【技术实现步骤摘要】
一种基于自适应感知机的遥感影像智能解译方法及系统
[0001]本专利技术涉及深度学习在遥感影像目标解译
,尤其涉及一种基于自适应感知机的遥感影像智能解译方法及系统。
技术介绍
[0002]遥感技术是研究全球地表覆盖状况及变化的重要手段。近年来,深度学习技术快速发展,其可以通过迭代训练的方式完成海量数据确定目标的识别、提取、反演等任务。理论上,深度学习可以通过遥感影像地物解译数据集提取特定目标,实现大范围遥感智能解译。
[0003]目前应用深度学习技术进行遥感地物智能解译应用最为广泛的模型为2015年提出的全卷积神经网络(Fully Convolutional Networks,FCN)模型及其改进模型。但是,FCN模型在建模时,未考虑目标地物前、背景之间的差异,这显然与现实情况中复杂的遥感地物解译不符且存在运算量大、模型部署难度大、计算时间长等问题。同年,UNet模型的提出,为复杂的遥感地物解译带来了可能,UNet模型在减少数据成本的同时,保证了提取精度,但该方法的解译速度仍有待提升。近年来,基于FCN和UNet的改进模型应用于遥感、测绘、图像、计算机等多个领域,能够解决单一领域的确定任务,但均未考虑目标物体的前、背景之间的差异,未能自适应选择适合于某一特定目标的最佳尺度模型。
[0004]因此,在复杂背景遥感影像地物智能解译中,提出一种基于自适应感知机的遥感影像智能解译方法及系统,解决现有技术中存在的问题,是本领域技术人员亟需解决的问题。
技术实现思路
[0005]有鉴于此,本 ...
【技术保护点】
【技术特征摘要】
1.一种基于自适应感知机的遥感影像智能解译方法,其特征在于,包括以下步骤:S101:获取遥感影像地物解译公开数据集,对所述公开数据集进行预处理,将所述预处理后的影像数据按比例进行划分得到训练集、测试集和验证集;S102:构建感知机模型,对所述训练数据集进行计算,输出目标地物复杂程度阈值;S103:根据所述目标地物复杂程度阈值,选用改进UNet遥感地物解译模型,对所述公开数据集中所选解译类别地物进行训练权重迭代求解,获取遥感地物智能解译权重模型;S104:将所述遥感地物智能解译权重模型导入所述改进UNet遥感地物解译模型,输入测试集,进行自适应遥感地物智能解译。2.根据权利要求1所述的一种基于自适应感知机的遥感影像智能解译方法,其特征在于,S101中的预处理包括:直方图校正和波段组合;其中,所述直方图校正的具体内容为:将每波段的M
×
N个像元亮度值均减去本波段像元亮度最小值,其中,影像宽为M个像元,高为N个像元,计算如下式:式中,f
ij
为该波段的像元亮度值,f
min
为该波段像元亮度最小值,f
g
为经直方图校正后影像像元亮度值;所述波段组合的具体内容为:设置不同的波段组合方式生成假彩色影像。3.根据权利要求1所述的一种基于自适应感知机的遥感影像智能解译方法,其特征在于,S102中所述构建感知机模型包括以下步骤:S1021:将所述预处理的公开数据集,进行图像堆叠,组成线性可分的感知机数据集,公式如下T={(x1,y1),(x2,y2),...,(x
n
,y
n
)}
ꢀꢀꢀꢀꢀ
(2)式中,x
i
∈X=R
n
,y
i
∈Y=R
n
,i=1,2,...,N,x
i
,y
i
均为在最大间隔超平面ω
*
x+b
*
=0上的特征点;X为二维特征超平面的任意轴,Y为二维特征超平面中与X正交的轴,ω
*
为二维特征超平面在空间直角坐标系中X
‑
O
‑
Z面上投影的斜率,b
*
为二维特征超平面在空间直角坐标系中X
‑
O
‑
Z面上投影与Z轴的截距,n为n维特征空间,N为整数集。S1022:定义感知机损失函数为误分类点到特征分类超平面的距离之和,如式下式所示,其中,误分类点的感知机输出结果与真实结果的符号相反,如下式所示,融合损失函数的自...
【专利技术属性】
技术研发人员:张兵,朱洪波,宋伟东,戴激光,蓝歆玫,
申请(专利权)人:辽宁工程技术大学,
类型:发明
国别省市:
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。