一种基于立体遥感数据库的地貌特征聚类分析方法技术

本发明专利技术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。本发明专利技术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。由于本发明专利技术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。

【技术实现步骤摘要】
一种基于立体遥感数据库的地貌特征聚类分析方法
本专利技术属于遥感地貌识别
，具体涉及一种基于立体遥感数据库的地貌特征聚类分析方法。
技术介绍
遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线等，对目标进行探测和识别的技术，具有可获取大范围数据资料，获取信息的速度快、周期短及信息量大等特点。根据获取方式的不同，可将其分为光学遥感和微波遥感两类。其中，光学遥感对应的设备简单，所获取图像空间几何分辨率高，图像易于解译，不过只能在白天使用，受天气条件影响较严重；由于微波具有很好的穿透能力，微波遥感(SAR)可全天时、全天候对地成像，但相干成像特性使得其图像存在乘性相干斑噪声。两者各有特点，相互补充，在国民经济和国防建设中正发挥着越来越重要的作用。随着传感器技术、空间技术和计算机技术的不断发展，众多机/星载遥感平台投入运营，所搭载的新型、高分辨率传感器可对地球表面进行不间断、持续观测，获取了大量的宽幅、高分辨率遥感数据。但面对日益增长的获取能力，与之不相宜的是对遥感图像处理与解译技术的研发相对滞后，不能满足实际应用的迫切需求。其中，多时相遥感图像变化检测作为处理与解译的基础和关键技术之一，是指通过对同一区域、不同时期获取的两幅或多幅遥感图像进行比较分析，进而根据图像之间差异来获取所感兴趣地物、场景或目标的变化信息，受制于人类活动加剧以及自然灾害频发，其研发越来越受到人们重视，逐渐成为遥感领域的研究热点。近年来，国内外学者提出了很多有效的变化检测方法，概括起来可分为有监督变化检测和无监督变化检测。限于有监督变化检测所需地面真实变化类别样本难以获取，目前工作主要集中于无监督变换检测类，其大致分为：(1)基于分布模型差异的多时相遥感图像变化检测；(2)基于差异图像分析的多时相遥感图像变化检测；以及(3)基于马尔科夫融合的多时相遥感图像变化检测。特别是对第二类算法的研究最为普遍，核心思想是将变化检测问题视为图像的二元分类/分割问题，又可细分为聚类分析、智能优化、阈值分割、有限混合模型、马尔科夫随机场、主动轮廓和水平集等策略。其中，聚类分析由其简单、有效而受到普遍认可。随着航天技术和传感器技术的发展，遥感数据的获取方式越来越多。遥感数据通常数据量巨大，信息相互交织，如何把这些数据有效合理的组织起来是充分利用这些数据的关键。传统的数据组织是简单地入库，根据应用需求来对数据库进行查找和信息获取，一方面查找效率和信息获取的能力受到限制，另一方面不能直观地查看数据库中的信息，极大地限制了数据的利用价值。因此，高效的数据组织技术是遥感信息处理的基础，是当前需要解决的一个关键技术。不同于通常的数据，遥感数据具有自己的特点。一方面，军事遥感应用中关注的目标类型较为固定，如某空军基地、某型舰船等。另一方面，目标本身也具有很强的层次语义特性，例如某航母编队隶属于某海军部队。所以，这些数据适合用多层分类体系进行描述。另外，多数GIS与遥感应用软件所能描述的目标都是静态的，而实际上，很多需要表达与处理的目标都不是一成不变的，而是包含很强的时间空间信息。随着数据量的积累与态势的发展，分类体系也可能随时面临修改。因此必须关注能对时空过程和时空目标进行描述的数据组织模型。通过以上相关文献信息可以看出：现有的基于立体遥感数据库的地貌特征聚类分析方法大部分将立体遥感地貌转换成平面遥感地貌，然后对平面遥感地貌图像处理再提取遥感地貌的特征点。首先，立体转换为平面计算量大，过程处理时间较长；其次，将立体转换为平面相应的遥感地貌图像会存在一定的误差，影响立体遥感地貌的识别精度。因此，如何快速、准确、全面的直接提取立体遥感地貌的特征点是一个急需研究的问题。
技术实现思路
为了解决现有技术中的问题，本专利技术提出一种无需将立体遥感地貌转换为平面遥感地貌，能够避免复杂的计算量和立体转换成平面造成的误差，且能够快速、准确的完成对立体遥感地貌特征提取的一种基于立体遥感数据库的地貌特征聚类分析方法。为了达到上述目的，本专利技术所采用的技术方案是：包括以下步骤：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。本专利技术的有益效果为：利用连续傅里叶神经网本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】
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。2.根据权利要求1所述的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：所述的步骤1)中，连续相位解包法是根据公式得到立体遥感地貌表面的高度信息h(x,y)，其中l0是无人机上的相机中心到地表面的距离，d是相机到投影仪的距离，f0是地表面上投影光栅的波长。3.根据权利要求1所述的立体遥感地貌特征提取方法，其特征在于：所述的立体遥感地貌特征是一个长度为T*S的一组向量V:4.根据权利要求1所述的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：所述的步骤3)中所述的计算遮蔽层表征公式如下：其中，表示遮蔽层节点j的表征，此处是遮蔽层节点表征的一个总的表示，表层网络遮蔽层节点表征用ψ1表示，次层网络遮蔽层节点表征用ψ2表示，m是调用节点数，T′jk表示遮蔽层节点j和调用节点k之间的权重，此处T′是遮蔽层和调用层节点权重的一个总的表示，表层网络遮蔽层和调用层节点权重用...

【专利技术属性】
技术研发人员：张文淑，宋庆方，王梦缘，程瑞普，刘镜，
申请(专利权)人：张文淑，
类型：发明
国别省市：山东,37