System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标识别,尤其涉及一种基于人工神经网络分类的建筑物检测方法及系统。
技术介绍
1、随着深度学习技术的发展,通过对建筑物的检测和识别能够快速确定建筑物的类型、用于、高度等信息,这为城市管理、交通管理、环境保护等领域提供了更多的数据支持,有助于提高城市智能化水平和服务质量。
2、目前,在建筑物目标检测识别中通常会使用卷积神经网络(cnn)、循环神经网络(rnn)、长短时记忆网络(lstm)等并通过大量的数据训练和学习实现特征提取和目标检测。但是在实际应用中,目标检测识别还会受到其他因素的影响,由于航摄数据为高分辨率影像数据,具有大量的细节信息,易出现“同物异谱”和“同谱异物”现象从而无法对建筑物特征进行准确识别,进而影响建筑物的特征提取和分类器的训练,导致识别任务的难度增加。
3、因此,寻找一种既能够扩大目标的光谱区分度,又能够根据多种层面的特征进行目标检测的方法,是本领域技术人员亟待解决的技术问题。
技术实现思路
1、有鉴于此,本专利技术提出了一种基于人工神经网络分类的建筑物检测方法及系统,其通过对数据进行光谱特征提取和灰度特征提取以及融合提高了对建筑物特征的抽象能力和表征能力,并利用语义分割和混合像元分解将图像中的建筑物目标与背景进行有效分离,实现对航摄影像数据中建筑物的自动识别和提取,提高建筑物识别的效率和准确性。
2、本专利技术的技术方案是这样实现的:
3、第一方面,本专利技术提供了一种基于人工神经网络分类的建筑物检
4、s1、获取无人机航摄影像数据并进行预处理和特征提取,得到第一建筑物特征;
5、s2、对第一建筑物特征分别进行光谱特征提取和灰度特征提取,得到光谱特征和灰度特征;
6、s3、将光谱特征和灰度特征进行特征数据融合得到融合数据,并对融合数据进行语义分割和混合像元分解,得到第二建筑物特征集;
7、s4、基于人工神经网络构建自适应线性神经网络模型,使用第二建筑物特征集进行训练和验证,得到训练好的建筑物识别模型;
8、s5、将待识别的无人机航摄影像数据输入训练好的建筑物识别模型,得到无人机航摄影像数据中的建筑物。
9、在以上技术方案的基础上,优选的,步骤s1具体包括:
10、s11、对无人机航摄影像数据进行傅里叶变换,将无人机航摄影像数据从空间域变换到频率域,得到第一处理数据;
11、s12、使用主成分分析法对第一处理数据进行特征提取,得到第一建筑物特征。
12、在以上技术方案的基础上,优选的,步骤s12具体包括:
13、对第一处理数据进行标准化处理得到第一数据,根据第一数据构建数据矩阵并计算数据矩阵的协方差矩阵,其中协方差的计算公式如下:
14、
15、其中,cij表示协方差矩阵c中第i个特征和第j个特征的协方差,xi表示数据矩阵x中第i列向量,xj'表示数据矩阵x中第j列向量的转置;
16、对协方差矩阵进行特征分解,得到特征值和对应的特征向量,并将特征值按照从大到小的顺序进行排列,形成特征值序列;
17、从特征值序列中选取k个特征值,根据k个特征值对应的特征向量形成一个低维空间;
18、将第一处理数据投影到所述低维空间,得到主成分得分;
19、根据主成分得分确定建筑物在主成分空间中的特征,得到第一建筑物特征。
20、在以上技术方案的基础上,优选的,步骤s3具体包括:
21、s31、将光谱特征进行pca变换,得到特征值矩阵d和特征向量矩阵u,将特征值矩阵d的对角线元素作为第一相应端元的丰度,将特征向量矩阵u的列向量作为第一端元波普;
22、s32、根据第一相应端元的丰度计算光谱特征中每个像素的相对丰度图;
23、s33、将灰度特征与相对丰度图与端元波普进行融合,得到融合数据;
24、s34、构建卷积神经网络模型,将融合数据输入至卷积神经网络模型进行特征提取,得到第一特征数据;
25、s35、对第一特征数据进行像元标注,并输入至语义分割模型进行训练,得到语义分割信息;
26、s36、对语义分割信息进行混合像元分解,得到第二端元波普和第二建筑物特征集。
27、更进一步优选的,步骤s4具体包括:
28、s41、将第二建筑物特征集按照预设比例分为训练集数据和测试集数据;
29、s42、将训练集数据输入至自适应线性神经网络模型进行有监督学习方式的迭代训练,更新训练集数据的权重,得到建筑物识别结果;
30、s43、将建筑物识别结果与人工目视解译得出的结果进行对比,并评价建筑物识别结果;
31、s44、根据建筑物识别结果使用测试集数据对自适应线性神经网络模型进行效果验证,得到训练好的建筑物识别模型。
32、在以上技术方案的基础上,优选的,步骤s42还包括在自适应线性神经网络模型上加入正则化,在自适应线性神经网络模型的原始损失函数上添加惩罚范数,以约束自适应线性神经网络模型的参数,正则化的计算公式为:
33、
34、其中,l0为自适应线性神经网络的原始损失函数,表示l2正则化项,γi为自适应线性神经网络中输入的第i个参数,n为训练集数据的个数,λ表示正则化项系数;
35、惩罚范数的计算公式为:
36、
37、其中||γ||表示自适应线性神经网络模型的正则化惩罚项。
38、在以上技术方案的基础上,优选的,所述正则化的步骤具体如下:
39、定义正则化的原始损失函数l0,其中原始损失函数l0是在线性回归的目标函数上加上权重参数的平方和;
40、对原始损失函数l0中的权重参数γ进行求导,得到梯度;
41、使用梯度下降优化算法对原始损失函数l0的权重参数进行迭代更新,得到权重参数矩阵;
42、对权重参数矩阵进行收缩得到正则化自适应线性神经网络模型。
43、第二方面,本专利技术提供了一种基于人工神经网络分类的建筑物检测系统,采用如上述所述的建筑物检测方法,包括:
44、第一特征提取模块,其配置为获取无人机航摄影像数据并进行预处理和特征提取,得到第一建筑物特征;
45、光谱特征提取模块,其配置为对第一建筑物特征分别进行光谱特征提取,得到光谱特征;
46、灰度特征提取模块,其配置为对第一建筑物特征分别进行灰度特征提取,得到灰度特征;
47、第二特征提取模块,其配置为将光谱特征和灰度特征进行特征数据融合得到融合数据,并对融合数据进行语义分割和混合像元分解,得到第二建筑物特征集;
48、模型训练模块,其配置为基于人工神经网络构建自适应线性神经网络模型,使用第二建筑物特征集进行训练和验证,得到训练好的建筑物识别模型;
49、建筑物本文档来自技高网...
【技术保护点】
1.一种基于人工神经网络分类的建筑物检测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤S1具体包括:
3.如权利要求2所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤S12具体包括:
4.如权利要求1所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤S3具体包括:
5.如权利要求1所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤S4具体包括:
6.如权利要求5所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤S42还包括在自适应线性神经网络模型上加入正则化,在自适应线性神经网络模型的原始损失函数上添加惩罚范数,以约束自适应线性神经网络模型的参数,正则化的计算公式为:
7.如权利要求6所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,所述正则化的步骤具体如下:
8.一种基于人工神经网络分类的建筑物检测系统,其特征在于,采用如权利要求1-7任一项所述的建筑物检测方法
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现如权利要求1-7任一项所述的建筑物检测方法。
10.一种电子设备,其特征在于,包括:至少一个处理器、一个存储器、通信接口和总线;
...【技术特征摘要】
1.一种基于人工神经网络分类的建筑物检测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤s1具体包括:
3.如权利要求2所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤s12具体包括:
4.如权利要求1所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤s3具体包括:
5.如权利要求1所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤s4具体包括:
6.如权利要求5所述的一种基于人工神经网络分类的建筑物检测方法,其特征在于,步骤s42还包括在自适应线性神经网络...
【专利技术属性】
技术研发人员:苏显,姜原,刘苏南,唐季平,
申请(专利权)人:南京北斗创新应用科技研究院有限公司,
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。