CN110738257B - 基于特征提取的光学遥感图像水域分类方法 - Google Patents
基于特征提取的光学遥感图像水域分类方法 Download PDFInfo
- Publication number
- CN110738257B CN110738257B CN201910979348.2A CN201910979348A CN110738257B CN 110738257 B CN110738257 B CN 110738257B CN 201910979348 A CN201910979348 A CN 201910979348A CN 110738257 B CN110738257 B CN 110738257B
- Authority
- CN
- China
- Prior art keywords
- training
- feature
- area
- communication
- communication domain
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Astronomy & Astrophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征提取的光学遥感图像水域分类方法,主要解决现有水域分类无法利用水域全局信息,分类精细度低的问题。其实现步骤为:训练用于遥感图像水域检测的卷积神经网络模型;使用训练好的模型检测测试图像,得到测试水域集合;提取现有数据集中训练水域集合;分别标记测试水域集合和训练水域集合的联通域,得到测试联通域和训练联通域,并分别提取这两个联通域的特征,得到测试特征集合和训练特征集合;使用训练特征集合训练随机森林模型;将测试特征集合输入随机森林,得到初始分类结果;使用约束规则优化初始分类结果,得到最终水域分类结果。本发明分类精度高,计算速度快,可用于对渔业资源调查,地质灾害监测及国土资源调查。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种光学遥感图像水域分类方法,可用于对渔业资源调查,地质灾害监测及国土资源调查。
背景技术
光学遥感图像的水域检测分类是指,在已经获取的光学遥感卫星拍摄的图像上,提取出图像中的水域位置,并且将水域分为河流,湖泊,池塘等不同类别。
目前,国内对于光学遥感图像的水域分类,集中在水域检测,即提取出遥感图像中的水域,而不对水域属于河流,湖泊,池塘中的某一类别进行分类。另一种少量水域类别精细分类的研究工作,是使用卷积神经网络直接对水域进行分类;或者是首先进行水域位置检测,再通过设计不同结构卷积神经网络来提取不同类别的水域。
对光学遥感图像中的水域分类现有主要技术只进行检测而不进行分类,如国外学者C.A.Rishikeshan在《ISPRS Journal of Photogrammetry and Remote Sensing》发表的基于数学形态学技术的检测方法,该方法通过动态选择滤波器完成对图像中水域边缘、形状等空间特征提取来检测水域,但是对形状复杂的水域检测效果不佳,其次,对水域只进行检测而不进行分类,损失了大量的可用信息,限制了该方法输出结果的应用范围。
在少量对水域进行分类的工作中,如国外学者Abhishek Chaurasia在2017IEEEVisual Communications and Image Processing(VCIP)发表的卷积神经网络结构LinkNet,使用该方法对水域进行分类时,由于不同类别水域成像的差距较小,并且卷积神经网络Linknet无法利用水域的全局特征信息,因此同一片水域会出现不同的类别分类,分类结果精度低。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于特征提取的光学遥感图像水域分类方法,以准确检测出水域位置,并对检测出的水域进行快速精确地分类,提高水域分类结果的稳定性与精度。
实现本发明的技术方案是,首先通过设计卷积神经网络提取遥感图像中的水域位置;在卷积神经网络分类的基础上,利用自身的先验知识,设计特征算子,对卷积神经网络输出的水域进行特征提取;训练随机森林,获取性能最优模型后,将提取到的特征输入性能最优模型,输出分类结果;然后再通过设计约束规则,进一步优化分类结果,具体实现步骤包括如下:
(1)从公开网站获取包含水域的光学遥感图像的训练集Train,并使用该训练集通过反向传播算法对用于遥感图像地物分类的卷积神经网络模型m0进行训练,得到一个训练好的网络模型m1,将待分类遥感图像输入训练好的网络模型m1,输出水域二值图A,该二值图包括测试水域集合W和背景b,其中W={w1,w2,...,wi,...,wn},其中,wi表示二值图A中的第i个水域,i的取值是从1到n,n表示测试水域个数,取值为正整数;
(2)从公开网站获取水域分类数据集,提取该数据集的训练水域集合C={c1,...,cj,...,cm},其中,cj表示该数据集中的第j个水域,j的取值是从1到m,m表示训练水域个数,取值为正整数;
(3)利用联通域标记算法对测试水域集合W中每一个wi进行标记,得到测试联通域集合D={d1,...,di,...,dn},利用联通域标记算法对训练水域集合C中每一个cj进行标记,得到训练联通域集合E={e1,...,ej,...,em},其中,di表示测试联通域集合中的第i个联通域,ej表示训练联通域集合中的第j个联通域;
(4)获取测试特征集合F和训练特征集合G:
(4a)提取测试联通域集合D中每一个di的直接特征fi 1和间接特征fi 2,将di的直接特征fi 1和间接特征fi 2合并为fi,得到测试特征集合F={f1,...,fi,...,fn},其中,fi表示测试特征集合的第i个特征;
(5)使用训练特征集合G对现有的随机森林模型RF进行训练,得到训练后的随机森林模型RF1;
(6)将测试特征集合F中的每一个fi输入至训练后的随机森林模型RF1,得到初始分类结果集合H={h1,...,hi,...,hn},其中,hi表示初始分类结果集合中的第i个初始分类结果;
(7)添加约束规则,利用测试特征集合F对初始分类结果集合H中的每一个hi进行优化,得到优化后的分类结果集合J={j1,...,ji,...,jn},其中,ji表示优化后的分类结果集合中的第i个优化后的分类结果。
本发明与现有的技术相比具有以下优点:
1、本发明通过随机森林模型对已经检测到的水域进行分类,能在不改变现有水域检测模型的前提下,对水域实现精细的分类。
2、本发明通过图像联通域进行特征提取后分类,能有效的利用水域的全局特征,相较卷积神经网络,本发明鲁棒性强,并且计算代价小,分类速度快。
附图说明
图1是本发明的实现流程示意图;
图2是仿真使用的“高分2号”光学遥感图像拍摄的多光谱图像;
图3是用现有方法对图2进行水域分类的仿真结果图;
图4是用本发明对图2进行水域分类的仿真结果图。
具体实施方式
以下结合附图,对本发明的实施例和效果作进一步说明。
参照图1,本实施例的实现步骤包括:
步骤1,训练用于遥感图像水域检测的卷积神经网络模型m0:
1.1)从公开网站上获取包含水域的光学遥感图像数据集GID,该数据集GID包括训练集Train,随机获取训练集Train中的训练图像X和训练类标二值图Y;
1.2)将训练图像X输入到基于Resnet的Unet卷积神经网络模型m0中,得到一幅与训练图像X大小一致的分类二值图Z;
1.3)计算分类二值图Z与训练类标二值图Y之间的绝对误差,通过反向传播算法利用该绝对误差对卷积神经网络模型m0的参数进行更新,得到参数更新后的卷积神经网络模型m0;
1.4)重复步骤1.2)到步骤1.3)共200000次,得到训练好的卷积神经网络模型m1。
步骤2,使用训练好的模型m1预测待检测图像水域集合。
将待检测光学遥感图像输入至训练好的卷积神经网络模型m1,输出水域二值图A,该二值图包括水域集合W和背景b,其中W={w1,w2,...,wi,...,wn},wi表示二值图A中的第i个水域,i的取值是从1到n,n表示水域个数。
步骤3,提取训练数据集中水域集合。
利用公开网站获取水域分类数据集,通过数据集里人工标注的标签,得到该数据集的水域集合C={c1,...,cj,...,cm},cj表示该数据集中的第j个水域,j的取值范围是从1到m,m表示水域个数。
步骤4,标记测试水域集合W的联通域和训练水域集合C的联通域。
4.1)利用联通域标记算法对测试水域集合W中每一个wi进行标记,得到标记后的测试联通域集合D={d1,...,di,...,dn},其中,di表示测试联通域集合中的第i个联通域;
4.2)利用联通域标记算法对训练水域集合C中每一个cj进行标记,得到标记后的训练联通域集合E={e1,...,ej,...,em},其中,ej表示训练联通域集合中的第j个联通域。
步骤5,获取测试特征集合F和训练特征集合G。
5.1)计算测试联通域集合D中每一个di的直接特征fi 1和间接特征fi 2,将di的直接特征fi 1和间接特征fi 2合并为fi,得到测试特征集合F={f1,...,fi,...,fn},其中,fi表示测试特征集合的第i个特征;
5.1a)设置di的联通域面积特征t1为联通域包含的像素总数;设置di的联通域周长特征t2为联通域边界上的像素数量;
5.1b)生成di的联通域凸包特征t3:对于联通域di所包含的点集P,逐一引用P中的每个点,判定该点是否为凸包***的点,如果该点为凸包***的点,将该点加入至凸包***点集χ,否则,丢弃该点。遍历点集P所有元素后,凸包***点集χ完成更新,将完成更新的凸包***点集χ赋值给di的联通域凸包特征t3;
5.1c)计算与联通域di具有相同标准二阶中心矩的椭圆的长轴长度特征t4:即先计算联通域di转动惯量;再计算转动惯量对应矩阵的特征值令其中max[·]表示取最大值,t4为与联通域di具有相同标准二阶矩的椭圆的长轴长度;
5.1d)计算与联通域di具有相同标准二阶中心矩的椭圆的短轴长度特征t5,即先计算di联通域转动惯量;再计算转动惯量对应矩阵的特征值令其中min[·]表示取最小值,t5为与联通域di具有相同标准二阶矩的椭圆的短轴长度;
5.1e)计算与联通域di具有相同标准二阶中心矩的椭圆的离心率特征其中,l1为步骤5.1c)中计算的与联通域di具有相同标准二阶中心矩的椭圆的长轴长度t4,l2为步骤5.1d)中计算的与联通域di具有相同标准二阶中心矩的椭圆的短轴长度t5;
5.1f)计算di的最小外接矩形,即先对凸包特征t3的任意一条边edge,计算edge方向上候选外接矩形一条边的长度edgerec;再计算凸包点集中其他点在edge的垂直边edgeuin上的投影,得到候选矩形的另外一条边长;然后,计算该候选矩形面积;最后选取所有候选矩形中面积最小的作为该连通域的最小外接矩形;
5.1g)设置di联通域最小外接矩形长t7,宽t8,面积t9分别为步骤5.1f)中求解的最小外接矩形的长,宽,面积;
5.1h)根据di联通域面积t1和di最小外接矩形的面积t9,计算di联通域面积与di最小外接矩形的面积之比t10:t10=t1/t9;
5.1i)根据di联通域凸包特征t3面积和di最小外接矩形面积t9,计算di联通域凸包面积η与di最小外接矩形的面积之比t11:t11=η/t9;
5.1j)根据di联通域最小外接矩形长t7和di联通域最小外接矩形宽t8,计算di联通域最小外接矩形长与宽之比t12:t12=t7/t8;
5.1k)设置图像长度为Ah,Ah为正整数,根据di联通域最小外接矩形长t7和图像长Ah,计算di联通域最小外接矩形长与图像长之比t13:t13=t7/Ah;
5.1l)设置图像宽度为Aw,Aw为正整数,根据di联通域最小外接矩形宽t8和图像宽Aw,计算di联通域最小外接矩形宽与图像宽之比t14:t14=t8/Aw;
5.1m)设置图像面积为AREA=Ah×Aw,根据di最小外接矩形面积t9和图像面积AREA,计算di联通域最小外接矩形面积与图像面积之比t15:t15=t9/AREA;
5.1n)将步骤5.1a)到步骤5.1e)中计算的特征合并,得到di的直接特征fi 1;
5.1o)将步骤5.1f)到步骤5.1m)中计算的特征合并,得到di的间接特征fi 2;
5.1p)将步骤5.1n)中计算得到的直接特征fi 1和步骤5.1o)计算得到的特征间接特征fi 2合并,得到di的特征fi;
5.1q)对D中每一个di,执行步骤5.1a)到步骤5.1p),得到测试特征集合F={f1,...,fi,...,fn};
5.2a)设置ej特征联通域面积s1为联通域包含的像素总数;设置特征ej联通域周长s2为联通域边界上的像素数量;
5.2b)生成特征ej联通域凸包s3:对于联通域ej所包含的点集P1,逐一引用P1中的每个点,判定该点是否为凸包***的点,如果该点为凸包***的点,将该点加入至凸包***点集χ1,否则丢弃该点,遍历点集P1所有元素后,凸包***点集χ1完成更新,将完成更新的凸包***点集χ1赋值给ej联通域凸包;
5.2c)计算与联通域ej具有相同标准二阶矩的椭圆的长轴长度s4:即先计算ej联通域转动惯量;再计算转动惯量对应矩阵的特征值令其中,max[·]表示取最大值,s4为联通域ej具有相同标准二阶矩的椭圆的长轴长度;
5.2d)计算与联通域ej具有相同标准二阶矩的椭圆的短轴长度s5:即先计算ej联通域转动惯量;再计算转动惯量对应矩阵的特征值令其中,min([·])表示取最小值,s5为联通域ej具有相同标准二阶矩的椭圆的短轴长度;
5.2e)计算与联通域ej具有相同标准二阶中心矩的椭圆的离心率特征其中,l1'为步骤5.2c)中计算得到的与联通域ej具有相同标准二阶矩的椭圆的长轴长度s4,l'2为步骤5.2d)中计算得到的与联通域ej具有相同标准二阶矩的椭圆的短轴长度s5;
5.2f)计算ej的最小外接矩形:即先对步骤5.2b)凸包s3的任意一条边edge1,计算edge1方向上候选外接矩形一条边的长度edge1rec;再计算凸包点集中其他点在edge1的垂直边edge1uin上的投影,得到候选矩形的另外一条边长;然后,计算该候选矩形面积;最后选取所有候选矩形中面积最小的作为该连通域的最小外接矩形;
5.2g)设置ej联通域最小外接矩形长s7,宽s8,面积s9分别为步骤5.2f)中求解的最小外接矩形的长,宽,面积;
5.2h)根据ej联通域面积s1和di最小外接矩形的面积s9,计算ej联通域面积s1与ej最小外接矩形的面积s9之比s10:s10=s1/s9;
5.2i)根据ej联通域凸包特征s3面积η1和ej最小外接矩形面积s9,计算ej联通域凸包特征s3面积η1与ej最小外接矩形的面积s9之比s11:s11=η1/s9;
5.2j)根据ej联通域最小外接矩形长s7与ej联通域最小外接矩形宽s8,计算ej联通域最小外接矩形长s7与ej联通域最小外接矩形宽s8之比s12:s12=s7/s8;
5.2k)设置图片长度为Ah1,计算ej联通域最小外接矩形长s7与图片长Ah1之比t13:t13=s7/Ah1,其中,Ah1为正整数;
5.2l)设置图片宽度为Aw1,计算ej联通域最小外接矩形宽与图片宽之比t14:t14=s8/Aw1,其中,Aw1为正整数;
5.2m)设置图片AREA=Ah1×Aw1,根据ej最小外矩形面积s9和图像面积AREA之比s15:s15=s9/AREA;
5.2q)对E中每一个ej,执行步骤5.2a)到步骤5.2p),得到测试特征集合G={g1,...,gj,...,gm}。
步骤6,使用训练特征集合G对现有的随机森林RF进行训练。
6.1)从训练特征集G中有放回地随机抽取多个样本组成特征样本抽样集K={k1,...,kr,...,kt},其中,kr表示特征样本抽样集中的第r个特征样本抽样,r取值是从1到t,t表示特征样本抽样的个数,取值为正整数;
6.2)对特征样本抽样集K中的每一个kr,随机选择q个特征,得到训练抽样集Y={y1,...,yr,...,yt},其中,yr表示训练抽样集Y中的第r个训练抽样,yr={kr1,...,krp,...,krq},krp表示第p个随机选择的kr的特征,p的取值是从1到q,q表示随机选择特征的个数,q取值为正整数;
6.3)令随机森林模型RF为{tree1,...,treeα,...,treeβ},其中,treeα为第α个构成随机森林的基本单元决策树,将决策树treeα初始化为空树,α的取值范围从1到β,β为决策树个数,β为正整数;
6.4)使用训练抽样集合Y对随机森林模型RF中每一个决策树treeα进行***判断:从训练抽样集合Y的第r个训练抽样yr中选取一个特征δ,使用现有的C4.5算法判断该特征δ是否需要***,如果需要***,则将该特征δ作为决策树treeα的一个***节点,否则,无须进行***;
6.5)重复步骤6.4),直到随机森林模型RF中每一个决策树treeα第ε次选取的***特征δε与第ε-1次选取的***特征δε-1相等,得到完成***后的随机森林模型RF0,其中ε为重复次数,取值为正整数;
6.6)重复6.1)到6.5),调整随机森林模型RF0中两个参数特征数q和决策树个数β,共100次,选择具有最低袋外错误率的参数模型,得到训练好的随机森林模型RF1。
步骤7,通过随机森林模型输出测试特征集合F结果。
将测试特征集合F中的每一个测试特征fi输入至训练后的随机森林模型RF1,得到初始分类结果集合H={h1,...,hi,...,hn},其中,hi表示初始分类结果集合中的第i个初始分类结果。
步骤8,使用约束规则优化初始分类结果。
利用测试特征集合F对初始分类结果集合H中的每一个初始分类结果hi进行优化:
8a)设测试特征fi中特征联通域最小外接矩形长与图片长之比为x,判断x的大小,若0<x<0.6,则fi对应的联通域优化后类别ji为河流,否则,优化后类别ji为初始分类结果hi,得到优化后的分类结果集合J={j1,...,ji,...,jn},其中,ji表示优化后的分类结果集合中的第i个优化后的分类结果;
8b)设测试特征fi中特征联通域最小外接矩形宽与图片宽之比为z,判断z的大小,若0<z<0.6,则fi对应的联通域优化后类别ji为河流,否则,优化后类别ji为初始分类结果hi。
本发明的效果可以通过以下仿真实验进一步说明:
1.仿真条件:
仿真实验采用“高分二号”光学遥感卫星拍摄的中国主要城市的多光谱图像,地面分辨率4米。
仿真实验在CPU为Intel(R)Core(TM)i7-8750H、主频2.20GHz,内存为8G的UBUNTU16.04***上使用Python3.6软件进行。
2.仿真内容及分析:
仿真1,用现有的基于分类卷积神经网络的方法对图2进行水域分类,结果如图3所示,其中,白色代表水域,黑色代表背景;
仿真2,用本发明对图2所示进行水域分类,结果如图4,其中,深灰色表示河流,浅灰色表示池塘,白色表示湖泊。由图4可见,水域空间结构差异大,因此通过对整个水域的整体的特征进行描述可以有效的提高水域的分类精度。
对比仿真1与仿真2,现有的方法只能检测水域位置,无法对水域进行分类,本发明实现了对水域的精细分类。
Claims (6)
1.一种基于图像目标特征生成与提取的光学遥感图像水域分类方法,其特征在于,包括如下:
(1)从公开网站获取包含水域的光学遥感图像的训练集Train,并使用该训练集通过反向传播算法对用于遥感图像水域检测的卷积神经网络模型m0进行训练,得到一个训练好的网络模型m1,将待分类遥感图像输入训练好的网络模型m1,输出水域二值图A,该二值图包括测试水域集合W和背景b,其中W={w1,w2,...,wi,...,wn},其中,wi表示二值图A中的第i个水域,i的取值是从1到n,n表示测试水域个数,取值为正整数;
(2)从公开网站获取水域分类数据集,提取该数据集的训练水域集合C={c1,...,cj,...,cm},其中,cj表示该数据集中的第j个水域,j的取值是从1到m,m表示训练水域个数,取值为正整数;
(3)利用联通域标记算法对测试水域集合W中每一个wi进行标记,得到测试联通域集合D={d1,...,di,...,dn},利用联通域标记算法对训练水域集合C中每一个cj进行标记,得到训练联通域集合E={e1,...,ej,...,em},其中,di表示测试联通域集合中的第i个联通域,ej表示训练联通域集合中的第j个联通域;
(4)获取测试特征集合F和训练特征集合G:
(4a)提取测试联通域集合D中每一个di的直接特征fi 1和间接特征fi 2,将di的直接特征fi 1和间接特征fi 2合并为fi,得到测试特征集合F={f1,...,fi,...,fn},其中,fi表示测试特征集合的第i个特征;
(5)使用训练特征集合G对现有的随机森林模型RF进行训练,得到训练后的随机森林模型RF1;
(6)将测试特征集合F中的每一个fi输入至训练后的随机森林模型RF1,得到初始分类结果集合H={h1,...,hi,...,hn},其中,hi表示初始分类结果集合中的第i个初始分类结果;
(7)添加约束规则,利用测试特征集合F对初始分类结果集合H中的每一个hi进行优化,得到优化后的分类结果集合J={j1,...,ji,...,jn},其中,ji表示优化后的分类结果集合中的第i个优化后的分类结果。
2.根据权利要求1所述的方法,其中(1)中利用训练集Train,通过反向传播算法对用于光学遥感图像水域检测的卷积神经网络模型m0进行训练,具体实现如下:
1a)随机获取训练集Train中的训练图像X和训练类标二值图Y;
1b)将训练图像X输入到卷积神经网络模型m0中,得到一幅与训练图像X大小一致的分类二值图Z;
1c)计算分类二值图Z与训练类标二值图Y之间的绝对误差,利用该绝对误差更新卷积神经网络模型m0的参数;
1d)重复1a)到1c)共200000次,得到训练好的卷积神经网络模型m1。
3.根据权利要求1所述的方法,其中(4a)中提取测试联通域集合D中每一个di的直接特征fi 1和间接特征fi 2,具体实现如下:
4a1)分别计算测试联通域集合D中每一个di的联通域面积t1、联通域周长t2、联通域凸包t3、与联通域di具有相同标准二阶中心矩的椭圆长轴长度t4、与该联通域di具有相同标准二阶中心矩的椭圆短轴长度t5、与该联通域di具有相同标准二阶中心矩椭圆的离心率t6,构成测试联通域集合D中每一个di的直接特征fi 1;
4a2)分别计算测试联通域集合D中每一个di的联通域最小外接矩形的长t7、宽t8、面积t9、联通域面积t1与联通域最小外接矩形的面积t9之比t10、联通域凸包t3的面积与最小外接矩形面积t9之比t11、联通域最小外接矩形长t7与宽t8之比t12、联通域最小外接矩形长t7与输入图像长之比t13、联通域最小外接矩形宽t8与输入图像宽之比t14、联通域最小外接矩形面积t9与图像面积之比t15,构成测试联通域集合D中每一个di间接特征fi 2。
4b1)分别计算训练联通域集合E中每一个ej的联通域面积s1、联通域周长s2、联通域凸包s3、与联通域ej具有相同标准二阶中心矩的椭圆长轴长度s4、与该联通域ej具有相同标准二阶中心矩的椭圆短轴长度s5、与该联通域具有相同标准二阶中心矩的椭圆离心率s6,构成训练联通域集合E中每一个ej的直接特征
5.根据权利要求1所述的方法,其中(5)中使用训练特征集合G对现有的随机森林模型RF进行训练,具体实现如下:
5a)从训练特征集G中有放回地随机抽取多个样本组成特征样本抽样集K={k1,...,kr,...,kt},其中,kr表示特征样本抽样集中的第r个特征样本抽样,r取值是从1到t,t表示特征样本抽样的个数,取值为正整数;
5b)对特征样本抽样集K中的每一个kr,随机选择q个特征,得到训练抽样集Y={y1,...,yr,...,yt},其中,yr表示训练抽样集Y中的第r个训练抽样,yr={kr1,...,krp,...,krq},krp表示第p个随机选择的kr的特征,p的取值是从1到q,q表示随机选择特征的个数,q取值为正整数;
5c)令随机森林模型RF为{tree1,...,treeα,...,treeβ},其中,treeα为第α个构成随机森林的基本单元决策树,将决策树treeα初始化为空树,α的取值范围从1到β,β为决策树个数,β为正整数;
5d)使用训练抽样集合Y对随机森林模型RF中每一个决策树treeα进行***判断:从训练抽样集合Y的第r个训练抽样yr中选取一个特征δ,使用现有的C4.5算法判断该特征δ是否需要***,如果需要***,则将该特征δ作为决策树treeα的一个***节点,否则,无须进行***;
5e)重复步骤5d),直到随机森林模型RF中每一个决策树treeα第ε次选取的***特征δε与第ε-1次选取的***特征δε-1相等,得到完成***后的随机森林模型RF0,其中ε为重复次数,取值为正整数;
5f)重复5a)到5e),调整随机森林模型RF0中两个参数特征数q和决策树个数β,共100次,选择具有最低袋外错误率的参数模型,得到训练好的随机森林模型RF1。
6.根据权利要求1所述的方法,其中(7)中添加约束规则,利用测试特征集合F对初始分类结果集合H中的每一个hi进行优化,具体实现如下:
7a)设fi中特征联通域最小外接矩形长与图片长之比为x,判断x的大小,若0<x<0.6则fi对应的联通域优化后类别ji为河流,否则,优化后类别ji等于hi;
7b)设fi中特征联通域最小外接矩形宽与图片宽之比为z,判断z的大小,若0<z<0.6则fi对应的联通域优化后类别ji为河流,否则,优化后类别ji等于hi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979348.2A CN110738257B (zh) | 2019-10-15 | 2019-10-15 | 基于特征提取的光学遥感图像水域分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910979348.2A CN110738257B (zh) | 2019-10-15 | 2019-10-15 | 基于特征提取的光学遥感图像水域分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738257A CN110738257A (zh) | 2020-01-31 |
CN110738257B true CN110738257B (zh) | 2023-03-10 |
Family
ID=69268897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910979348.2A Active CN110738257B (zh) | 2019-10-15 | 2019-10-15 | 基于特征提取的光学遥感图像水域分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738257B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287894A (zh) * | 2020-11-25 | 2021-01-29 | 深圳力维智联技术有限公司 | 基于深度学习的水域特征提取方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228124B (zh) * | 2016-07-17 | 2019-03-08 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
CN107358142B (zh) * | 2017-05-15 | 2020-12-08 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
CN109493347B (zh) * | 2017-09-12 | 2021-03-23 | 深圳科亚医疗科技有限公司 | 在图像中对稀疏分布的对象进行分割的方法和*** |
-
2019
- 2019-10-15 CN CN201910979348.2A patent/CN110738257B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110738257A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN109285139A (zh) | 一种基于深度学习的x射线成像焊缝检测方法 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN111310756B (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN109543585A (zh) | 基于卷积神经网络的水下光学目标检测与识别方法 | |
CN112784757B (zh) | 海上sar舰船目标显著性检测与识别方法 | |
CN112699717A (zh) | 基于gan网络的sar图像生成方法及生成装置 | |
CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN112906689B (zh) | 一种基于缺陷检测与分割深度卷积神经网络的图像检测方法 | |
CN114037891A (zh) | 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN110738257B (zh) | 基于特征提取的光学遥感图像水域分类方法 | |
CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
CN110084804A (zh) | 一种基于弱监督深度学习的水下构筑物缺陷检测方法 | |
CN113469097A (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
Wei et al. | Texture feature analysis in oil spill monitoring by SAR image | |
CN112365508A (zh) | 基于视觉注意与残差网络的sar遥感图像水域分割方法 | |
Hu et al. | Retrieval of suspended sediment concentrations using remote sensing and machine learning methods: A case study of the lower Yellow River | |
CN112785548A (zh) | 一种基于车载激光点云的路面裂缝检测方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN107256399A (zh) | 一种基于Gamma分布超像素算法和基于超像素TMF 的SAR 图像海岸线检测算法 | |
Zhou et al. | Complex background SAR target recognition based on convolution neural network |
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 |