【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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。