[發(fā)明專利]一種基于多維多粒度級(jí)聯(lián)森林的高原地區(qū)云雪分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810529711.6
• 申請(qǐng)日: 2018-05-29
• 公開（公告）號(hào): CN108764138B
• 公開（公告）日: 2021-12-28
• 發(fā)明（設(shè)計(jì)）人: 翁理國(guó);劉萬(wàn)安;張旭
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/08
• 代理公司: 南京匯盛專利商標(biāo)事務(wù)所(普通合伙) 32238
• 代理人: 張立榮

本發(fā)明涉及一種基于多維多粒度級(jí)聯(lián)森林的高原地區(qū)云雪分類方法，本發(fā)明利用多維多粒度級(jí)聯(lián)森林的多維多粒度掃描結(jié)構(gòu)對(duì)高原地區(qū)的云雪圖像樣本進(jìn)行空間特征提取，通過多維掃描的方式提取多光譜圖像的光譜信息，然后將所提取的空間特征和光譜信息用于多維多粒度級(jí)聯(lián)森林的級(jí)聯(lián)森林結(jié)構(gòu)的訓(xùn)練。該方式在準(zhǔn)確度提高的前提下，在同等硬件條件下樣本的訓(xùn)練速度和樣本的分類速度比傳統(tǒng)卷積深度學(xué)習(xí)快實(shí)驗(yàn)結(jié)果表明，本發(fā)明得到的結(jié)果較好，更適合衛(wèi)星圖像的云雪分類研究。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域，特別涉及了一種基于多維多粒度級(jí)聯(lián)森林的高原地區(qū)云雪分類方法。

背景技術(shù)

隨著衛(wèi)星遙感技術(shù)的不斷發(fā)展，衛(wèi)星遙感影像的應(yīng)用也越來(lái)越廣泛，涉及到資源調(diào)查、自然災(zāi)害、環(huán)境污染等各個(gè)方面，其中遙感衛(wèi)星對(duì)于雪災(zāi)監(jiān)測(cè)也成為主要的技術(shù)手段。然而云雪分類存在著許多技術(shù)難題，主要體現(xiàn)在三個(gè)方面，一是云雪表面特征復(fù)雜，二是云雪光譜特征的相似性，三是云的存在會(huì)對(duì)光信號(hào)傳播造成障礙，從而導(dǎo)致遙感影像數(shù)據(jù)測(cè)量精度的缺失。

針對(duì)上述問題，主要方法有以下四種：一是利用新的判別因子，使得云的紋理特征更加明顯，有利于人眼判別。二是改進(jìn)的多光譜云雪判別的方法，通過改進(jìn)的多光譜云雪判別方法對(duì)云雪分類的問題做了簡(jiǎn)要的分析。三是基于分形維數(shù)的全色影像云雪自動(dòng)判別方法，相比之前的判別方法有了較大改進(jìn)。四是基于多種紋理特征的全色圖像云雪區(qū)特征提取，通過分形維數(shù)，灰度共生矩陣，小波變換等方法提取多種云雪的紋理特征，最后使用徑向基核函數(shù)的支持向量機(jī)分類器來(lái)進(jìn)行云雪的檢測(cè)。

然而上述傳統(tǒng)方法都存在著參數(shù)量太少，以及特征都過于單一，從而忽略了很多有價(jià)值的特征，而且都是人工提取特征，需要云雪分類相關(guān)的專家多年的積累和經(jīng)驗(yàn)才能手工設(shè)計(jì)出來(lái)。隨著大數(shù)據(jù)時(shí)代的到來(lái)以及GPU等更強(qiáng)大的計(jì)算設(shè)備的發(fā)展，深度學(xué)習(xí)的發(fā)展有了質(zhì)的飛躍。深度學(xué)習(xí)相對(duì)于傳統(tǒng)的方法具有非常明顯的技術(shù)優(yōu)勢(shì)。多粒度級(jí)聯(lián)森林是一種探索深度學(xué)習(xí)以外的一種深度方法。相比神經(jīng)網(wǎng)絡(luò)，多粒度級(jí)聯(lián)森林有著參數(shù)量少、訓(xùn)練和測(cè)試速度快、泛化性能好等優(yōu)點(diǎn)，利用多維多粒度級(jí)聯(lián)森林，可以充分提取多光譜數(shù)據(jù)中的空間特征和光譜信息，使得其在多光譜數(shù)據(jù)的云雪識(shí)別中有著很好的準(zhǔn)確率，且其需要優(yōu)化的參數(shù)量遠(yuǎn)少于卷積神經(jīng)網(wǎng)絡(luò)，需要設(shè)置的參數(shù)較少，易于調(diào)優(yōu)，在分類速度上要卷積神經(jīng)網(wǎng)絡(luò)快，更適合后續(xù)的氣象工作及應(yīng)用。

發(fā)明內(nèi)容

本發(fā)明的目的是克服上述背景技術(shù)的不足，提供一種基于多維多粒度級(jí)聯(lián)森林的高原地區(qū)云雪分類方法，克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)云圖特征利用率不夠的缺陷。為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

本發(fā)明的目的是克服上述背景技術(shù)的不足，提供一種基于密集連接卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)方法，克服了傳統(tǒng)深度強(qiáng)化學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)層數(shù)加深后計(jì)算參數(shù)量大，信號(hào)傳遞緩慢的缺陷。為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

一種多維多粒度級(jí)聯(lián)森林的高原地區(qū)云雪分類方法，包括如下步驟：

步驟一、多維多粒度級(jí)聯(lián)森林模型結(jié)構(gòu)的訓(xùn)練：設(shè)定多維多粒度掃描的維度與光譜數(shù)量相等，利用已標(biāo)注的樣本(X_i,Y_i)，通過不同粒度的窗口對(duì)該多維多粒度級(jí)聯(lián)森林的多粒度掃描結(jié)構(gòu)進(jìn)行特征重表示,使用多維多粒度掃描的級(jí)聯(lián)森林結(jié)構(gòu)對(duì)重表示的特征進(jìn)行學(xué)習(xí)，得到最優(yōu)的級(jí)聯(lián)森林參數(shù),其中，X_i為一個(gè)n×n的圖像塊，Y_i.^.表示X_i對(duì)應(yīng)的圖像樣本的分類，n滿足10≤n≤50，i代表第i個(gè)樣本，i＝1,2,3,...,p，p為樣本總數(shù)；

步驟二、衛(wèi)星圖片云雪分類：將衛(wèi)星圖片分成每個(gè)像素塊大小為n×n×4的小塊，作為多維多粒度級(jí)聯(lián)森林的輸入數(shù)據(jù)，得到整個(gè)多維多粒度級(jí)聯(lián)森林的輸出，根據(jù)最后一層級(jí)聯(lián)森林輸出的類概率向量的最大值判定云雪樣本的種類。

所述多維多粒度級(jí)聯(lián)森林模型的算法包括多維多粒度掃描部分、特征重表示部分和基于級(jí)聯(lián)森林的訓(xùn)練部分；