[發明專利]一種面向云掩膜的非均勻類別的樣本均衡化方法

有效

• 申請號: 202010099382.3
• 申請日: 2020-02-18
• 公開（公告）號: CN111291818B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 吳煒;高星宇;范菁;沈瑛;夏列鋼;葛煒煒
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06K9/62;G06N20/00
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

1.一種面向云掩膜的非均勻類別的樣本均衡化方法，實現步驟如下：

步驟1：數據預處理與樣本獲取；

標準假彩色影像上植被呈紅色，各種地物與云的可區分性較大，使用標準假彩色方式進行波段合成；

由于原始影像采用不同的量化位數，導致相同的灰度值具有不同的意義，這里通過百分比截斷的方式壓縮到區間[1,255]，保證不同傳感器獲得的影像具有相似的色彩；

由于影像以景的方式分發，其尺寸遠遠大于計算機的處理能力，對影像進行切片，輸出大小為h*w的影像塊，其數目為M；

在此基礎上，標記影像塊上云所在區域的多邊形，制作遙感影像云掩膜樣本集G，其中包含N個影像塊；

步驟2：樣本分組；

將樣本G分為K組樣本：

G＝{G₁,G₂,...,G_K} (1)

其中，樣本子集G₁作為預訓練分類器，以獲取一個相對穩健的深度學習模型；樣本子集{G₂,...,G_k-1}組樣本測試并迭代選取樣本；樣本子集G_K用于檢測精度；

這里根據客戶需要，可以保證各個樣本子集之間是否存在交集；

步驟3：云掩膜模型訓練；

在設置訓練超參數后，使用樣本子集G₁訓練深度學習模型，記通過樣本子集G₁訓練得到的模型為C¹；

步驟4：分類器掩膜與評價；

使用C¹對G₂中的樣本進行預測，獲得掩膜結果，再將其與G₂中的標簽數據進行比較，從而評價分類結果；

云掩膜結果可以分為正確T、錯誤F和遺漏M三種類型；其中，正確表示樣本標記為云，且分類結果也是云；錯誤表示樣本為非云，而分類器提取為云；遺漏表示樣本標記為云，但是分類器未提取；在此基礎上，我們選取平均檢測率AR，平均正確率AP、整體精度OA三個評價指標來評價掩膜精度：

其中，#表示像素個數；值得注意的是：由于干凈地物構成的背景像素數量遠大于云像素數量，使得整體精度難以反映真實的檢測效果，因此在計算OA時，忽略該部分像素，從而使得OA和交并比IoU相同；

同時，對樣本分組G_K中的分類結果進行云掩膜及其精度評價，其精度記為OA(G_K,C¹)，

步驟5：迭代訓練；

對于被分類器提取的一塊云，將AR和AP均大于0.5的作為正確樣本，其他作為錯誤樣本；忽略正確的樣本，而將錯誤和遺漏的樣本加入，再返回步驟3，訓練得到新的分類器C²；然后按照步驟4對樣本G₃進行評價；

重復上述過程，直到所有樣本集用完或分類器達到穩定，這里分類器穩定是指第i次的分類精度OA(G_K,Cⁱ)與第i+1次的分類精度OA(G_K,Cⁱ⁺¹)的變化小于等于容差e：

|OA(G_K,Cⁱ)-OA(G_K,Cⁱ⁺¹)|≤e (5)

其中，i表示分類器的迭代次數；

將上述步驟獲得的穩定的分類器記為C^K-1；

步驟6：云掩膜；

使用分類器模型C^K-1對待處理測試集進行云掩膜，并評價云掩膜精度；

步驟7：掩膜數據后處理；

對掩膜數據進行后處理，剔除小于T的小聯通區域的云；填充大塊云中小于T的干凈聯通像素。