[發明專利]一種基于隨機森林的冰山遙感識別方法

有效

• 申請號: 201910813810.1
• 申請日: 2019-08-30
• 公開（公告）號: CN110580464B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 柯長青;肖湘文;沈校熠;李萌萌;李海麗
• 申請（專利權）人: 南京大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/40;G06V10/764;G06V10/774;G06V10/80;G06N5/01;G06N20/20
• 代理公司: 南京同澤專利事務所(特殊普通合伙) 32245
• 代理人: 蔡晶晶

1.一種基于隨機森林的冰山遙感識別方法，包括以下步驟：

第一步、準備訓練數據和待分類數據，具體包括如下幾個方面的內容：

1a、下載與待分類數據同一時期內的SAR影像，并選擇HH極化方式的SAR影像作為訓練影像；

1b、對訓練影像進行裁剪，留下冰山與浮冰富集區域；

第二步、分別針對訓練影像和待分類影像進行數據預處理，主要有以下幾步完成：

2a、首先進行影像的精細分割，影像分割的依據為影像的像元值差，像元值相近且相鄰的像素被聚集為同一個對象，像元值相差較大的像素則被分割到不同的對象中；

2b、然后進行對象的閾值分類，設定對象的亮度閾值，亮度大于或等于該閾值的對象為海冰對象，亮度小于該閾值的對象為海水對象，將海水對象分類為背景；

2c、接著進行同類對象融合，將相鄰的海冰對象融合在一起，從而將相鄰的海冰對象融合為獨立的對象；

第三步、特征提取，選取六個樣本特征，分別為：像元數量、像元標準差、復雜度、Opm/Bpm、ConSm和ConRaSd；對預處理后的訓練影像和待分類影像中的獨立對象分別提取這六個樣本特征；

第四步、訓練樣本選取：從分割后的訓練影像中點選冰山與類冰山樣本；

第五步、數據標準化：對訓練樣本與待分類樣本都進行Min-max數據標準化；

第七步、基于所述六個樣本特征，利用訓練樣本對隨機森林模型進行訓練，使用訓練完畢后的模型對所有待分類的疑似冰山樣本進行分類，并將分類結果中的冰山樣本一一對應投影回待分類影像上，最終得到的即為待分類影像的冰山識別結果。

2.根據權利要求1所述的基于隨機森林的冰山遙感識別方法，其特征在于：第三步中所使用的六個特征的計算式如下：

(1)像元數量N：即樣本所擁有的像素數量；

(2)復雜度C：

C＝P²/N

其中P為樣本周長，以樣本周邊像元數量計算，N為樣本像元個數；

(3)像元標準差OSd：

其中N為樣本像元個數，v_i為樣本中第i個像元的像元值，μ為樣本像元均值；

(4)Opm/Bpm：

其中OMe為樣本像元均值，BSd為背景像元標準差，BMe為背景像元均值，背景區域為樣本最小外接矩形中除樣本以外的部分；

(5)ConSm：

其中N₀是樣本像元數量，G₀樣本像元梯度之和，N_b背景區域像元數量，G_b背景區域像元梯度值，背景區域為樣本最小外接矩形中除樣本以外的部分，梯度值由Zevenbergen-Thorne方法計算，單位為度；

(6)ConRaSd：

ConRaSd＝OSd/BSd

其中BSd為背景區域標準差，背景區域為樣本最小外接矩形中除樣本以外的部分。

3.根據權利要求1所述的基于隨機森林的冰山遙感識別方法，其特征在于：第六步中，Min-Max數據標準化的公式為：

其中x為原始數值，max為數據集最大值，min為數據集最小值，X為轉換后的值。

4.根據權利要求1所述的基于隨機森林的冰山遙感識別方法，其特征在于：第一步中，所述SAR影像為Sentinel-1A的EW?GRD一級SAR影像。

5.根據權利要求1所述的基于隨機森林的冰山遙感識別方法，其特征在于：第二步的2a中，精細分割的分割尺度設置為50。

6.根據權利要求1所述的基于隨機森林的冰山遙感識別方法，其特征在于：第二步的2b中，亮度閾值取33000。