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】
本专利技术属于遥感影像分类,具体涉及一种基于少样本的高分辨率遥感影像土地覆盖分类方法。
技术介绍
1、近年来随着卫星及航空遥感技术的快速发展,影像的时间分辨率和空间分辨率大幅度提高,因此通过对遥感影像和航空影像的分析和处理可以快速、有效地获取地表覆盖信息。对人类迫切认识地球提供数据支持,对环境监测,地籍调查,精准农业,城市规划,政府宏观调控和制定相应的政策提供重要的科学依据。尽管影像分辨率的提高确实增强了获取地物信息的能力,能够提供更加丰富的地物细节信息。但是获取高精度土地覆盖分类图通常需要大量的学习样本,然而遥感影像标记样本耗时费力。
技术实现思路
1、本专利技术的目的是提供一种基于虚拟样本生成的少样本高分辨率遥感影像土地覆盖分类方法,通过生成可靠虚拟样本的方式,不需要大量的学习样本,且改善高分影像土地覆盖分类精度。
2、本专利技术采用以下技术方案:一种基于少样本的高分辨率遥感影像土地覆盖分类方法,该分类方法包括如下步骤:
3、步骤一、对地面参考真值图人工标记每类地物5~30个像素,构成训练样本集s0,训练后,对高分辨率遥感影像的每个像素进行分类得到初始分类图m0;
4、步骤二、扩充训练样本集s0,得到s′0;
5、步骤三、将步骤二中的s′0的每类像素,通过云模型各生成多个虚拟样本;
6、步骤四、计算步骤三中的每类虚拟样本的簇心作为圆心,步骤一中像素中距离圆心最近和最远的像素的距离记为rn和rf,将距离圆心半径为[rn,
7、步骤五、将步骤一和步骤四得到分类图m0和m1,统计每类地物像素个数,针对每类判断是否满足如下:如果第c类满足,则下次不再迭代生成c类虚拟样本,否则该类继续执行步骤四、五、六,直到所有类满足,输出最终分类结果图;
8、其中:表示c类的第t-1和第t次分类像素的数量,第c类地物的第t-1和第t次迭代的训练样本集;ε为0.001。
9、进一步地,在步骤二中,具体如下:以步骤一中的训练样本集s0中每类的每个训练样本为中心,进行自适应区域增长,得到每类的多个增长区域内的像素,并按类别合并至训练样本集s0中,得到s′0。
10、进一步地,该候选虚拟样本的个数小于虚拟样本的个数。
11、进一步地,在步骤四中,采用k-mean聚类算法计算步骤三中的每类虚拟样本的簇心作为圆心。
12、本专利技术的有益效果是:1.通过生成虚拟样本,扩充训练集,并结合初始分类图和扩充训练集后的分类图,判断各类样本是否在下次迭代中继续生成虚拟样本;在迭代过程中,越不平衡的类,在下次迭代越有机会生成虚拟样本,在经过多次迭代后,每类地物都能达到较好分类精度,实现了顾及类别平衡,保证了在少量人工标记样本下保持好的分类精度。2.有效降低了标记样本的人工成本和时间成本。3.采用参数较少,对结果影响小,而迭代由终止条件控制主动结束,自动化程度较高,且计算代价小。
本文档来自技高网...【技术保护点】
1.一种基于少样本的高分辨率遥感影像土地覆盖分类方法,其特征在于,该分类方法包括如下步骤:
2.如权利要求1所述的一种基于少样本的高分辨率遥感影像土地覆盖分类方法,其特征在于,在所述步骤二中,具体如下:以所述步骤一中的训练样本集S0中每类的每个训练样本为中心,进行自适应区域增长,得到每类的多个增长区域内的像素,并按类别合并至训练样本集S0中,得到S′0。
3.如权利要求2所述的一种基于少样本的高分辨率遥感影像土地覆盖分类方法,其特征在于,所述候选虚拟样本的个数小于虚拟样本的个数。
4.如权利要求3所述的一种基于少样本的高分辨率遥感影像土地覆盖分类方法,其特征在于,在所述步骤四中,采用K-mean聚类算法计算所述步骤三中的每类虚拟样本的簇心作为圆心。
【技术特征摘要】
1.一种基于少样本的高分辨率遥感影像土地覆盖分类方法,其特征在于,该分类方法包括如下步骤:
2.如权利要求1所述的一种基于少样本的高分辨率遥感影像土地覆盖分类方法,其特征在于,在所述步骤二中,具体如下:以所述步骤一中的训练样本集s0中每类的每个训练样本为中心,进行自适应区域增长,得到每类的多个增长区域内的像素,并按类别合并至训练样本...
【专利技术属性】
技术研发人员:吕志勇,张朋飞,李军怀,赵明华,
申请(专利权)人:西安理工大学,
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。