The present invention relates to a method for extracting self-defined interest points of remote sensing images based on fuzzy clustering and neural network model. Firstly, satellite and airborne sensor data are collected to acquire remote sensing image data sets, and remote sensing images are fuzzy clustered according to the color characteristics of remote sensing images. Then, the clustering centers, members, color sample moments and position sample moments of all kinds of clustering centers, members, color sample moments and position sample moment The corresponding labels are determined, and the data sets are redesigned accordingly, and the data sets are divided into training set, verification set and test set. The neural network model is established and the self-built data set is used for model training and testing, and the model parameters and clustering number are adjusted continuously until the error meets the requirements, thus overcoming the singularity of the object extracted in the existing remote sensing image feature extraction technology. The disadvantage is that the self-defined interest points are extracted, the characteristics of the data set are reconstructed, the data dimension is reduced, the computing resources are saved, and good extraction results are achieved.
【技术实现步骤摘要】
基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法
本专利技术属于遥感图像处理
,特别是涉及基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法。
技术介绍
现有遥感图像是利用卫星上的遥感器获取的地表状况相片。遥感图像不受国界和地理条件的限制,可实现对地表变化状况的全天候、高精度跟踪。遥感图像的特征提取技术可实现城市土地、森林、河流等自然资源的监测,也可实现城市住宅区、商务区、道路系统等建筑物的监测。因此遥感图像的特征提取技术在城市规划、地理信息系统(GIS)数据更新、交通导航等多个领域中占据重要作用。目前,遥感图像的特征提取局限于某类具体对象的提取,例如对遥感图像中城市道路的抽取。因此,现有技术在提取对象的设定上缺乏灵活性。现有遥感图像特征提取方法中具体技术与结合方式如下:1)GVFSnake与显著特征相结合的高分辨率遥感图像道路提取;2)基于高光谱遥感图像分类的水域变化检测;3)农田信息低空遥感中图像采集与处理的关键技术研究。该算法的独特性是使动态人体快速感知的识别对终端机的浮点计算能力的要求更低,有以下缺点:1)缺乏灵活性:目前遥感图像的特征提取局限于某类具体对象的提取,例如对遥感图像中城市道路、农田和水域的自定义兴趣点的抽取,又例如对遥感图像中居民住宅的提取,因而提取对象的设定上缺乏灵活性。2)目前遥感图像的特征提取大多基于深度学习技术,此类技术由于所建模型的高度复杂性,需要大量样本,较长的训练时间,依赖高性能的计算资源,所需样本多、训练时间长、资源消耗大。因此,有必要专利技术基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 ...
【技术保护点】
1.一种基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法,其特征在于:包括卫星和机载传感器,所述卫星和机载传感器数据采集;所述基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法,步骤如下:S10.根据实际需求,自定义遥感图像中待提取的兴趣点;S20.通过卫星和机载传感器数据采集,模数转换及图像校正;S30.制作遥感图像集以及其对应的自定义兴趣标签;S40.设置模糊聚类数K,并利用模糊聚类方法对遥感图像进行聚类;先随机初始化K个三维向量作为各类的初始聚类中心,分别代表{R,G,B}三个颜色通道;接着更新各类成员隶属度,按照各点到聚类中心的距离大小决定各点对聚类中心的隶属度;S50.统计各类的聚类中心、成员数、颜色样本矩、位置样本矩和相应类标签;对每一个类的成员做颜色样本矩这一统计量,对各类样本成员所在位置,利用各类成员在各标签中的标记情况确定类标签,可对其频率进行统计;S60.利用上述特征和标签,重新制作数据集,并将其划分为训练集、验证集和测试集;S70.建立神经网络模型,并利用上述数据集进行训练,确定各层神经网络模型的权值和偏差;神经网络模型的建立过程确定神经网络的层数和 ...
【技术特征摘要】
1.一种基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法,其特征在于:包括卫星和机载传感器,所述卫星和机载传感器数据采集;所述基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法,步骤如下:S10.根据实际需求,自定义遥感图像中待提取的兴趣点;S20.通过卫星和机载传感器数据采集,模数转换及图像校正;S30.制作遥感图像集以及其对应的自定义兴趣标签;S40.设置模糊聚类数K,并利用模糊聚类方法对遥感图像进行聚类;先随机初始化K个三维向量作为各类的初始聚类中心,分别代表{R,G,B}三个颜色通道;接着更新各类成员隶属度,按照各点到聚类中心的距离大小决定各点对聚类中心的隶属度;S50.统计各类的聚类中心、成员数、颜色样本矩、位置样本矩和相应类标签;对每一个类的成员做颜色样本矩这一统计量,对各类样本成员所在位置,利用各类成员在各标签中的标记情况确定类标签,可对其频率进行统计;S60.利用上述特征和标签,重新制作数据集,并将其划分为训练集、验证集和测试集;S70.建立神经网络模型,并利用上述数据集进行训练,确定各层神经网络模型的权值和偏差;神经网络模型的建立过程确定神经网络的层数和各层节点数,以及选取合适的激活函数;神经网络模型的训练过程是利用反向传递算法确定神经网络模型的模型参数θ,包括神经网络各层的权值和偏差;S80.计算训练误差和泛化误差,根据误差的计算结果对神经网络模型的层数、各层节点数以及模糊聚类的类别数K进行调整,若不符合设定误差阈值,则调整神经网络层数、各层节点数或聚类数目,直至符合要求为止。2.根据权利要求1所述的基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法,其特征在于:所述步骤S40中的聚类中心的计算方式...
【专利技术属性】
技术研发人员:陈佳喜,刘兴川,赵迎迎,刘春贺,曾宪坤,杨雅莹,
申请(专利权)人:中电科新型智慧城市研究院有限公司,
类型:发明
国别省市:广东,44
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。