[发明专利]一种基于立体遥感数据库的地貌特征聚类分析方法

摘要

本发明公开了一种基于立体遥感数据库的地貌特征聚类分析方法，其实现步骤是：调用图像待测样品、还原立体遥感地貌、特征粗提取、选取训练样本和测试样本、求解特征距离、细节特征点提取、利用训练样本训练神经网络、聚类分析。本发明采用逐层化方式训练连续傅里叶神经网络，避免了网络层数较多时出现梯度扩散的问题，并且能够提取出反映数据本质特性，刻画数据细节特征，突出不同地物类型之间差别的高维特征。由于本发明利用连续傅里叶神经网络提取数据的深层高维特征，避免了分类技术中存在的特征数较少或者特征学习不充分、不合理的问题，提高了无人机搭载遥感传感器遥感地貌图像的聚类精度。

主权项

1.一种基于立体遥感数据库的地貌特征聚类分析方法，其特征在于：包括以下步骤：1)调用图像待测样品的平面特征，调用一幅待聚类的无人机搭载遥感传感器遥感地貌图像样品的交叉矩阵，其中，交叉矩阵是大小为5×5×M的矩阵，N是无人机搭载遥感传感器遥感地貌图像像素点的总数，预处理，采用窗口大小为9×9的EMI滤波器对交叉矩阵进行滤波，得到滤波后的交叉矩阵，利用该交叉矩阵将待测样品的平面遥感地貌还原得到立体遥感地貌，根据还原好的立体遥感地貌，对立体遥感地貌进行特征粗提取，得到一系列立体遥感地貌表面的高度值，提取立体遥感地貌表面的最大高度值作为待测样品立体遥感地貌特征的特征点，将所述的特征点作为无人机搭载遥感传感器遥感地貌图像的特征，组成一个N×11大小的样本集，从样本集中随机选取8％的样本作为无人机搭载遥感传感器遥感地貌图像训练样本，将剩余92％的样本作为无人机搭载遥感传感器遥感地貌图像测试样本；2)将上述得到的无人机搭载遥感传感器遥感地貌图像训练样本特征的特征值，求出与对比模板外轮廓形状特征的特征距离，然后将待测样品与对比模板各样品外轮廓形状特征的特征距离从大到小排序后，统计特征距离小于预设阈值的次数，并用变量x来记录，x的初始值等于0，将特征距离与预设阈值比较一次，小于阈值的话，k就自加1，最终变量x等于1，则说明上述得到的无人机搭载遥感传感器遥感地貌图像训练样本可以被唯一识别，完成立体遥感地貌特征的提取；3)提取立体遥感地貌等压线的终点和交叉点的位置特征，完成对立体遥感地貌细节特征的提取，从而实现直接提取立体遥感地貌细节特征点；随机生成连续傅里叶神经网络表层网络和次层网络的初始权重和傅里叶激活函数放缩变量和位移变量；将训练样本调用到表层的傅里叶神经网络中，利用表层网络遮蔽层和调用层节点的初始权重T1′，表征层和遮蔽层节点的初始权重T1″、傅里叶激活函数的放缩变量m1和位移变量n1分别计算表层网络遮蔽层的表征ψ1和表征层的表征值h1；利用绝对误差公式计算表层网络中训练样本的表征误差E1；采用最小二乘法，得到表层网络的最优权重、傅里叶激活函数的最优放缩变量和最优位移变量以及最优遮蔽层表征；将表层傅里叶神经网络的遮蔽层表征作为次层傅里叶神经网络的调用，并利用次层网络遮蔽层和表征层节点的初始权重T′2，表征层和遮蔽层节点的初始权重T″2、傅里叶激活函数放缩变量m2和位移变量n2计算次层网络遮蔽层的表征ψ2和表征层的表征h2；利用绝对误差公式计算次层网络中训练样本的表征误差E2；采用最小二乘法，得到次层网络的最优权重、傅里叶激活函数的最优放缩变量和最优位移变量以及最优遮蔽层表征；4)将训练样本和测试样本分别调用到训练好的连续傅里叶神经网络中，得到训练样本特征集和测试样本特征集，将训练样本特征集和测试样本特征集调用到linSVM工具箱，得到无人机搭载遥感传感器遥感地貌图像的最终聚类结果，计算聚类精度，统计待聚类的无人机搭载遥感传感器遥感地貌图像中与聚类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待聚类的无人机搭载遥感传感器遥感地貌图像总像素数的百分比，得到聚类精度。