[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

本發明公開了一種基于隨機森林算法的冰山遙感識別方法，本方法采用哨兵一號（Sentinel?1A）提供的SAR影像數據對海面冰山進行識別，其主要步驟包括將預處理后SAR影像進行閾值分割，剔除背景元素，而后按照先驗知識選取出樣本特征。同時以面向對象的方式選取冰山與類冰山訓練樣本。待分類的疑似冰山樣本則以類似的方式處理，但不經過挑選，全部導出。之后對得到的所有樣本進行Min?Max數據標準化。最后用生成的訓練數據對隨機森林模型進行訓練，并將訓練完成后的模型用于待分類樣本的分類，得到最終分類結果，實現冰山的識別。

技術領域

本發明涉及一種基于隨機森林的冰山遙感識別方法，屬于遙感應用技術領域。

背景技術

冰山是海洋環境的重要組成部分，其變化對于海洋環境的檢測與海上航行風險的預警都有著重要的意義。早期冰山的監測只能通過人工實地調查得到，上世紀90年代，因為SAR數據具有的全天候、全天時以及相對較高空間分辨率等優點，開始被學者們用于冰山的監測中。但在實際情況下由于氣溫、風速等自然因素的影響，使得冰山與海面浮冰在SAR影像上表現得極為相似，導致很多情況下我們很難通過一兩個簡單特征就將二者區分開來。而近年來隨著機器學習算法在遙感圖像領域的大放異彩，這類同時考慮多種特征的方法能有效地對冰山與海面浮冰進行區分，故而一套高效的利用機器學習算法進行冰山識別的流程方法的提出將意義重大。

機器學習算法選擇、數據標準化方法選擇以及特征選擇是這一流程方法的三大問題。隨機森林作為一種以決策樹為基學習器構成Bagging集成的集成學習方法，利用隨機選擇特征和樣本集的決策樹作為弱學習器，采用所有決策樹投票的方式得到最后的分類結果。隨機森林不僅容易實現、計算開銷小，并且在很多現實任務中展現出了強大的性能，是當前的熱門算法之一。通過對比實驗，對于冰山識別來說，隨機森林方法能在相對較高精度的同時保持相對較好的魯棒性，是這一問題的首選機器學習方法。同時搭配上Min-Max數據標準化方法以及提及的六個特征將使得這一機器學習算法在冰山識別領域表現出最佳性能。

發明內容

本發明要解決的技術問題是：提供一種基于SAR影像的快速、高精度的冰山識別方法。

為了解決上述技術問題，本發明提出的技術方案是：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，然后提取點選中的冰山與類冰山樣本的六個樣本特征；

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；