一种基于遥感图像分类算法的规划地地物识别方法和装置制造方法及图纸

本发明专利技术涉及一种基于遥感图像分类算法的规划地地物识别方法及装置。该方法包括对原始图像进行预处理后，通过超像素分割以及图像特征提取，对图像标注结果及图像特征进行训练，最后利用训练产生的随机森林分类器完成图像地物的识别分类。与现有技术相比，本发明专利技术具有识别效率高、准确率高等优点。准确率高等优点。准确率高等优点。

【技术实现步骤摘要】
一种基于遥感图像分类算法的规划地地物识别方法和装置


[0001]本专利技术涉及图像处理
，尤其是涉及一种基于遥感图像分类算法的规划地地物识别方法和装置。

技术介绍

[0002]电网前期建设进行规划的过程中，为了优化规划方案，需要了解规划区不同类型地物的分布情况，计算规划区的赔偿金额，因此需要对数字图像进行分割识别。
[0003]随着机器学习技术的发展，如地表覆盖分类等基于遥感影像的数字图像分析技术也得到了一定程度的发展，可直接通过对数字图像分析获取规划区的地物类型分布。
[0004]超像素是一种像素分类方法，可将相似的相邻像素合成一个整体，可以对较大的图像直接处理，减少图像切割带来的边缘信息损失。但现有的超像素方法在对于像素分类的准确度上仍存在问题，会对图像识别等工作产生影响。

技术实现思路

[0005]本专利技术的目的就是为了提供一种基于遥感图像分类算法的规划地地物识别方法和装置。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于遥感图像分类算法的规划地地物识别方法，包括：
[0008]步骤S1：对原始航拍图像进行预处理，并在完整的遥感图像上进行图像标注：分为植被、建筑和水系三种，输出逐像素的标注图；
[0009]步骤S2：将完整的遥感图像和对应的标注图分块为多个样本，每个样本由一张遥感图像和一张标注图组成；
[0010]步骤S3：对输入遥感图像进行高斯模糊；
[0011]步骤S4：确定需要的超像素数量k，计算出相邻超像素平均间距再以所述超像素平均间距S在图像上随机选定初始聚类中心；
[0012]步骤S5：初次选定的聚类中心3
×
3的范围内选择梯度最小的位置；
[0013]步骤S6：对所有像素执行k
‑
means聚类，两个像素之间的距离按如下公式计算：
[0014][0015]式中，m控制超像素之间的紧密度，d
c
代表颜色接近度，d
s
代表空间接近度。
[0016]两个像素间的颜色接近度和空间接近度按下式定义：
[0017][0018][0019]式中，I(x
i
,y
i
,s)和I(x
j
,y
j
,s)表示两个像素在光谱带s上的值，B表示光谱带集合，颜色接近度控制超像素均匀度，空间接近度控制超像素紧密度；
[0020]步骤S7：聚类每次迭代计算超像素中心周围2S
×
2S内的像素，持续到残差E收敛到阈值以内；
[0021]步骤S8：对每个超像素，统计其内部像素各类别的数量，取数量最多的类别为该超像素的类别标注；
[0022]步骤S9：对每个超像素进行特征提取，并对提取出的特征进行标准化处理；
[0023]步骤S10：将所述超像素标准化特征和所述超像素类别标注作为训练样本，训练随机森林分类器；
[0024]步骤S11：输入待识别的遥感图片，通过不包含图像标注的超像素分割图像及特征提取的方法进行处理，使用训练好的所述随机森林分类器对特征进行分类，并输出识别出的图像的地物类别。
[0025]进一步地，该方法提取的特征包括128维HSV颜色直方图特征、24维Gabor纹理特征以及24维GLCM特征；
[0026]进一步地，该方法可通过下列公式对提取出的特征进行标准化：
[0027][0028]式中，x
ij
、x
′
ij
分别表示标准化前后的第i个超像素样本的第j个特征，μ
j
表示第j个特征的均值，σ
j
表示第j个特征的标准差；
[0029]进一步地，该方法的图像分块样本大小为4000
×
4000。
[0030]进一步地，该方法对原始航拍图像进行预处理的方法包括畸变校正、图像去噪、图像去雾、图像拼接等。
[0031]一种基于遥感图像分类算法的规划地地物识别装置，包括存储器、处理器和程序，所述处理器执行以下步骤：
[0032]步骤S1：对原始航拍图像进行预处理，并在完整的遥感图像上进行图像标注：分为植被、建筑和水系三种，输出逐像素的标注图；
[0033]步骤S2：将完整的遥感图像和对应的标注图分块为多个样本，每个样本由一张遥感图像和一张标注图组成；
[0034]步骤S3：对输入遥感图像进行高斯模糊；
[0035]步骤S4：确定需要的超像素数量k，计算出相邻超像素平均间距再以所述超像素平均间距S在图像上随机选定初始聚类中心；
[0036]步骤S5：初次选定的聚类中心3
×
3的范围内选择梯度最小的位置；
[0037]步骤S6：对所有像素执行k
‑
means聚类，两个像素之间的距离按如下公式计算：
[0038][0039]式中，m控制超像素之间的紧密度，d
c
代表颜色接近度，d
s
代表空间接近度。
[0040]两个像素间的颜色接近度和空间接近度按下式定义：
[0041][0042][0043]式中，I(x
i
,y
i
,s)和I(x
j
,y
j
,s)表示两个像素在光谱带s上的值，B表示光谱带集合，颜色接近度控制超像素均匀度，空间接近度控制超像素紧密度；
[0044]步骤S7：聚类每次迭代计算超像素中心周围2S
×
2S内的像素，持续到残差E收敛到阈值以内；
[0045]步骤S8：对每个超像素，统计其内部像素各类别的数量，取数量最多的类别为该超像素的类别标注；
[0046]步骤S9：对每个超像素进行特征提取，并对提取出的特征进行标准化处理；
[0047]步骤S10：将所述超像素标准化特征和所述超像素类别标注作为训练样本，训练随机森林分类器；
[0048]步骤S11：输入待识别的遥感图片，通过不包含图像标注的超像素分割图像及特征提取的方法进行处理，使用训练好的所述随机森林分类器对特征进行分类，并输出识别出的图像的地物类别。
[0049]进一步地，该装置执行步骤中提取的特征包括128维HSV颜色直方图特征、24维Gabor纹理特征以及24维GLCM特征；
[0050]进一步地，该装置执行步骤中可通过下列公式对提取出的特征进行标准化：
[0051][0052]式中，x
ij
、x
′
ij
分别表示标准化前后的第i个超像素样本的第j个特征，μ
j
表示第j个特征的均值，σ
j
表示第j个特征的标准差；
[0053]进一步地，该装置执行步骤中的图像分块样本大小为4000
×
4000。
[0054]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遥感图像分类算法的规划地地物识别方法，其特征在于，该方法包括：步骤S1：对原始航拍图像进行预处理，并在完整的遥感图像上进行图像标注：分为植被、建筑和水系三种，输出逐像素的标注图；步骤S2：将完整的遥感图像和对应的标注图分块为多个样本，每个样本由一张遥感图像和一张标注图组成；步骤S3：对输入遥感图像进行高斯模糊；步骤S4：确定需要的超像素数量k，计算出相邻超像素平均间距再以所述超像素平均间距S在图像上随机选定初始聚类中心；步骤S5：初次选定的聚类中心3
×
3的范围内选择梯度最小的位置；步骤S6：对所有像素执行k
‑
means聚类，两个像素之间的距离按如下公式计算：式中，m控制超像素之间的紧密度，d
c
代表颜色接近度，d
s
代表空间接近度；两个像素间的颜色接近度和空间接近度按下式定义：两个像素间的颜色接近度和空间接近度按下式定义：式中，I(x
i
,y
i
,s)和I(x
j
,y
j
,s)表示两个像素在光谱带s上的值，B表示光谱带集合，颜色接近度控制超像素均匀度，空间接近度控制超像素紧密度；步骤S7：聚类每次迭代计算超像素中心周围2S
×
2S内的像素，持续到残差E收敛到阈值以内；步骤S8：对每个超像素，统计其内部像素各类别的数量，取数量最多的类别为该超像素的类别标注；步骤S9：对每个超像素进行特征提取，并对提取出的特征进行标准化处理；步骤S10：将所述超像素标准化特征和所述超像素类别标注作为训练样本，训练随机森林分类器；步骤S11：输入待识别的遥感图片，通过不包含图像标注的超像素分割图像及特征提取的方法进行处理，使用训练好的所述随机森林分类器对特征进行分类，并输出识别出的图像的地物类别。2.根据权利要求1所述的一种基于遥感图像分类算法的规划地地物识别方法，其特征在于，该方法提取的特征包括128维HSV颜色直方图特征、24维Gabor纹理特征以及24维GLCM特征。3.根据权利要求1所述的一种基于遥感图像分类算法的规划地地物识别方法，其特征在于，该方法可通过下列公式对提取出的特征进行标准化：
式中，x
ij
、x
′
ij
分别表示标准化前后的第i个超像素样本的第j个特征，μ
j
表示第j个特征的均值，σ
j
表示第j个特征的标准差。4.根据权利要求1所述的一种基于遥感图像分类算法的规划地地物识别方法，其特征在于，该方法的图像分块样本大小为4000
×
4000。5.根据权利要求1所述的一种基于遥感图像分类算法的规划地地物识别方法，其特征在于，该方法对原始航拍图像进行预处理的方法包括畸变校正、图像去噪、图像去雾、图像拼接。6.一种基于遥感图像分类算法的规划地地物识别装...

【专利技术属性】
技术研发人员：龚波涛，朱琦锋，季彤天，陈树藩，王华云，
申请(专利权)人：上海铁新地理信息有限公司，
类型：发明
国别省市：