/04
• 代理公司: 青島致嘉知識產權代理事務所(普通合伙) 37236
• 代理人: 李浩成

1.一種基于立體遙感數據庫的地貌特征聚類分析方法，其特征在于：包括以下步驟：

1)調用圖像待測樣品的平面特征，調用一幅待聚類的無人機搭載遙感傳感器遙感地貌圖像樣品的交叉矩陣，其中，交叉矩陣是大小為5×5×M的矩陣，N是無人機搭載遙感傳感器遙感地貌圖像像素點的總數，預處理，采用窗口大小為9×9的EMI濾波器對交叉矩陣進行濾波，得到濾波后的交叉矩陣，利用該交叉矩陣將待測樣品的平面遙感地貌還原得到立體遙感地貌，根據還原好的立體遙感地貌，對立體遙感地貌進行特征粗提取，得到一系列立體遙感地貌表面的高度值，提取立體遙感地貌表面的最大高度值作為待測樣品立體遙感地貌特征的特征點，將所述的特征點作為無人機搭載遙感傳感器遙感地貌圖像的特征，組成一個N×11大小的樣本集，從樣本集中隨機選取8％的樣本作為無人機搭載遙感傳感器遙感地貌圖像訓練樣本，將剩余92％的樣本作為無人機搭載遙感傳感器遙感地貌圖像測試樣本；

2)將上述得到的無人機搭載遙感傳感器遙感地貌圖像訓練樣本特征的特征值，求出與對比模板外輪廓形狀特征的特征距離，然后將待測樣品與對比模板各樣品外輪廓形狀特征的特征距離從大到小排序后，統計特征距離小于預設閾值的次數，并用變量x來記錄，x的初始值等于0，將特征距離與預設閾值比較一次，小于閾值的話，k就自加1，最終變量x等于1，則說明上述得到的無人機搭載遙感傳感器遙感地貌圖像訓練樣本可以被唯一識別，完成立體遙感地貌特征的提取；

3)提取立體遙感地貌等壓線的終點和交叉點的位置特征，完成對立體遙感地貌細節特征的提取，從而實現直接提取立體遙感地貌細節特征點；隨機生成連續傅里葉神經網絡表層網絡和次層網絡的初始權重和傅里葉激活函數放縮變量和位移變量；將訓練樣本調用到表層的傅里葉神經網絡中，利用表層網絡遮蔽層和調用層節點的初始權重T1′，表征層和遮蔽層節點的初始權重T1″、傅里葉激活函數的放縮變量m1和位移變量n1分別計算表層網絡遮蔽層的表征ψ1和表征層的表征值h1；利用絕對誤差公式計算表層網絡中訓練樣本的表征誤差E1；采用最小二乘法，得到表層網絡的最優權重、傅里葉激活函數的最優放縮變量和最優位移變量以及最優遮蔽層表征；將表層傅里葉神經網絡的遮蔽層表征作為次層傅里葉神經網絡的調用，并利用次層網絡遮蔽層和表征層節點的初始權重T′2，表征層和遮蔽層節點的初始權重T″2、傅里葉激活函數放縮變量m2和位移變量n2計算次層網絡遮蔽層的表征ψ2和表征層的表征h2；利用絕對誤差公式計算次層網絡中訓練樣本的表征誤差E2；采用最小二乘法，得到次層網絡的最優權重、傅里葉激活函數的最優放縮變量和最優位移變量以及最優遮蔽層表征；

4)將訓練樣本和測試樣本分別調用到訓練好的連續傅里葉神經網絡中，得到訓練樣本特征集和測試樣本特征集，將訓練樣本特征集和測試樣本特征集調用到linSVM工具箱，得到無人機搭載遙感傳感器遙感地貌圖像的最終聚類結果，計算聚類精度，統計待聚類的無人機搭載遙感傳感器遙感地貌圖像中與聚類結果中類別標簽相同的像素點個數，計算類別標簽相同像素點個數占待聚類的無人機搭載遙感傳感器遙感地貌圖像總像素數的百分比，得到聚類精度。

2.根據權利要求1所述的一種基于立體遙感數據庫的地貌特征聚類分析方法，其特征在于：所述的步驟1)中，連續相位解包法是根據公式得到立體遙感地貌表面的高度信息h(x,y)，其中l0是無人機上的相機中心到地表面的距離，d是相機到投影儀的距離，f0是地表面上投影光柵的波長。

3.根據權利要求1所述的立體遙感地貌特征提取方法，其特征在于：所述的立體遙感地貌特征是一個長度為T*S的一組向量V: