[发明专利]一种基于逐像素分类的遥感图像场景分类提取方法

说明书

本发明公开了一种遥感图像场景的分类系统，包括采集步骤、灰度处理器、拟合步骤、边缘检测步骤、遥感图像像素分类步骤及神经网络训练器；其中，所述采集步骤用于对原始遥感图像进行采集作为样本并传输给灰度处理器；所述灰度处理器用于对采集步骤传输的原始遥感图像采用分量法进行灰度化处理；拟合步骤，用于采用低次样条函数对灰度直方图进行拟合；边缘检测步骤，用于采用基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘；所述遥感图像像素分类步骤，采用基于像元的分类，对像元表示的地物类别属性进行判断并分类得到分类专题图；神经网络训练器，用于输入卷积神经网络模型进行训练，得到要求精度的遥感图像场景的分类结果。本发明分类准确度高。

技术领域

本发明涉及遥感图像分类领域，具体涉及基于逐像素分类的遥感图像场景分类提取方法。

背景技术

目前，国内外诸多著名学者都致力于图像分类算法的研究，图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。

然而现有技术现有的场景图像分类提取不足主要在于(1)在传统分类方法中，对于特征的手动提取相当耗时耗力，且精度要求高，且一般情况下精度不及利用神经网络分类的方法。(2)在利用神经网络及其相关模型采用一般方法隐式提取特征时，对于训练数据的数量和精度要求非常高。而一般情况下常用的数据集或者自己制作的数据集的数量都达不到能让神经网络充分学习并避免过拟合，造成精度无法达到预期。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种自动化程度高、精确度高的基于卷积神经网络法的医学图像识别方法。

本发明技术方案如下：

一种基于逐像素分类的遥感图像场景分类提取方法，其包括：采集步骤、灰度处理步骤、拟合步骤、边缘检测步骤、遥感图像逐像素分类步骤、特征级变化检测步骤、目标级变化检测步骤及神经网络训练步骤；其中，所述采集步骤用于对原始遥感图像进行采集并传输给灰度处理步骤；所述灰度处理步骤用于对采集步骤采集的原始遥感图像采用分量法进行灰度化处理，即将彩色图像中的三分量的亮度作为三个灰度图像的灰度值；拟合步骤，用于使用直方图均衡化对灰度图像进行处理，得到均衡后灰度直方图，并采用低次样条函数对灰度直方图进行拟合，对拟合后的灰度直方图划分谷值区间，在低次样条函数拟合的基础上得到平滑可导的拟合曲线；边缘检测步骤，用于采用基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘，并采用自适应阈值算法对边缘图像进行二值化，得到二值化后的遥感图像；所述遥感图像像素分类步骤，采用基于像元的分类，利用像元的光谱信息、纹理信息、空间关联在内的信息对像元表示的地物类别属性进行判断并分类得到分类专题图；将遥感图中标记的场景和同样位置的逐像素分类专题图，或者场景数据库中的场景图及其对应的逐像素分类专题图进行拼接；所述拼接的具体方法为：通过在遥感图像N个波段之后加入一个新波段，当原场景图或从遥感图像上切割的输入场景图大小为n×n×b，其中n为图的宽度和高度，b为波段数；逐像素分类专题图为n×n×1；两图在波段维度进行拼接，拼接后的图片为n×n×(b+1)；特征级变化检测步骤是从原始图像中提取特征信息，如边缘、形状、轮廓、纹理在内的特征，然后对这些特征信息进行综合分析与变化检测，包括并对特征进行关联处理，把特征分类成有意义的组合；所述目标级变化检测步骤主要检测目标对象的的变化检测；神经网络训练器，用于对遥感图像像素分类步骤的分类专题图及原遥感图片上的各种场景制成训练集,输入卷积神经网络模型进行训练，得到要求精度的遥感图像场景的分类结果。

进一步的，所述边缘检测步骤采用基于零交叉的方法采用的算子为拉普拉斯算子或Canny算子。

进一步的，所述遥感图像像素分类步骤还采用包括SVM支持向量机或K最邻近、或者采用神经网络方法进行分类，其分类得到的特征图与原遥感图像分辨率、坐标一致。