[發明專利]一種基于DBN分布集成與沖突證據合成的遙感地物識別方法

有效

• 申請號: 202010096560.7
• 申請日: 2020-02-14
• 公開（公告）號: CN111368647B
• 公開（公告）日: 2023-02-17
• 發明（設計）人: 李大威;張瑞芳;劉天野;牛興龍;劉鵬;王肖霞
• 申請（專利權）人: 中北大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/778;G06V20/13;G06V20/10;G06V10/82;G06N3/045;G06N3/08
• 代理公司: 太原申立德知識產權代理事務所(特殊普通合伙) 14115
• 代理人: 張向瑩

1.一種基于DBN分布集成與沖突證據合成的遙感地物識別方法，其特征在于：包括以下步驟：

(S1)獲得LIDAR點云數據和多光譜數據，根據物理意義和地物信息區別提取高程、光譜和強度特征，構造10維特征向量；

(S2)根據交叉驗證實驗統計結果確定DBN網絡結構和參數，從10維特征向量中隨機選擇4維特征，隨機選擇總樣本的20％構建訓練4-100-100-4的四層DBN網絡，具體為：

(S21)設定DBN網絡結構的隱含層節點數和輸出層節點數，選取訓練樣本為總樣本的50％，分別隨機選取特征個數為2、3、4與5四種進行交叉驗證實驗，分別統計50次實驗的分類精度，根據實驗結果確定最終選擇的特征維數為4；

(S22)訓練樣本數同步驟(S21)設置，輸入層節點數為4，在區間[50，600]，間隔50遍歷設置隱含層節點進行實驗，分別統計50次實驗的分類精度，確認隱含層節點數為100，因此四層DBN網絡結構為4-100-100-4；

(S23)基于步驟(S22)確定的DBN網絡結構，在總樣本的比例區間[10％，80％]，間隔10％進行網絡訓練，分別統計50次實驗的分類精度，確認訓練樣本為總樣本的20％；

(S3)根據確定的DBN網絡結構，獨立并行構造不少于20個基元DBN的分布式網絡，各DBN網絡最終輸出為[0，1]間的概率值，表征所有樣本分別歸屬于不同地物類型的隸屬度m_j(A_l)，用其作為證據理論的證據源；

(S4)遍歷計算兩兩證據間的相似系數，構建證據相似矩陣D；

(S5)將相似矩陣D的各行相加，獲得各個證據被其它證據支持的程度S_i；

(S6)歸一化各證據的支持度S_i，得到證據的可信度，即證據的權重；

(S7)運用D-S合成規則合成加權平均證據；

(S8)根據合成結果，決策識別分類結果，計算分析性能指標。

2.根據權利要求1所述的一種基于DBN分布集成與沖突證據合成的遙感地物識別方法，其特征在于：所述步驟(S1)獲得LIDAR點云數據和多光譜數據，根據物理意義和地物信息區別提取高程、光譜和強度特征，構造10維特征向量；具體步驟如下：

(S11)提取高程特征：高程特征包括雷達首次回波nDSM_fe、末次回波nDSM_le與高程差共3維特征，前二者由LIDAR系統直接獲得，反映去除地形影響的地物絕對高度，高程差用于區分激光可穿透地物與不可穿透地物，根據首次回波nDSM_fe與末次回波nDSM_le之差獲得；

(S12)提取光譜特征：光譜特征包括多光譜數據的4個波段灰度值，分別為紅R、綠G、藍B與近紅外NIR以及衍生光譜特征歸一化植被指數NDVI和修正型土壤調節植被指數MSAVI，分別按公式(1)和(2)計算獲得；

其中，NDVI—衍生光譜特征歸一化植被指數，MSAVI—修正型土壤調節植被指數，NIR—近紅外，R—紅；

(S13)提取激光回波強度特征IN：所述激光回波強度IN描述地物材質以及地物表面不規則程度；激光落在不同的物體表面，其反射的強度值有很大的差異，受物體表面材質、回波數、激光發射點到入射點的距離以及入射角多種因素的影響。

3.根據權利要求1所述的一種基于DBN分布集成與沖突證據合成的遙感地物識別方法，其特征在于：所述步驟(S3)根據確定的DBN網絡結構，獨立并行構造不少于20個基元DBN的分布式網絡，各DBN網絡最終輸出為[0，1]間的概率值，表征所有樣本分別歸屬于不同地物類型的隸屬度m_j(A_l)，用其作為證據理論的證據源；具體為：

(S31)根據步驟(S2)確定的網絡結構，獨立并行構造不少于20個基元DBN的分布式網絡；

(S32)分別從全樣本總數中隨機選擇20％的樣本獨立訓練不少于20個基元DBN網絡結構，根據訓練后的網絡參數獨立對全樣本進行測試和驗證，獲得并保存各像元對各類地物的概率，作為類別隸屬度m_j(A_l)。