【技术实现步骤摘要】
多模态多粒度遥感影像面向对象自动机器学习方法及系统
[0001]本专利技术属于遥感与地理国情监测
,涉及一种云控制下多模态多粒度遥感影像面向对象自动机器学习方法及系统,具体涉及一种多模态多粒度遥感影像的面向对象提取、划分、及其集多种机器学习(非监督聚类、监督的随机森林和深度学习)为一体的全自动机器学习训练与预测方法及系统。
技术介绍
[0002]遥感影像解译通常包括面向像素的分类和面向对象(图斑)的分类两大类,而基于已标注样本集的监督分类则是目前使用较为广泛的方法。遥感影像监督分类往往需要准备准确和充足的训练、验证样本,样本的质量对于分类器的训练和最终预测起着关键作用,因此样本自动提取和优选是遥感影像分类及其预处理领域的重要研究课题。然而,遥感影像分类样本自动选择和模型训练仍然存在许多问题:1)模态问题:遥感影像样本选择及分类往往可能因光谱形状相似,尺度差异较大,影像外部样本特征未充分利用,传感器或获取时间不同产生的影像差异等多种模态问题,导致同类样本差异较大,质量低,进而导致分类精度低;2)粒度问题:遥感影像样本的分类级别粗,样本粒度单一化机械化,往往不能满足实际需求,导致同类样本内部差异大,质量低,进而影响分类精度;3)自动化问题:遥感影像样本选择及分类仍然需要大量人为干预,主观性强,自动化程度低,从而耗费大量人力物力。
[0003]当前已有部分研究和专利技术对上述问题进行了分析与研究:1)申请号为201810627958.1的中国专利技术专利《基于多模态表征的细粒度图像分类方法》,公开了一种基于多 ...
【技术保护点】
【技术特征摘要】
1.一种多模态多粒度遥感影像面向对象自动机器学习方法,其特征在于,包括以下步骤:步骤1:将已标注属性标签的面向对象的遥感影像云样本数据作为初始样本集S;步骤2:将初始样本集S按初始标签依次分为n类样本组,即S={S1, S2,
ꢀ…
, S
n
};步骤3:对每个样本组进行云控制的多模态多粒度面向对象样本细化处理,根据样本的具体特征及判断,依次通过四种不同模态的粒度划分方案,将每类样本组细化至I级粒度样本、II级粒度样本、III级粒度样本和IV级粒度样本,并赋予代号标签;其中,所述四种不同模态包括光谱
‑
纹理
‑
形状特征、云控制地理信息特征、时间变化特征和尺度特征四种模态;步骤4:经过步骤3的多模态多粒度样本细化后,得到IV级粒度样本集,并依据预设比例分层抽样,将其分别划分为训练样本集、验证样本集和测试样本集;步骤5:分别对步骤4划分的训练样本集、验证样本集和测试样本集进行样本扩充,生成新的样本;步骤6:根据步骤5扩充后的训练、验证样本集数量差异,选择机器学习分类模型,并对分类模型进行训练和超参数调优;其中,对于尺度大于阈值、数量少于阈值且特征差异明显的样本集,使用针对小样本集的集成学习分类模型;对于其他样本集,使用深度神经网络分类模型;其中,所述特征差异明显,即计算的类间分离度大于阈值;步骤7:将步骤6已经训练好的分类模型集成为分类模型库,输入测试样本集,其自动根据尺度大小和特征选择分类模型库中的优选模型进行分流预测,预测结果标签根据初始样本集的初始标签进行合并归类为{S1, S2,
ꢀ…
, S
n
},其中n为大于1的自然数。2.根据权利要求1所述的多模态多粒度遥感影像面向对象自动机器学习方法,其特征在于:步骤2中,所述将每类样本组细化至I级粒度样本,采用光谱
‑
纹理
‑
形状特征,设定类内凝聚度阈值q1,类间分离度阈值t1,通过提取样本的光谱、纹理和结构特征,通过聚类算法,对各样本组的初始样本进行粒度划分,使所有聚类样本集的类内凝聚度和类间分离度达到阈值;然后根据聚类结果赋上I级标签,即S
ij = I(S
i
) = {S
i1
, S
i2
,
ꢀ…
, S
im
}, 1<=i<=n, 1<=j<=m,其中n, m均为大于1的自然数。3.根据权利要求2所述的多模态多粒度遥感影像面向对象自动机器学习方法,其特征在于:所述样本光谱特征,采用计算样本各波段像元灰度值的均值、标准差进行提取;样本纹理特征,通过统计灰度对出现频率构建经典的灰度共生矩阵,来提取并获取特征参;样本形状特征,通过计算像元形状指数、紧凑度来提取;将提取出的各种特征叠加为多维特征向量,依据初始样本的先验认知,分别赋予样本光谱、纹理和形状特征向量以不同的权重,再利用isodata算法对该加权后的向量空间进行特征点聚类。4.根据权利要求2所述的多模态多粒度遥感影像面向对象自动机器学习方法,其特征在于:所述通过聚类算法对各样本组的初始样本进行粒度划分,若某一聚类集合的类内凝聚度和同其他聚类集合的类间分离度达到阈值,则保留该聚类集合;若未达到阈值,则继续对不合格的聚类集合统一进行新一轮的聚类,直至所有聚类样本集的类内凝聚度和类间分离度均满足阈值。5. 根据权利要求1所述的多模态多粒度遥感影像面向对象自动机器学习方法,其特征在于:步骤2中,所述将每类样本组细化至II级粒度样本,采用云控制地理信息特征,根据部
分样本的高度海拔、所处环境,结合云控制下的已有的地理信息产品,对I级粒度样本进一步叠加以辅助判别并划分粒度;然后根据判别结果附上II级标签,即S
ijk = II(S
ij
) = {S
ij1
, S
ij2
,
ꢀ…
, S
ija
}, 1<=i<=n, 1<=j<=m, 1<=k<=a,其中n, m, a均为大于1的自然数;无需此模态判别的样本该级粒度标签值为0,标记为S
ij0
。6.根据权利要求5所述的多模态多粒度遥感影像面向对象自动机器学习方法,其特征在于:首先对用于辅助判别的云控制...
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。