[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

摘要

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。

主权项

1.一种基于逐像素分类的遥感图像场景分类提取方法，其特征在于，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；所述神经网络分类过程有两个滑动窗口遍历整个遥感图像及逐像素分类专题图，输入神经网络的特征图为将两个窗口中的各个波段数据及逐像素分类专题图拼接而成为一张的特征图，两个滑动窗口在原遥感图像和像素分类特征图上的位置必须位于相同的坐标且同步滑动；所述神经网络训练器将训练数据分批均分到输入卷积神经网络中，训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器，完成前向传播，具体包括：首先从样本集中取一批样本(X，YP)，其中X是样本数字的向量，Y是X对应的期望值，P是0到9的数字，将X输入卷积神经网络，计算出相应的实际输出OP，OP＝Fn(...F2(F1(XPW(1))W(2))W(n))，n是卷积神经网络的第n层，W表示权值，其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算，然后进行非线性变换，而降采样运算只采用最大池化操作，即最大池采样是通过一个滤波器提取上层网络结构的特征数据，不经过非线性运算，每次滤波后的最大值是数据降采样后的一个特征。