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方案

本发明专利技术公开了一种基于自适应感知机的遥感影像智能解译方法及系统，涉及深度学习在遥感影像目标解译技术领域，其中方法包括：在遥感影像智能解译时，对其进行预处理；构建基于局部阈值的自适应感知机；确定阈值范围及感知机权重；根据自适应感知机与改进UNet模型确定解译网络结构；依据前述网络结构与改进UNet遥感智能解译模型，采用自训练迭代方式求取目标地物特征。本发明专利技术解决了现有UNet模型结构单一、参数复杂、解译时间长的问题，增加了不同阈值条件下的UNet模型适用范围、解译速度和灵活程度。程度。程度。

【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，本专利技术提供了一种基于自适应感知机的遥感影像智能解译方法及系统，解决传统UNet模型未考虑目标地物前、背景之间的差异，将遥感地物解译描述为固定的单一任务，与现实不符的问题。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于自适应感知机的遥感影像智能解译方法，包括以下步骤：
[0008]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后，得到预处理后的影像数据，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；
[0009]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；
[0010]S103：根据所述目标地物复杂程度阈值，选用多种尺度和多种网络深度的改进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；
[0011]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。
[0012]可选的，S101中的预处理包括：直方图校正和波段组合；
[0013]其中，所述直方图校正的具体内容为：
[0014]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：
[0015][0016]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；
[0017]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。
[0018]可选的，S102中所述构建感知机模型包括以下步骤：
[0019]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
[0020]T＝{(x1,y1),(x2,y2),...,(x
n
,y
n
)}
ꢀꢀꢀ
(2)
[0021]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。
[0022]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，
[0023][0024]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，
[0025][0026]融合损失函数的自适应感知机模型表达式如下式所示，
[0027][0028]式(3)
‑
(5)中，ω为...，M为误分类点的集合。
[0029]可选的，S103中改进UNet遥感地物解译模型为基于UNet模型构建2组遥感地物解译模型，具体内容如下：
[0030]UNet
‑
1模型：由9个3
×
3卷积模块、3个最大池化模块组成特征提取网络；具体的，由9个反卷积模块对目标特征信息进行上采样，并通过3次层间连接将特征提取网络提取的包含目标地物低阶位置信息的特征图与上采样部分保留高阶语义信息的特征图融合，对所述预处理后的公开数据集的目标地物的端到端进行提取与分类；
[0031]UNet
‑
2模型：由6个3
×
3卷积模块、2个最大池化模块组成特征提取网络；具体的，由6个反卷积模块组成上采样网络，2次层间连接实现低阶位置信息与高阶语义信息的融合，对所述预处理后的公开数据集的前、背景区域场景目标地物进行提取与分类。
[0032]可选的，根据所述目标地物复杂程度阈值选择对应网络深度的遥感地物解译模型，其中，所述目标地物复杂程度阈值与对所述遥感地物解译模型的对应关系为：所述目标地物复杂程度阈值>k1时，对应UNet
‑
2模型；k2<所述目标地物复杂程度阈值≤k1时，对应UNet
‑
1模型；所述目标地物复杂程度阈值≤k2时，对UNet模型，其中，k1>k2，k1、k2均为常数，且0<k2<k1<1。
[0033]可选的，S101中对所述预处理后的影像数据按0.8：0.1：0.1比例划分为训练集、测试集、验证集；其中，所述训练集为改进UNet遥感地物解译模型训练使用的样本集，所述测试集为改进UNet遥感地物解译模型交叉验证所使用的样本集，所述验证集为改进UNet遥感地物解译模型训练结束后评估模型性能所使用的样本。
[0034]一种基于自适应感知机的遥感影像智能解译系统，包括依次连接的影像预处理模块、自适应感知机构建模块、本文档来自技高网...

【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：