[发明专利]遥感数据尺度自适应调整方法、装置、存储介质及设备

说明书

本发明涉及一种遥感数据尺度自适应调整方法、装置、存储介质及设备，基于均值漂移算法对目标区域的遥感影像进行地物分割，构建每一个地物对象的最小外包矩形，根据多个最小外包矩形的最长边的长度值确定多个图像尺度组合，基于网格搜索法和预训练的遥感分类模型，获取图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔，实现模型输入图像尺度的自适应调整，利用预训练的遥感分类模型对具有最优图像尺度组合和最优尺度采样间隔的遥感影像进行遥感分类，避免人工设置图像尺度导致的局部最优，提高遥感分类准确性。

技术领域

本发明涉及遥感影像领域，尤其是涉及一种遥感数据尺度自适应调整方法、装置、存储介质及设备。

背景技术

现有技术中通常采用卷积神经网络（Convolutional Neural Network, CNN）提取遥感图像所包含的地物特征。卷积神经网络通常包含输入层、卷积层、池化层及输出层等结构，其通过卷积层中的过滤器来自动地提取遥感影像中所包含的地物特征，卷积层的输入数据来源于输入层输入的遥感图像，遥感图像的尺度直接影响卷积层的感受野的大小。

目前通常是在人工设置的一个固定的图像尺度区间对遥感影像进行采样，以提高遥感分类的精度，然而，上述采样方式得到的遥感影像具有较大的随机性，影响遥感分类的精度。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种遥感数据尺度自适应调整方法、装置、存储介质及设备，可以有效提高遥感分类精度。

本申请的第一方面，提供了一种遥感数据尺度自适应调整方法，包括以下步骤：

获取目标区域的遥感影像；

基于均值漂移算法，对所述目标区域的遥感影像进行地物分割，提取地物对象的边界信息；

根据所述边界信息，构建每一个地物对象的最小外包矩形，获取多个最小外包矩形的最长边的长度值；

根据所述多个最小外包矩形的最长边的长度值确定多个图像尺度，对所述多个图像尺度进行组合，获取多个图像尺度组合对应的遥感影像的图像集合；

基于网格搜索法和预训练的遥感分类模型，获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔；

根据所述最优图像尺度组合和所述最优尺度采样间隔对所述遥感影像进行采样，利用预训练的遥感分类模型对所述采样的遥感影像进行遥感分类，获取目标区域的地物信息。

本申请的第二方面，提供了一种遥感数据尺度自适应调整装置，包括：

遥感影像获取模块，用于获取目标区域的遥感影像；

边界信息提取模块，用于基于均值漂移算法，对所述目标区域的遥感影像进行地物分割，提取地物对象的边界信息；

长度值获取模块，用于根据所述边界信息，构建每一个地物对象的最小外包矩形，获取多个最小外包矩形的最长边的长度值；

图像集合获取模块，用于根据所述多个最小外包矩形的最长边的长度值确定多个图像尺度，对所述多个图像尺度进行组合，获取多个图像尺度组合对应的遥感影像的图像集合；

最优参数获取模块，用于基于网格搜索法和预训练的遥感分类模型，获取所述图像集合中遥感分类精度最高的最优图像尺度组合和最优尺度采样间隔；

分类模块，用于根据所述最优图像尺度组合和所述最优尺度采样间隔对所述遥感影像进行采样，利用预训练的遥感分类模型对所述采样的遥感影像进行遥感分类，获取目标区域的地物信息。

本申请的第三方面，提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的遥感数据尺度自适应调整方法的步骤。

本申请的第四方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的遥感数据尺度自适应调整方法的步骤。