[發(fā)明專利]一種最優(yōu)尺度選擇方法、裝置及計算機可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201910232214.4
• 申請日: 2019-03-26
• 公開（公告）號: CN110097078A
• 公開（公告）日: 2019-08-06
• 發(fā)明（設(shè)計）人: 胡忠文;劉志剛;董軒妍;鄔國鋒;李清泉
• 申請（專利權(quán)）人: 深圳大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳市恒申知識產(chǎn)權(quán)事務(wù)所(普通合伙) 44312
• 代理人: 袁文英

本發(fā)明實施例公開了一種最優(yōu)尺度選擇方法、裝置及計算機可讀存儲介質(zhì)，基于輸入的遙感圖像生成不同尺度參數(shù)下的分割結(jié)果圖；從所生成的分割結(jié)果圖中選取訓(xùn)練樣本并訓(xùn)練得到多尺度分類模型，然后進行待分類遙感圖像的多尺度分類，生成不同尺度參數(shù)下的分類結(jié)果圖；從分類結(jié)果圖中選取多個目標(biāo)分類結(jié)果圖，分別計算關(guān)聯(lián)于各目標(biāo)分類結(jié)果圖的分類精度；對分類精度統(tǒng)計后進行最優(yōu)尺度選擇。通過本發(fā)明的實施，利用多尺度分類結(jié)果來進行精度評價，根據(jù)精度評價統(tǒng)計結(jié)果來選擇最優(yōu)尺度，適用性更為廣泛，可以滿足更多場景下的分析需求，并實現(xiàn)了最優(yōu)分割尺度到最優(yōu)分類尺度的轉(zhuǎn)變，避免了在分割階段選擇分析尺度的低效率、效果差的弊端。

技術(shù)領(lǐng)域

本發(fā)明涉及遙感影像處理領(lǐng)域，尤其涉及一種最優(yōu)尺度選擇方法、裝置及計算機可讀存儲介質(zhì)。

背景技術(shù)

尺度是人類認識事物的窗戶，在對地觀測中，由于地表類型的復(fù)雜多樣，不同尺度的地物共生共存，同一區(qū)域從不同尺度觀測也展現(xiàn)出不同的屬性，因此尺度問題是對地觀測的主要挑戰(zhàn)之一，也是基于對象的影像分析(Object-Based Image Analysis,OBIA)方法的關(guān)鍵問題之一。在許多應(yīng)用中，OBIA方法分析的尺度被具體化為分割算法的尺度參數(shù)。尺度作為分割算法的核心參數(shù)，決定了所獲取的分析基元的尺度，而選擇合適的分割尺度是許多應(yīng)用面臨的首要問題。

目前，在進行尺度選擇時，通常所采用的方法可以分為兩類，一類是利用分割過程中所表現(xiàn)的整體性質(zhì)進行無監(jiān)督尺度選擇的方法，如最優(yōu)尺度選擇方法；另一類是利用樣本進行訓(xùn)練，選擇與樣本匹配最好的尺度，如尺度綜合、最優(yōu)尺度計算模型、模糊分析、經(jīng)驗?zāi)Ｐ偷确椒ā＿@些方法均是從所獲取的多個尺度分析結(jié)果中，挑選出最優(yōu)的尺度，然而，通常僅在某些特定的應(yīng)用場景下，近似給出單一最優(yōu)尺度的方式能夠滿足分析需求，而在實際應(yīng)用中，由于地表覆蓋的多尺度特性，OBIA方法不可避免的要進行多尺度的分析，那么在這種情況下，上述挑選出單一最優(yōu)尺度的方式則無法再滿足分析需求，由此可見，相關(guān)技術(shù)中所提供的尺度選擇方法的適用性較為局限。

發(fā)明內(nèi)容

本發(fā)明實施例的主要目的在于提供一種最優(yōu)尺度選擇方法、裝置及計算機可讀存儲介質(zhì)，至少能夠解決相關(guān)技術(shù)中在進行OBIA的尺度選擇時，是從所獲取的多個尺度分析結(jié)果中挑選出單一最優(yōu)尺度，僅能滿足部分特定應(yīng)用場景下的需求，適用性較為局限的問題。

為實現(xiàn)上述目的，本發(fā)明實施例第一方面提供了一種最優(yōu)尺度選擇方法，該方法包括：

基于輸入的遙感圖像生成不同尺度參數(shù)下的分割結(jié)果圖；

從所生成的分割結(jié)果圖中選取訓(xùn)練樣本構(gòu)建訓(xùn)練樣本集，并基于機器學(xué)習(xí)算法，利用所述訓(xùn)練樣本集訓(xùn)練得到多尺度分類模型；所述訓(xùn)練樣本包括分類標(biāo)簽和對應(yīng)于所述分類標(biāo)簽的特征指標(biāo)；

利用所述多尺度分類模型，對待分類遙感圖像進行多尺度分類，并基于分類結(jié)果與所述分割結(jié)果圖，生成所述不同尺度參數(shù)下的分類結(jié)果圖；

從所生成的分類結(jié)果圖中選取多個目標(biāo)分類結(jié)果圖，并將所述多個目標(biāo)分類結(jié)果圖分別與對應(yīng)尺度參數(shù)的訓(xùn)練樣本真值圖進行對比，分別計算關(guān)聯(lián)于各目標(biāo)分類結(jié)果圖的分類精度；

對所述關(guān)聯(lián)于各目標(biāo)分類結(jié)果圖的分類精度進行統(tǒng)計，并根據(jù)統(tǒng)計結(jié)果進行最優(yōu)尺度參數(shù)的選擇。

為實現(xiàn)上述目的，本發(fā)明實施例第二方面提供了一種最優(yōu)尺度選擇裝置，該裝置包括：

生成模塊，用于基于輸入的遙感圖像生成不同尺度參數(shù)下的分割結(jié)果圖；

訓(xùn)練模塊，用于從所生成的分割結(jié)果圖中選取訓(xùn)練樣本構(gòu)建訓(xùn)練樣本集，并基于機器學(xué)習(xí)算法，利用所述訓(xùn)練樣本集訓(xùn)練得到多尺度分類模型；所述訓(xùn)練樣本包括分類標(biāo)簽和對應(yīng)于所述分類標(biāo)簽的特征指標(biāo)；

分類模塊，用于利用所述多尺度分類模型，對待分類遙感圖像進行多尺度分類，并基于分類結(jié)果與所述分割結(jié)果圖，生成所述不同尺度參數(shù)下的分類結(jié)果圖；