CN108121949A - 一种基于遥感场景分类的港口矿石堆场识别方法 - Google Patents
一种基于遥感场景分类的港口矿石堆场识别方法 Download PDFInfo
- Publication number
- CN108121949A CN108121949A CN201711256426.3A CN201711256426A CN108121949A CN 108121949 A CN108121949 A CN 108121949A CN 201711256426 A CN201711256426 A CN 201711256426A CN 108121949 A CN108121949 A CN 108121949A
- Authority
- CN
- China
- Prior art keywords
- harbour
- remote sensing
- ore stockpile
- matrix
- ore
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感场景分类的港口矿石堆场识别方法,包括如下步骤:首先对遥感图像的任意区域进行纹理特征识别,并通过提取港口海岸边缘线;其次基于CA变化通过不同的场景图特征差异进行分类;再者基于矿石堆场空间关系特征精准识别,提起矿石堆场的关联关系,并且识别的待分析矿石堆场组成特征点集;最后通过正则化逻辑回归建立分类器,再通过分类器进行二次优化得到约束条件;将主题概率特征进行组合并利用向量分类器进行场景分类识别矿石堆场;通过纹理特征提取原始属性,剔除杂质数据,通过CA变换获取分层能力后获得场景图特征,具有较高的针对性,能够实时校准数据,根据现场情况进行数据更新的识别,准确率高。
Description
技术领域
本发明涉及技术领域,具体为一种基于遥感场景分类的港口矿石堆场识别方法。
背景技术
遥感图像在各个方面的应用极为广泛,而且随着遥感图像识别技术的进一步发展,其应用将会更进一步得到提高。在遥感的应用中,是不需要直接接触有关目标而能收集信息,并能对其进行判读、分类和识别,利用遥感技术能够动态、快速、准确的获取大量对地观测数据。
港口作为海上运输的枢纽,起着非常重要的作用,因此越来越受到人们的重视,成为规划海上运输交通的重要研究方向。在港口的建设和规划中首先需要对港口数据进行收集,即需要获取港口中各种地物及其位置,而对于海运来说,矿石进行海上运输是最为划算的一种运输方式,因此在港口建设矿石堆场是非常普遍的。而矿石堆场由于其特殊性,在实际的建设中,需要考虑的问题比较多,而这一切都是基于遥感图像的解析上。
但是目前来说,基于遥感图像对于港口后方的仓库来进行识别是具有一定的困难,在现有的技术方案中,如申请号为201610847190.X公布的一种港口的矿石堆场图像的提取方法,包括:(1)对遥感影像的一个波段使用leesigma边缘提取算法,该算法使用一个特定的边缘滤波器,从原始影像中创建两个独立的边缘影像:一个亮边缘影像和一个暗边缘影像;(2)把所述亮边缘影像和暗边缘影像与遥感影像一起参与多尺度分割,得到影像对象;(3)在得到的影像对象中,把离不包含装卸设备的泊位一定距离的对象分类为类别A;(4)使用亮度均值,把A类别中亮度较高的对象剔出出去;(5)使用归一化差异植被指数NDVI特征把其阈值较大的对象从A类别中剔出出去。
综合上述技术方案和现实存在的问题,以及结合目前被广泛应用的技术方案,还存在的主要缺陷主要体现在以下几个方面:
(1)首先,目前并没有专门的方法针对港口后方物流仓库的遥感识别,已有的方法由于是适用于其它地物的识别,因此,不能够根据港口仓库的特征进行准确的识别,而且在遥感的大数据处理过程中,由于缺乏针对性,数据处理效率低;
(2)其次则是现有的数据处理方式大多数是基于对遥感图像的直接提取,而这种提取方式最主要的缺陷就是原始数据处理量比较大,在这种计算流程中,往往会将一些不需要或者不在这个范畴中的数据也会考虑进去,进一步增强了数据处理的复杂性;
(3)再者就是在现有的数据处理过程中,在已有的数据处理中,并没有根据矿石堆场的特征进行图像分类来提取特征,因此对于图像的提取不准确,而且由于矿石堆场没有具体的外形,在实际的识别中,需要不断的根据现场进行修正和校正,才能准确的识别,而这一缺陷是目前大多数技术方案所没有涉及的。
发明内容
为了克服现有技术方案的不足,本发明提供一种基于遥感场景分类的港口矿石堆场识别方法,通过纹理特征提取原始属性,剔除杂质数据,通过CA变换获取分层能力后获得场景图特征,具有较高的针对性,能够实时校准数据,根据现场情况进行数据更新的识别,准确率高,能有效的解决背景技术提出的问题。
本发明解决其技术问题所采用的技术方案是:一种基于遥感场景分类的港口矿石堆场识别方法,包括如下步骤:
S100、基于活动轮廓模型提取港口海岸线,对遥感图像的任意区域逐次进行纹理特征识别,形成海域纹理区域和不规则纹理区域,并提取港口海岸边缘线;
S200、CA变换法优化遥感场景图并依据场景进行分类,任意选取不规则的纹理区域,首先通过CA变化,并以类间差异和类内差异比值最大为优化条件,再通过不同的场景图特征差异进行分类;
S300、基于矿石堆场空间关系特征精准识别,提取矿石堆场的关联关系,并且将识别的待分析矿石堆场组成特征点集;
S400、通过特征点集建立分类器,对特征点集进行优化,并且通过正则化逻辑回归建立分类器,再通过分类器对特征点集进行二次优化得到约束条件,并提取主题概率;
S500、将主题概率特征进行组合,并利用向量分类器进行场景分类,进而识别矿石堆场。
作为本发明一种优选的技术方案,在步骤S100中,纹理特征识别采用灰度共生矩阵法,其识别的具体步骤如下所示:
S101、任意选取遥感图像的一块区域,并且设定该区域有L个灰度值,则对应于该区域的灰度共生矩阵为LXL阶的矩阵;
S102、在矩阵中选取任意位置(i,j),其中(i,j=1,2,…,L),则该处位置元素是从灰度为i的像素离开某个固定位置关系ζ=(DX,DY)处像素灰度为j,其中ζ为位移量,DX和XY分别是两个不同方向上的距离;
S103、通过灰度共生矩阵的位置关系提取纹理特征量,如角二阶矩和对比度其中P为(i,j)处的特征向量,n为提取的次数。
作为本发明一种优选的技术方案,在步骤S100中,在海域纹理区域和不规则纹理区域之间通过滤波器算法提取港口海岸边缘线,且通过滤波器算法优化港口海岸边缘线的具体步骤为:首先获取上述纹理特征的离散数据,并且通过离散化的Gabor模板矩阵和图像数据矩阵卷积在滤波器进行图像特征提取时,选取最低的中心频率,并再次进行频谱叠加计算得到滤波图像。
作为本发明一种优选的技术方案,在步骤S200中,在CA变换之前通过线性变换式Y=TX来提取任意数据集的最大化器类间方差与类内方差的比值,其中T为理想变换矩阵,从而确保其最大的可分离性,进而为CA变换提供优化基础数据。
作为本发明一种优选的技术方案,所述理想转换矩阵的具体算法:
S201、设定σA为变换后类型1和类型2之间的标准差,且σw1和σw2为变换后类型1和类型2的类内标准差,且σw为σw1和σw2的平均值;
S202、变换后方差和变换前方差之间关系为:
其中Sw和SA分别为给定样本的类内散度矩阵和类间散度矩阵,t为映射变换向量;
S203、设定映射变换向量t为类间方差与类内方差的比值的特定值,即当趋向于最大化时有(SA-ΛSW)T=0,其中Λ表示所有的特征值λ组成的对角矩阵,而所有的列向量t组成的矩阵T就是所要求的理想变换矩阵。
作为本发明一种优选的技术方案,在步骤S300中,提取港口矿石堆场的关联关系,其包括空间特征的点特征、线特征和面特征,并且基于遥感图像的光谱特征,通过抽取遥感图像的分层属性,获取上述关联关系的层次性关系特征。
作为本发明一种优选的技术方案,所述港口矿石堆场的关联关系如港口矿石堆场的道路关系、港口矿石堆场的转运广场关系、港口矿石堆场的封闭关系,通过港口矿石堆场的关联空间关系提取整体属性。
作为本发明一种优选的技术方案,在步骤S400中,分类器的建立以及二次优化的具体步骤为:
S401、首先通过正则化逻辑回归确定优化问题 其中ζ(w;xi;yi)=lg(1+exp(-yiwTxi))是损失函数,C为惩罚因子,w为给定样本的类内散度,xi、yi为理想变换矩阵T中的任意位置;
S402、通过分类器进行二次优化确定二次优化问题得到最优超平面,使得约束条件为:yi[(wxi)+b]≥1-ζi(i=1,2,…,l),ζi≥0,其中ζi为松弛变量,b为校正常数;
S403、根据上述约束条件得到分类函数其中内积核函数K(x,xi)为径向基函数exp{-||x-xi||2/2σ2},其中n为提取的次数,αi为约束条件对应的变量,x为函数变量,σ为函数均值。
作为本发明一种优选的技术方案,在步骤S500中,将获取的特征点集依次输入到分类器中,在对组合特征进行分类时,将分类所得的结果串联起来作为新的特征再次输入分类器中进行场景的分类,进而识别矿石堆场。
作为本发明一种优选的技术方案,还包括S600,使用混淆矩阵进行校正,通过对特征组合关系的使用,设定混淆矩阵的横轴和纵轴分别代表不同的场景类别,即第i行j列的值表示第i类图像被分为第j类图像的比例,其对角线上元素的值代表每类场景的分类准确率,通过对角线的偏离程度或者回归系数确定相似成分进行校正检测,剔除偏离程度大或者回归系数大的矩阵,保留合理的混淆矩阵。
与现有技术相比,本发明的有益效果是:本发明通过纹理特征提取原始属性,并且通过滤波器划分港口海岸边缘线,及时将不需要处理的数据进行剔除,减少后续处理的数据量,再通过CA变换使得遥感图像数据具备分层能力后通过不同的场景图特征差异进行分类,通过空间关系形成特征点集之后,利用分类器进行初次分类和二次优化提取主题概率,根据主题概率针对性的识别矿石堆场,进一步的,在本发明中还可以利用特征组合关系提高数据处理的精度,并且再利用数据特征的同时,还可以进行自检,避免冗杂的修正和检查算法对结果的检查。
附图说明
图1为本发明的整体结构示意图;
图2为本发明Gabor滤波器特征提取流程图;
图3为本发明分类器流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
如图1至图3所示,本发明提供了一种基于遥感场景分类的港口矿石堆场识别方法,包括如下步骤:
S100、基于活动轮廓模型提取港口海岸线,对遥感图像的任意区域逐次进行纹理特征识别,形成海域纹理区域和不规则纹理区域,并通过滤波器算法提取港口海岸边缘线。
在上述步骤中,纹理特征识别采用灰度共生矩阵法,其识别的具体步骤如下所示:
S101、任意选取遥感图像的一块区域,并且设定该区域有L个灰度值,则对应于该区域的灰度共生矩阵为LXL阶的矩阵;
S102、在矩阵中选取任意位置(i,j),其中(i,j=1,2,…,L),则该处位置元素是从灰度为i的像素离开某个固定位置关系ζ=(DX,DY)处像素灰度为j,其中ζ为位移量,DX和XY分别是两个不同方向上的距离;
S103、通过灰度共生矩阵的位置关系提取纹理特征量,如角二阶矩和对比度其中P为(i,j)处的特征向量,n为提取的次数。
上述步骤中的灰度共生矩阵是遥感图像纹理特征中比较常见的一种处理方法,在这里选择使用灰度共生矩阵进行纹理特征的处理主要是由于以下几点原因:
1、灰度共生矩阵进行纹理特征分析之前,需要***部图像区域的纹理特征,而在本发明中所提出来的提取方法中,是需要多次利用局部特征的提取,那么这种提取方法能够在原始的遥感图像中就进行提取,在后续的步骤中可以直接使用;
2、使用灰度共生矩阵进行处理,一般来说,在灰度共生矩阵中提取纹理特征,往往不止只有一个,那么多个纹理特征在本发明中可以作为多层次筛选的基础,而且由于是多层次的筛选,往往会出现某层图像信息的缺失,而多个纹理特征的提取可以在一定程度上对缺失信息的补偿,进一步完善图像提取的质量;
3、最主要的一点在于,使用灰度共生矩阵提取的纹理特征,在很多特征上是相关的,也就是说使用灰度共生矩阵提取的纹理特征,能够直观的反应出空间关系,而空间关系的应用在本发明中是着重进行分析,甚至对于港口矿石堆场的识别也是基于空间关系来实现精准识别,那么提前进行相应的纹理特征分析,便于后续直接处理,减少不必要的计算量,提高计算的速度,她还有一个优点在于,虽然能够直观体现纹理的空间关系,但是在实际的运算中并没有空间关系的依赖性,因此纹理特征的鉴别能力虽然一般,但是作为前期的数据处理,这么做具有处理数据量小、运算速度快,能够为后续精准识别做铺垫的优点。
在Gabor滤波器算法中,在实际的应用中,本发明需要强调的是,众所周知的是,卷积矩阵很大的时候,运算量将会急剧增大,在本发明中,也会存在这样的问题,因此,为了克服上述运算量大的问题,需要在做卷积矩阵的时候进一步优化,如图2所示,优化的具体步骤如下所示:
首先,设定两个卷积矩阵f1和f2的Fourier变化分别为F1和F2,则有F1=fft(f1),F2=fft(f2);
由卷积定理得到conv(f1,f2)=ifft(F1.*F2),其中conv表示卷积,fft表示Fourier变化,ifft表示Fourier变化的逆变化,F1.*F2表示两个矩阵F1和F2中对应元素相乘。
通过上述步骤进行优化,在提取多层次的数据时,其计算量将会大大减少,从而能够大幅度提高计算效率,提高实际的处理能力,避免计算陷入冗杂的反复循环中。
S200、CA变换法优化遥感场景图并依据场景进行分类,任意选取不规则的纹理区域,首先通过CA变化,并以类间差异和类内差异比值最大为优化条件,再通过不同的场景图特征差异进行分类。
其中CA变化具体指的是在特征提取中应用的一种判别分析特种证提取的方法,能够对任意数据集最大化其类间方差与类内方差的比值,从而确保其最大的可分离性。
由于典型分析变换(即判别分析特种证提取法)是在用样本分析取得的分类统计特征基础上的正交线性变换,因此,在步骤S200中,通过线性变换式Y=TX来提取任意数据集的最大化器类间方差与类内方差的比值,其中T为理想变换矩阵,从而确保其最大的可分离性,进而为CA变换提供优化基础数据。
其中,所述理想转换矩阵的具体算法:
S201、设定σA为变换后类型1和类型2之间的标准差,且σw1和σw2为变换后类型1和类型2的类内标准差,且σw为σw1和σw2的平均值;
S202、变换后方差和变换前方差之间关系为:
其中Sw和SA分别为给定样本的类内散度矩阵和类间散度矩阵,t为映射变换向量;
S203、设定映射变换向量t为类间方差与类内方差的比值的特定值,即当趋向于最大化时有(SA-ΛSW)T=0,其中Λ表示所有的特征值λ组成的对角矩阵,而所有的列向量t组成的矩阵T就是所要求的理想变换矩阵。
综上可知,CA变换以类间差异和类内差异比值最大为优化条件,使得最大特征值相对的第一典型内包含了最大的可分信息,依次类推,在多个维度内,通过CA变换能够得到多个具有可分离的信息轴,那么这样的话,就可以通过不充分的光谱特征来提取多层次的主成分图像,而且需要进一步说明的是,通过CA变换在增加类别可分性的同时还能降低数据空间的维数,降低实际运算过程中的复杂性。
在上述步骤中,通过使用CA变换,使得原本集合在遥感图像中的数据具备可分性,也就是说能够在经过变换之后具备良好的可分性,能够在后续变换中无损的分层提取数据,使得原始遥感图像具备分层提取主成分图像的能力。
S300、基于矿石堆场空间关系特征精准识别,提取矿石堆场的关联关系,并且识别的待分析矿石堆场组成特征点集。
在步骤S300中,提取港口矿石堆场的关联关系,其包括空间特征的点特征、线特征和面特征,并且基于遥感图像的光谱特征,通过抽取遥感图像的分层属性,获取上述关联关系的层次性关系特征;所述港口矿石堆场的关联关系如港口矿石堆场的道路关系、港口矿石堆场的转运广场关系、港口矿石堆场的封闭关系,通过港口矿石堆场的关联空间关系提取整体属性。
S400、通过特征点集建立分类器,对特征点集进行优化,并且通过正则化逻辑回归建立分类器,再通过分类器进行二次优化得到约束条件,提取主题概率;
在上述步骤中,分类器的建立以及二次优化的具体步骤为:
S401、首先通过正则化逻辑回归确定优化问题 其中ζ(w;xi;yi)=lg(1+exp(-yiwTxi))是损失函数,C为惩罚因子,w为给定样本的类内散度,xi、yi为理想变换矩阵T中的任意位置;
S402、通过上述步骤的优化问题确定二次优化问题得到最优超平面,使得约束条件为:yi[(wxi)+b]≥1-ζi(i=1,2,…,l),ζi≥0,其中ζi为松弛变量;
S403、根据上述约束条件得到分类函数其中内积核函数K(x,xi)为径向基函数exp{-||x-xi||2/2σ2},其中n为提取的次数,αi为约束条件对应的变量,x为函数变量,σ为函数均值。
通过分类器进行遥感图像处理的显著优点在于能够对数据特征进行降维处理,而且在自我校正的算法下,可以最大限度的保证在降维过程中分类的精度,在一般的数据处理过程中,往往是仅仅利用单维特征进行处理,而这类处理方式对于处理结果的精度是有限的,而采用分类器进行处理的过程中,会通过对特征进行组合,而在组合之后,分类精度较之前仅使用但特征有了明显的提高,而在实际应用的过程中,特别是实用了两层分类器之后,分类精度要比单层分类器所得的分类精度要高得多,
S500、将主题概率特征进行组合并利用向量分类器进行场景分类识别矿石堆场,将获取的特征点集依次输入到分类器中,在对组合特征进行分类时,将分类所得的结果串联起来作为新的特征再次输入分类器中进行场景的分类,进而识别矿石堆场。
另外的,在本发明中,还需要进一步说明的是:使用混淆矩阵进行校正,在上述步骤中,通过对特征组合关系的使用,而在本发明中混淆矩阵的横轴和纵轴分别代表不同的场景类别,例如,第i行j列的值表示第i类图像被分为第j类图像的比例,其对角线上元素的值代表每类场景的分类准确率。
通过上述混淆矩阵的校正,可以利用前述步骤中的特征组合剔除较多的相似成分,这是由于在遥感场景分类中,往往会由于含有较多的相似成分而被错分,在实际中,最显著有:桥梁和池塘,住宅区和商业区。而经过上述校正之后,可以利用特征组合的自我矛盾来检测错分的结果,是对前面步骤中所处理数据的第二次自我检测利用,进行实时的数据修正,有效提高数据的利用率。
综上所述,本发明的主要特点在于:本发明通过纹理特征提取原始属性,并且通过滤波器划分港口海岸边缘线,及时将不需要处理的数据进行剔除,减少后续处理的数据量,再通过CA变换使得遥感图像数据具备分层能力后通过不同的场景图特征差异进行分类,通过空间关系形成特征点集之后,利用分类器进行初次分类和二次优化提取主题概率,根据主题概率针对性的识别矿石堆场,进一步的,在本发明中还可以利用特征组合关系提高数据处理的精度,并且再利用数据特征的同时,还可以进行自检,避免冗杂的修正和检查算法对结果的检查。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,包括如下步骤:
S100、基于活动轮廓模型提取港口海岸线,对遥感图像的任意区域逐次进行纹理特征识别,形成海域纹理区域和不规则纹理区域,并提取港口海岸边缘线;
S200、CA变换法优化遥感场景图并依据场景进行分类,任意选取不规则的纹理区域,首先通过CA变化,并以类间差异和类内差异比值最大为优化条件,再通过不同的场景图特征差异进行分类;
S300、基于矿石堆场空间关系特征精准识别,提取矿石堆场的关联关系,并且将识别的待分析矿石堆场组成特征点集;
S400、通过特征点集建立分类器,对特征点集进行优化,并且通过正则化逻辑回归建立分类器,再通过分类器对特征点集进行二次优化得到约束条件,并提取主题概率;
S500、将主题概率特征进行组合,并利用向量分类器进行场景分类,进而识别矿石堆场。
2.根据权利要求1所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,在步骤S100中,纹理特征识别采用灰度共生矩阵法,其识别的具体步骤如下所示:
S101、任意选取遥感图像的一块区域,并且设定该区域有L个灰度值,则对应于该区域的灰度共生矩阵为LXL阶的矩阵;
S102、在矩阵中选取任意位置(i,j),其中(i,j=1,2,…,L),则该处位置元素是从灰度为i的像素离开某个固定位置关系ζ=(DX,DY)处像素灰度为j,其中ζ为位移量,DX和XY分别是两个不同方向上的距离;
S103、通过灰度共生矩阵的位置关系提取纹理特征量,如角二阶矩和对比度其中P为(i,j)处的特征向量,n为提取的次数。
3.根据权利要求1所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,在步骤S100中,在海域纹理区域和不规则纹理区域之间通过滤波器算法提取港口海岸边缘线,且通过滤波器算法优化港口海岸边缘线的具体步骤为:首先获取纹理特征的离散数据,并且通过离散化的Gabor模板矩阵和图像数据矩阵卷积在滤波器进行图像特征提取时,选取最低的中心频率,并再次进行频谱叠加计算得到滤波图像。
4.根据权利要求1所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,在步骤S200中,在CA变换之前通过线性变换式Y=TX来提取任意数据集的最大化器类间方差与类内方差的比值,其中T为理想变换矩阵,从而确保其最大的可分离性,进而为CA变换提供优化基础数据。
5.根据权利要求4所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,所述理想转换矩阵的具体算法:
S201、设定σA为变换后类型1和类型2之间的标准差,且σw1和σw2为变换后类型1和类型2的类内标准差,且σw为σw1和σw2的平均值;
S202、变换后方差和变换前方差之间关系为:
其中Sw和SA分别为给定样本的类内散度矩阵和类间散度矩阵,t为映射变换向量;
S203、设定映射变换向量t为类间方差与类内方差的比值的特定值,即当趋向于最大化时有(SA-ΛSW)T=0,其中Λ表示所有的特征值λ组成的对角矩阵,而所有的列向量t组成的矩阵T就是所要求的理想变换矩阵。
6.根据权利要求1所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,在步骤S300中,提取港口矿石堆场的关联关系,其包括空间特征的点特征、线特征和面特征,并且基于遥感图像的光谱特征,通过抽取遥感图像的分层属性,获取上述关联关系的层次性关系特征。
7.根据权利要求6所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,所述港口矿石堆场的关联关系如港口矿石堆场的道路关系、港口矿石堆场的转运广场关系、港口矿石堆场的封闭关系,通过港口矿石堆场的关联空间关系提取整体属性。
8.根据权利要求1所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,在步骤S400中,分类器的建立以及二次优化的具体步骤为:
S401、首先通过正则化逻辑回归确定优化问题 其中ζ(w;xi;yi)=lg(1+exp(-yiwTxi))是损失函数,C为惩罚因子,w为给定样本的类内散度,xi、yi为理想变换矩阵T中的任意位置;
S402、通过分类器进行二次优化确定二次优化问题得到最优超平面,使得约束条件为:yi[(wxi)+b]≥1-ζi(i=1,2,…,l),ζi≥0,其中ζi为松弛变量,b为校正常数;
S403、根据上述约束条件得到分类函数其中内积核函数K(x,xi)为径向基函数exp{-||x-xi||2/2σ2},其中n为提取的次数,αi为约束条件对应的变量,x为函数变量,σ为函数均值。
9.根据权利要求1所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,在步骤S500中,将获取的特征点集依次输入到分类器中,在对组合特征进行分类时,将分类所得的结果串联起来作为新的特征再次输入分类器中进行场景的分类,进而识别矿石堆场。
10.根据权利要求1所述的一种基于遥感场景分类的港口矿石堆场识别方法,其特征在于,还包括S600,使用混淆矩阵进行校正,通过对特征组合关系的使用,设定混淆矩阵的横轴和纵轴分别代表不同的场景类别,即第i行j列的值表示第i类图像被分为第j类图像的比例,其对角线上元素的值代表每类场景的分类准确率,通过对角线的偏离程度或者回归系数确定相似成分进行校正检测,剔除偏离程度大或者回归系数大的矩阵,保留合理的混淆矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711256426.3A CN108121949B (zh) | 2017-12-04 | 2017-12-04 | 一种基于遥感场景分类的港口矿石堆场识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711256426.3A CN108121949B (zh) | 2017-12-04 | 2017-12-04 | 一种基于遥感场景分类的港口矿石堆场识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108121949A true CN108121949A (zh) | 2018-06-05 |
CN108121949B CN108121949B (zh) | 2018-11-23 |
Family
ID=62228877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711256426.3A Active CN108121949B (zh) | 2017-12-04 | 2017-12-04 | 一种基于遥感场景分类的港口矿石堆场识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108121949B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214415A (zh) * | 2018-07-19 | 2019-01-15 | 西安建筑科技大学 | 一种矿石破碎研磨效果评判方法 |
CN111191617A (zh) * | 2020-01-02 | 2020-05-22 | 武汉大学 | 一种基于分层结构的遥感场景分类方法 |
CN112597983A (zh) * | 2021-03-04 | 2021-04-02 | 湖南航天捷诚电子装备有限责任公司 | 一种遥感图像中目标对象的识别方法及其存储介质和*** |
CN113129269A (zh) * | 2021-03-23 | 2021-07-16 | 东北林业大学 | 一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法 |
CN113158840A (zh) * | 2021-04-01 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113554071A (zh) * | 2021-07-08 | 2021-10-26 | 广东石油化工学院 | 一种岩石样品中伴生矿物识别方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
WO2015042772A1 (zh) * | 2013-09-24 | 2015-04-02 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
CN105303184A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种卫星遥感影像中地物精确识别方法 |
CN105427309A (zh) * | 2015-11-23 | 2016-03-23 | 中国地质大学(北京) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 |
CN106339674A (zh) * | 2016-08-17 | 2017-01-18 | 中国地质大学(武汉) | 基于边缘保持与图割模型的高光谱影像分类方法 |
CN106485726A (zh) * | 2016-09-23 | 2017-03-08 | 交通运输部规划研究院 | 一种港口的矿石堆场图像的提取方法及*** |
-
2017
- 2017-12-04 CN CN201711256426.3A patent/CN108121949B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015042772A1 (zh) * | 2013-09-24 | 2015-04-02 | 中国科学院自动化研究所 | 一种遥感图像显著目标变化检测方法 |
CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
CN105427309A (zh) * | 2015-11-23 | 2016-03-23 | 中国地质大学(北京) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 |
CN105303184A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种卫星遥感影像中地物精确识别方法 |
CN106339674A (zh) * | 2016-08-17 | 2017-01-18 | 中国地质大学(武汉) | 基于边缘保持与图割模型的高光谱影像分类方法 |
CN106485726A (zh) * | 2016-09-23 | 2017-03-08 | 交通运输部规划研究院 | 一种港口的矿石堆场图像的提取方法及*** |
Non-Patent Citations (1)
Title |
---|
董敏等: "基于面向对象和影像分析技术的港口资源监测方法研究", 《港工技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214415A (zh) * | 2018-07-19 | 2019-01-15 | 西安建筑科技大学 | 一种矿石破碎研磨效果评判方法 |
CN109214415B (zh) * | 2018-07-19 | 2021-11-02 | 西安建筑科技大学 | 一种矿石破碎研磨效果评判方法 |
CN111191617A (zh) * | 2020-01-02 | 2020-05-22 | 武汉大学 | 一种基于分层结构的遥感场景分类方法 |
CN111191617B (zh) * | 2020-01-02 | 2022-02-01 | 武汉大学 | 一种基于分层结构的遥感场景分类方法 |
CN112597983A (zh) * | 2021-03-04 | 2021-04-02 | 湖南航天捷诚电子装备有限责任公司 | 一种遥感图像中目标对象的识别方法及其存储介质和*** |
CN112597983B (zh) * | 2021-03-04 | 2021-05-14 | 湖南航天捷诚电子装备有限责任公司 | 一种遥感图像中目标对象的识别方法及其存储介质和*** |
CN113129269A (zh) * | 2021-03-23 | 2021-07-16 | 东北林业大学 | 一种从图像纹理特征中选择变量实现混凝土表面空洞的自动分类方法 |
CN113158840A (zh) * | 2021-04-01 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 一种基于高清遥感影像的内河岸线资源利用类型提取方法 |
CN113554071A (zh) * | 2021-07-08 | 2021-10-26 | 广东石油化工学院 | 一种岩石样品中伴生矿物识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108121949B (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108121949B (zh) | 一种基于遥感场景分类的港口矿石堆场识别方法 | |
Li et al. | Fast and accurate green pepper detection in complex backgrounds via an improved Yolov4-tiny model | |
CN108549891B (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
CN108108670B (zh) | 一种层次化筛选的遥感图像提取港口仓库的方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
Hussain et al. | Change detection from remotely sensed images: From pixel-based to object-based approaches | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
Gao et al. | Visual saliency modeling for river detection in high-resolution SAR imagery | |
Duan et al. | Detection and segmentation of iron ore green pellets in images using lightweight U-net deep learning network | |
CN110009679A (zh) | 一种基于多尺度特征卷积神经网络的目标定位方法 | |
CN111052126A (zh) | 行人属性识别与定位方法以及卷积神经网络*** | |
CN108241871A (zh) | 基于多特征的激光点云与影像融合数据分类方法 | |
Kumari et al. | Hybridized approach of image segmentation in classification of fruit mango using BPNN and discriminant analyzer | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
Pan et al. | A central-point-enhanced convolutional neural network for high-resolution remote-sensing image classification | |
Moura et al. | ABCD rule and pre-trained CNNs for melanoma diagnosis | |
Khan et al. | A probabilistic segmentation and entropy-rank correlation-based feature selection approach for the recognition of fruit diseases | |
Liu et al. | Small unopened cotton boll counting by detection with MRF-YOLO in the wild | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
Gao et al. | Detection of wheat unsound kernels based on improved ResNet | |
Bajpai et al. | Deep learning model for plant-leaf disease detection in precision agriculture | |
Selvakumar et al. | Automated mango leaf infection classification using weighted and deep features with optimized recurrent neural network concept | |
CN113096080B (zh) | 图像分析方法及*** | |
Wu et al. | MMFS: a grape disease recognition method based on multi-feature fusion and SVM | |
Wo et al. | A saliency detection model using aggregation degree of color and texture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |