[发明专利]一种光学遥感影像分类缺陷性检测方法

说明书

本发明提供一种光学遥感影像分类缺陷性检测方法，包括以下步骤：S1：准备所需检验数据及网络：根据需求确定待评价样本影像范围，并读取所需检测影像数据及数据对应地类分类信息矢量数据；S2：逐块对样本影像进行分类置信度自动识别：通过结合被评价矢量对影像图幅进行掩膜提取，实现从复杂嵌套整图中提取单一地类整幅图斑，并展开卷积神经网络对单一地类影像的分类识别进而实现分类精度评价；S3：分类置信度自动识别微调：通过分块评价方法，对影像进行分类置信度评价；S4：存疑图斑筛选及图幅总体分类精度评价：基于整体评价，通过一个平衡后的单幅打分，构成一个对影像图幅混淆矩阵，最终的影像图幅整体评价通过对分块图幅打分组成混淆矩阵形成Kappa系数构成的百分制总体评价打分。

技术领域

本发明涉及一种自动识别光学遥感影像分类准确度的检测方法，尤其是涉及一种基于卷积神经网络自动识别的光学遥感影像分类缺陷性检测方法。

背景技术

光学遥感影像成果分类检测一般包括人工目视解译及计算机自动解译两种方法。人工目视解译是通过借助辅助判读仪器根据不同地物地类在遥感影像上表现出的光谱特征、空间特征及时相特征，判断分类准确度的方法。计算机自动解译分类是通过以计算机软件自动处理的分割方式，实现对影像覆盖区域不同地类的特征属性对象的分类，在分割基础上实现分类准确度的检验。

由于自动解译目前没有高可靠性的算法支持，光学遥感影像的质量检测主要依据人工比对，即质量检测员将地表覆盖分类信息与影像源、样本数据、专题信息等叠加，进行人工的对照检查。对于无法确定分类正确与否的图斑，在图上进行标记，然后进行外业实地核查。

卷积神经网络作为一种影像分类的有效技术，通过数据自动获取需要表征的特征或分类信息，由多个特征提取层，实现多个非线性变换，逐层获取目标特征，可实现抽象特征的表达，具备从低级特征抽象到高级特征的能力。

因此，有必要构建一种基于卷积神经网络自动识别方法的光学遥感影像分类缺陷型检测方法。

发明内容

本发明提供了一种光学遥感影像分类缺陷性检测方法，针对现有光学遥感影像分类准确度检测技术所存在的可靠性不高的缺点，结合卷积神经网络技术的最新进展，解决自动识别光学遥感影像分类准确度的检测问题。其技术方案如下所述：

一种光学遥感影像分类缺陷性检测方法，包括以下步骤：

S1：准备所需检验数据及网络：根据需求确定待评价样本影像范围，并读取所需检测影像数据及数据对应地类分类信息矢量数据；

S2：逐块对样本影像进行分类置信度自动识别：通过结合被评价矢量对影像图幅进行掩膜提取，实现从复杂嵌套整图中提取单一地类整幅图斑，并展开卷积神经网络对单一地类影像的分类识别进而实现分类精度评价；

S3：分类置信度自动识别微调：通过分块评价方法，对影像进行分类置信度评价；

S4：存疑图斑筛选及图幅总体分类精度评价：基于整体评价，通过一个平衡后的单幅打分，构成一个影像图幅混淆矩阵，最终的影像图幅整体评价通过对分块图幅打分组成混淆矩阵形成Kappa系数构成的百分制总体评价打分。

进一步的，步骤S1中，影像数据应为栅格数据，矢量数据坐标投影应与栅格数据一致，并结合所采用的卷积神经网络模型确定影像数据的格式是否符合数据读取方式。

进一步的，步骤S2中，分块影像中包含两类甚至多类地类象元。

进一步的，步骤S3中，在实际精度评价过程中为隶属度最高的两个分类项作平滑内插作为联合参考项对最终识别方法进行修正：

其中i为第i幅影像，m为单一类型图幅总量，α、β分别为分权系数，t₁t₂分别为单幅图幅识别的TOP-2正确率，a为对单一地类的整体分类精度。