CN113223042A - 一种遥感影像深度学习样本智能采集方法及设备 - Google Patents

Abstract

本发明涉及遥感影像采集领域，公开了一种遥感影像深度学习样本智能采集方法及设备，包括获取遥感影像数据，判断遥感影像数据是否有对应时相的遥感影像目标标注数据；利用图像分割能量模型生成遥感影像目标标注数据；判断遥感影像数据和遥感影像目标标注数据的空间坐标系是否一致；裁剪遥感影像数据和遥感影像目标标注数据，遥感影像目标标注数据的像素值按照分类体系规则化、并标注类别编码；对遥感影像初始样本数据集进行筛选、并进行规则化命名；根据样本存储结构将规范样本集存入样本数据库中。本发明针对各种类型的遥感影像数据和标注数据，能够进行规范处理，并且生成规则分类的、易统一管理的遥感影像深度学习样本集。

Description

一种遥感影像深度学习样本智能采集方法及设备

技术领域

本发明涉及遥感影像采集处理技术领域，具体地涉及一种遥感影像深度学习样本智能采集方法及设备。

背景技术

近年来，随着全国卫星数量不断增多，遥感技术得到了快速发展，遥感影像种类日益丰富，更新速度加快，影像数据量也呈爆发式增长，遥感技术进入了大数据时代。然而传统的遥感解译、信息提取通常效率较低，无法满足大数据应用，因此，如何在遥感大数据中快速智能的进行信息的识别和提取也成为了遥感技术领域的新发展方向。

与此同时，以深度学习为核心的人工智能研究迅猛发展，计算机视觉领域也出现了各种图像处理深度学习算法，各种图像识别、信息提取的算法也越来越多地被应用到遥感影像的处理提取中，在遥感影像大数据的影像分类、目标识别、变化发现等方面取得了很大的进步，推动了遥感影像智能信息提取的发展。

在深度学习中，需要大量的训练样本来学习数据特征，获取最优的模型参数，以保证结果模型的精度。然而当前遥感数据尺度多样，种类繁多，遥感数据的解译标注信息也多种多样，样本的要求也随模型、提取类别的要求不尽相同，样本的制作过程中需要对数据进行各种规范处理，样本采集制作过程繁杂。

发明内容

本发明提供一种遥感影像深度学习样本智能采集方法及设备，从而解决现有技术的上述问题。

第一方面，本发明提供了一种遥感影像深度学习样本智能采集方法，包括以下步骤：

S1)获取遥感影像数据，判断遥感影像数据是否有对应时相的遥感影像目标标注数据，如果没有对应时相的遥感影像目标标注数据，则转入步骤S2)；如果有对应时相的遥感影像目标标注数据，则转入步骤S3)；

S2)进行半自动交互标注采集，在作业视窗内通过人工交互对遥感影像数据选取部分目标区域绘制前景种子线，将前景种线作为前景示例；建立图像分割能量模型，利用前景示例对图像分割能量模型进行参数估计；利用图像分割能量模型对遥感影像数据进行推断，生成遥感影像目标标注数据；

S3)判断遥感影像数据的空间坐标系和遥感影像目标标注数据的空间坐标系是否一致，若是，则转入步骤S4)；若否，则根据遥感影像数据的空间坐标系对遥感影像目标标注数据进行地理参考修改或空间投影修改，保证样本数据空间一致，转入步骤S4)；

S4)设置样本尺寸和样本数据格式，计算样本采集步长，根据样本尺寸和样本采集步长分别对遥感影像数据和遥感影像目标标注数据进行裁剪、并判断遥感影像目标标注数据是否为矢量形式，若是，则对遥感影像目标标注数据进行栅格化，栅格化后的遥感影像目标标注数据的像素值按照分类体系规则化、并标注类别编码；若否，直接对遥感影像目标标注数据的像素值按照分类体系规则化、并标注类别编码；得到一组遥感影像样本对数据，重复本步骤直到遥感影像数据和遥感影像目标标注数据均裁剪完成，获得遥感影像初始样本数据集；进入步骤S5)；

S5)对遥感影像初始样本数据集进行筛选，去除遥感影像初始样本数据集中样本像素占比低的样本数据，获得筛选后的样本数据集；

S6)对筛选后的样本数据集进行规则化命名，得到规范样本集；

S7)根据样本存储结构将规范样本集存入样本数据库中。

进一步的，在步骤S2)中，建立图像分割能量模型，利用前景示例对图像分割能量模型进行参数估计；利用图像分割能量模型对遥感影像数据进行推断，生成遥感影像目标标注数据，包括以下步骤：

S21)假设遥感影像数据的整幅图像的像素的分类标签为 L＝{l₁，l₂，...，l_j，...，l_p}，p表示像素点总个数，l_j表示第i个像素点的标签，l_j＝0 表示背景，l_j＝1表示目标；假设遥感影像数据的整幅图像分割为L，根据遥感影像数据的整幅图像分割建立图像分割能量模型E(L)＝aR(L)+B(L)，R(L)为区域项，B(L)为边界项，E(L)表示图像分割能量，a表示区域项和边界项之间的重要因子；

S22)针对区域项建立高斯混合模型，高斯混合模型包括k个高斯模型，获取遥感影像数据的每个像素的RGB三通道向量，通过RGB三通道向量并利用k 个高斯模型分别计算遥感影像数据中每个像素点归类于目标的概率，取k个高斯模型中计算得到的概率最大值，将概率最大值作为像素点的归类结果，根据每个像素点的归类结果获得区域项；

S23)针对边界项建立像素差异模型，像素差异模型以BGR三通道向量衡量两像素的相似性，采用欧式距离计算两个像素点之间的像素差异值，若某个像素点与相邻像素点之间的像素差异值越大，则将某个像素点与相邻像素点之间的边作为割边，根据割边获得边界项；

S24)根据步骤S23)中得到的区域项以及步骤S24)中得到的边界项计算图像分割能量函数，重复步骤S23)至S24)直到图像分割能量函数收敛到最小值，获得最优的图像分割能量模型；

S25)利用最优的图像分割能量模型对遥感影像进行分割，获得遥感影像目标标注数据。

进一步的，在步骤S22)中，通过RGB三通道向量并利用k个高斯模型分别计算遥感影像数据中每个像素点归类于目标的概率，取k个高斯模型中计算得到的概率最大值，将概率最大值作为像素点的归类结果，根据每个像素点的归类结果获得区域项，还包括第i个像素点归类于目标的概率

其中x表示第i个像素点的BGR三通道向量，π_i表示输入至第j个高斯模型的像素点样本数量Ni占总像素点样本数量N的比值，

表示第j个高斯模型的概率模型，

μ_j、∑_j分别表示根据输入至第 j个高斯模型的所有像素点样本的BGR三通道向量计算获得的均值以及协方差矩阵，均值μ_j＝(μ_B，μ_G，μ_R)。

进一步的，在步骤S4)中，根据样本尺寸和所述样本采集步长分别对遥感影像数据和遥感影像目标标注数据进行裁剪，包括对于遥感影像数据和所述遥感影像目标标注数据，利用样本尺寸和样本采集步长，计算出单张样本四个定点在整张遥感影像上对应的行列号，并根据对应的行列号计算对应的空间坐标，空间坐标包括x方向地理空间坐标Xgeo和y方向地理空间坐标Ygeo，x方向地理空间坐标Xgeo＝Geo[0]+Xpixel*Geo[1]+Ypixe1*Geo[2]，y方向地理空间坐标Ygeo＝Geo[3]+Xpixe1*Geo[4]+Ypixe1*Geo[5]，其中，Geo[0] 和Geo[3]分别为图像左上角X地理坐标和Y地理坐标，Geo[1]和Geo[5]分别为与x方向地理空间坐标相关的东西方向影像分辨率和南北方向影像分辨率，Geo[2]和Geo[4]分别为与y方向地理空间坐标相关的南北方向影像分辨率和东西方向影像分辨率，Xpixel和Ypixel分别表示影像的行号和列号；根据空间坐标获取样本空间范围；根据样本空间范围对所述遥感影像数据和所述遥感影像目标标注数据进行裁剪。

进一步的，在步骤S4)中，按照分类体系规则化，分类体系包括2个不同级的地类，2个不同级的地类包括一级地类和二级地类，所述一级地类包括水体、植被、道路、建筑区、裸地以及冰川与常年积雪；与水体相对应的二级地类包括海洋、河流、湖泊库塘和水田；与植被相对应的二级地类包括旱地、园林地和草地；与道路相对应的二级地类包括沥青路、水泥路、土石路和铁路；与建筑区相对应的二级地类包括独立房屋、农村居民点、城镇建筑群和其他结构筑物；与裸地相对应的二级地类包括休耕地、沙地、矿工裸地和混合裸地；与冰川与常年积雪相对应的二级地类包括冰川和常年积雪。

进一步的，在步骤S6)中，对筛选后的样本数据集进行规则化命名，规则化命名包括遥感影像名称、样本目标类型和样本序号。

进一步的，在步骤S7)中，样本存储结构包括样本数据信息和样本元数据信息，样本数据信息包括样本数据类型、样本数据描述和样本数据约束方式；样本元数据信息包括样本元数据类型、样本元数据描述和样本元数据约束方式。

另一方面，本发明提供了一种遥感影像深度学习样本智能采集设备，遥感影像深度学习样本智能采集设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的遥感影像深度学习样本智能采集程序，遥感影像深度学习样本智能采集程序被处理器执行时实现遥感影像深度学习样本智能采集方法的步骤。

本发明的有益效果是：本发明能够利用图像分割能量模型对遥感影像数据进行推断，生成遥感影像目标标注数据，另外，本发明根据遥感影像数据的空间坐标系对遥感影像目标标注数据进行地理参考修改或空间投影修改，保证了样本数据空间一致，本发明针对各种类型的遥感影像数据和标注数据，能够进行规范处理，并且生成规则分类的、易统一管理的遥感影像深度学习样本集。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本实施例一提供的遥感影像深度学习样本智能采集方法流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便一系列单元的过程、方法、***、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。

实施例一，第一方面，本发明提供了一种遥感影像深度学习样本智能采集方法，包括以下步骤：

S1)获取遥感影像数据，判断遥感影像数据是否有对应时相的遥感影像目标标注数据，如果没有对应时相的遥感影像目标标注数据，则转入步骤S2)；如果有对应时相的遥感影像目标标注数据，则转入步骤S3)；

S2)进行半自动交互标注采集，在作业视窗内通过人工交互对遥感影像数据选取部分目标区域绘制前景种子线，将前景种线作为前景示例；建立图像分割能量模型，利用前景示例对图像分割能量模型进行参数估计；利用图像分割能量模型对遥感影像数据进行推断，生成遥感影像目标标注数据；

在步骤S2)中，建立图像分割能量模型，利用前景示例对图像分割能量模型进行参数估计；利用图像分割能量模型对遥感影像数据进行推断，生成遥感影像目标标注数据，包括以下步骤：

S21)假设遥感影像数据的整幅图像的像素的分类标签为 L＝{l₁，l₂，...，l_j，...，l_p}，p表示像素点总个数，l_j表示第i个像素点的标签，l_j＝0 表示背景，l_j＝1表示目标；假设遥感影像数据的整幅图像分割为L，根据遥感影像数据的整幅图像分割建立图像分割能量模型E(L)＝aR(L)+B(L)，R(L)为区域项，B(L)为边界项，E(L)表示图像分割能量，a表示区域项和边界项之间的重要因子；

S22)针对区域项建立高斯混合模型，高斯混合模型包括k个高斯模型，获取遥感影像数据的每个像素的RGB三通道向量，通过RGB三通道向量并利用k 个高斯模型分别计算遥感影像数据中每个像素点归类于目标的概率，取k个高斯模型中计算得到的概率最大值，将概率最大值作为像素点的归类结果，根据每个像素点的归类结果获得区域项；

在步骤S22)中，通过RGB三通道向量并利用k个高斯模型分别计算遥感影像数据中每个像素点归类于目标的概率，取k个高斯模型中计算得到的概率最大值，将概率最大值作为像素点的归类结果，根据每个像素点的归类结果获得区域项，还包括第i个像素点归类于目标的概率

其中x表示第i个像素点的BGR三通道向量，π_j表示输入至第j个高斯模型的像素点样本数量Ni占总像素点样本数量N的比值，

表示第j个高斯模型的概率模型，

μ_j、∑_j分别表示根据输入至第 j个高斯模型的所有像素点样本的BGR三通道向量计算获得的均值以及协方差矩阵，均值μ_j＝(μ_B，μ_G，μ_R)。

在图像分割能量模型中，区域项的计算采用了高斯混合模型，本实施例中，对应于目标和背景分别有5个高斯模型，在计算某个像素点归属于前景的概率时，采用多个高斯模型计算，选取概率最大的一个作为最终的归属结果。

S23)针对边界项建立像素差异模型，像素差异模型以BGR三通道向量衡量两像素的相似性，采用欧式距离计算两个像素点之间的像素差异值，若某个像素点与相邻像素点之间的像素差异值越大，则将某个像素点与相邻像素点之间的边作为割边，根据割边获得边界项。

S24)根据步骤S23)中得到的区域项以及步骤S24)中得到的边界项计算图像分割能量函数，重复步骤S23)至S24)直到图像分割能量函数收敛到最小值，获得最优的图像分割能量模型；

边界项的计算以BGR三通道衡量两像素的相似性，采用欧式距离计算两个像素之间的差异。某个像素点与相邻像素点之间的像素差异越大，两个像素之间的边为割边时，整体能量越小。同时，通过迭代最小化，每次迭代过程都对目标和背景建模的高斯混合模型的参数优化，提升图像分割效果。

本实施例中建立了图像分割能量模型，利用目标区域示例(即前景示例) 对图像分割能量模型进行参数估计；利用建立的图像分割能量模型对遥感影像数据进行分割。图像分割能量模型利用了图像中的纹理(颜色)信息和边界(反差)信息，通过少量的用户交互操作，选取一些目标区域和背景区域，对影像进行分割提取。图像分割能量模型区分目标和背景的过程可以通过最小化图割来最小化能量函数得到。发生在目标和背景的边界处的割边的能量最小。区域项反映了像素样本集合的整体特性，边界项反映了两个像素点之间的差异。

S25)利用最优的图像分割能量模型对遥感影像进行分割，获得遥感影像目标标注数据。

S3)判断遥感影像数据的空间坐标系和遥感影像目标标注数据的空间坐标系是否一致，若是，则转入步骤S4)；若否，则根据遥感影像数据的空间坐标系对遥感影像目标标注数据进行地理参考修改或空间投影修改，保证样本数据空间一致，转入步骤S4)；

S4)设置样本尺寸和样本数据格式，计算样本采集步长，根据样本尺寸和样本采集步长分别对遥感影像数据和遥感影像目标标注数据进行裁剪、并判断遥感影像目标标注数据是否为矢量形式，若是，则对遥感影像目标标注数据进行栅格化，栅格化后的遥感影像目标标注数据的像素值按照分类体系规则化、并标注类别编码；若否，直接对遥感影像目标标注数据的像素值按照分类体系规则化、并标注类别编码；得到一组遥感影像样本对数据，重复本步骤直到遥感影像数据和遥感影像目标标注数据均裁剪完成，获得遥感影像初始样本数据集；进入步骤S5)；

在步骤S4)中，根据样本尺寸和所述样本采集步长分别对遥感影像数据和遥感影像目标标注数据进行裁剪，包括对于遥感影像数据和所述遥感影像目标标注数据，利用样本尺寸和样本采集步长，计算出单张样本四个定点在整张遥感影像上对应的行列号，并根据对应的行列号计算对应的空间坐标，空间坐标包括x方向地理空间坐标Xgeo和y方向地理空间坐标Ygeo，x方向地理空间坐标Xgeo＝Geo[0]+Xpixel*Geo[1]+Ypixel*Geo[2]，y方向地理空间坐标Ygeo＝Geo[3]+Xpixel*Geo[4]+Ypixel*Geo[5]，其中，Geo[0]和Geo[3] 分别为图像左上角X地理坐标和Y地理坐标，Geo[1]和Geo[5]分别为与x方向地理空间坐标相关的东西方向影像分辨率和南北方向影像分辨率，Geo[2]和 Geo[4]分别为与y方向地理空间坐标相关的南北方向影像分辨率和东西方向影像分辨率，Xpixel和Ypixel分别表示影像的行号和列号；根据空间坐标获取样本空间范围；根据样本空间范围对所述遥感影像数据和所述遥感影像目标标注数据进行裁剪。

对遥感影像数据和遥感影像目标标注数据进行裁剪时，需按照样本大小和样本步长进行标准裁剪，样本步长为样本块大小和样本块之间重叠距离的差值，样本块重叠能够增加遥感影像深度学习样本的数量，提高样本的丰富程度，保证模型训练的精度。

在步骤S4)中，按照分类体系规则化，分类体系包括2个不同级的地类，2 个不同级的地类包括一级地类和二级地类，所述一级地类包括水体、植被、道路、建筑区、裸地以及冰川与常年积雪；与水体相对应的二级地类包括海洋、河流、湖泊库塘和水田；与植被相对应的二级地类包括旱地、园林地和草地；与道路相对应的二级地类包括沥青路、水泥路、土石路和铁路；与建筑区相对应的二级地类包括独立房屋、农村居民点、城镇建筑群和其他结构筑物；与裸地相对应的二级地类包括休耕地、沙地、矿工裸地和混合裸地；与冰川与常年积雪相对应的二级地类包括冰川和常年积雪。

S5)对遥感影像初始样本数据集进行筛选，去除遥感影像初始样本数据集中样本像素占比低的样本数据，获得筛选后的样本数据集；

S6)对筛选后的样本数据集进行规则化命名，得到规范样本集；规则化命名包括遥感影像名称、样本目标类型和样本序号。

S7)根据样本存储结构将规范样本集存入样本数据库中。样本存储结构包括样本数据信息和样本元数据信息，样本数据信息包括样本数据类型、样本数据描述和样本数据约束方式；样本元数据信息包括样本元数据类型、样本元数据描述和样本元数据约束方式。本实施例中，可以直接保存样本图片，如果需要将规范样本集存入样本数据库，则按照样本库样本存储规则，添加样本集属性信息，存入样本数据库。

本实施例中，生成的样本数据集可以直接存储图片文件保存样本数据对；如果需要将样本集存入样本数据库，按照样本库样本存储规则，添加样本集属性信息，存入样本数据库。样本数据库对遥感影像深度学习样本的影像时相、影像分辨率、样本类型等属性信息一同存储，方便对多种类型的大量深度学习样本进行检查、检索、更新等操作，更好地管理遥感影像深度学习样本。

另一方面，本发明提供了一种遥感影像深度学习样本智能采集设备，遥感影像深度学习样本智能采集设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的遥感影像深度学习样本智能采集程序，遥感影像深度学习样本智能采集程序被处理器执行时实现遥感影像深度学习样本智能采集方法的步骤。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明能够利用图像分割能量模型对遥感影像数据进行推断，生成遥感影像目标标注数据，另外，本发明根据遥感影像数据的空间坐标系对遥感影像目标标注数据进行地理参考修改或空间投影修改，保证了样本数据空间一致，本发明针对各种类型的遥感影像数据和标注数据，能够进行规范处理，并且生成规则分类的、易统一管理的遥感影像深度学习样本集。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (8)

1.一种遥感影像深度学习样本智能采集方法，其特征在于，包括以下步骤：

S1)获取遥感影像数据，判断所述遥感影像数据是否有对应时相的遥感影像目标标注数据，如果没有对应时相的遥感影像目标标注数据，则转入步骤S2)；如果有对应时相的遥感影像目标标注数据，则转入步骤S3)；

S2)进行半自动交互标注采集，在作业视窗内通过人工交互对所述遥感影像数据选取部分目标区域绘制前景种子线，将所述前景种线作为前景示例；建立图像分割能量模型，利用所述前景示例对所述图像分割能量模型进行参数估计；利用所述图像分割能量模型对所述遥感影像数据进行推断，生成遥感影像目标标注数据；

S3)判断所述遥感影像数据的空间坐标系和遥感影像目标标注数据的空间坐标系是否一致，若是，则转入步骤S4)；若否，则根据所述遥感影像数据的空间坐标系对遥感影像目标标注数据进行地理参考修改或空间投影修改，保证样本数据空间一致，转入步骤S4)；

S4)设置样本尺寸和样本数据格式，计算样本采集步长，根据所述样本尺寸和所述样本采集步长分别对所述遥感影像数据和所述遥感影像目标标注数据进行裁剪、并判断所述遥感影像目标标注数据是否为矢量形式，若是，则对所述遥感影像目标标注数据进行栅格化，栅格化后的遥感影像目标标注数据的像素值按照分类体系规则化、并标注类别编码；若否，直接对所述遥感影像目标标注数据的像素值按照分类体系规则化、并标注类别编码；得到一组遥感影像样本对数据，重复本步骤直到所述遥感影像数据和所述遥感影像目标标注数据均裁剪完成，获得遥感影像初始样本数据集；进入步骤S5)；

S5)对所述遥感影像初始样本数据集进行筛选，去除所述遥感影像初始样本数据集中样本像素占比低的样本数据，获得筛选后的样本数据集；

S6)对筛选后的样本数据集进行规则化命名，得到规范样本集；

S7)根据样本存储结构将所述规范样本集存入样本数据库中。

2.根据权利要求1所述的遥感影像深度学习样本智能采集方法，其特征在于，在步骤S2)中，建立图像分割能量模型，利用所述前景示例对所述图像分割能量模型进行参数估计；利用所述图像分割能量模型对所述遥感影像数据进行推断，生成遥感影像目标标注数据，包括以下步骤：

S21)假设遥感影像数据的整幅图像的像素的分类标签为L＝{l₁，l₂，...，l_i，...，l_p},p表示像素点总个数，l_i表示第i个像素点的标签，l_i＝0表示背景，l_i＝1表示目标；假设遥感影像数据的整幅图像分割为L，根据遥感影像数据的整幅图像分割建立图像分割能量模型E(L)＝aR(L)+B(L)，R(L)为区域项，B(L)为边界项，E(L)表示图像分割能量，a表示区域项和边界项之间的重要因子；

S22)针对所述区域项建立高斯混合模型，所述高斯混合模型包括k个高斯模型，获取遥感影像数据的每个像素的RGB三通道向量，通过所述RGB三通道向量并利用所述k个高斯模型分别计算遥感影像数据中每个像素点归类于目标的概率，取k个高斯模型中计算得到的概率最大值，将概率最大值作为像素点的归类结果，根据每个像素点的归类结果获得区域项；

S23)针对所述边界项建立像素差异模型，所述像素差异模型以BGR三通道向量衡量两像素的相似性，采用欧式距离计算两个像素点之间的像素差异值，若某个像素点与相邻像素点之间的像素差异值越大，则将某个像素点与相邻像素点之间的边作为割边，根据割边获得边界项；

S24)根据步骤S23)中得到的区域项以及步骤S24)中得到的边界项计算图像分割能量函数，重复步骤S23)至S24)直到图像分割能量函数收敛到最小值，获得最优的图像分割能量模型；

S25)利用所述最优的图像分割能量模型对遥感影像进行分割，获得遥感影像目标标注数据。

3.根据权利要求2所述的遥感影像深度学习样本智能采集方法，其特征在于，在步骤S22)中，通过所述RGB三通道向量并利用所述k个高斯模型分别计算遥感影像数据中每个像素点归类于目标的概率，取k个高斯模型中计算得到的概率最大值，将概率最大值作为像素点的归类结果，根据每个像素点的归类结果获得区域项,还包括第i个像素点归类于目标的概率

其中x表示第i个像素点的BGR三通道向量，π_j表示输入至第j个高斯模型的像素点样本数量Ni占总像素点样本数量N的比值，

且0≤π_j≤1；g_j(x；μ_j，∑_j)表示第j个高斯模型的概率模型，

μ_j、∑_j分别表示根据输入至第j个高斯模型的所有像素点样本的BGR三通道向量计算获得的均值以及协方差矩阵。

4.根据权利要求1或3所述的遥感影像深度学习样本智能采集方法，其特征在于，在步骤S4)中，根据所述样本尺寸和所述样本采集步长分别对所述遥感影像数据和所述遥感影像目标标注数据进行裁剪，包括对于所述遥感影像数据和所述遥感影像目标标注数据，利用样本尺寸和样本采集步长，计算出单张样本四个定点在整张遥感影像上对应的行列号，并根据对应的行列号计算对应的空间坐标，所述空间坐标包括x方向地理空间坐标Xgeo和y方向地理空间坐标Ygeo，所述x方向地理空间坐标Xgeo＝Geo[0]+Xpixel*Geo[1]+Ypixel*Geo[2]，所述y方向地理空间坐标Ygeo＝Geo[3]+Xpixel*Geo[4]+Ypixel*Geo[5]，其中，Geo[0]和Geo[3]分别为图像左上角X地理坐标和Y地理坐标，Geo[1]和Geo[5]分别为与x方向地理空间坐标相关的东西方向影像分辨率和南北方向影像分辨率，Geo[2]和Geo[4]分别为与y方向地理空间坐标相关的南北方向影像分辨率和东西方向影像分辨率，Xpixel和Ypixel分别表示影像的行号和列号；根据所述空间坐标获取样本空间范围；根据所述样本空间范围对所述遥感影像数据和所述遥感影像目标标注数据进行裁剪。

5.根据权利要求4所述的遥感影像深度学习样本智能采集方法，其特征在于，在步骤S4)中，按照分类体系规则化，所述分类体系包括2个不同级的地类，2个不同级的地类包括一级地类和二级地类，所述一级地类包括水体、植被、道路、建筑区、裸地以及冰川与常年积雪；与水体相对应的二级地类包括海洋、河流、湖泊库塘和水田；与植被相对应的二级地类包括旱地、园林地和草地；与道路相对应的二级地类包括沥青路、水泥路、土石路和铁路；与所述建筑区相对应的二级地类包括独立房屋、农村居民点、城镇建筑群和其他结构筑物；与所述裸地相对应的二级地类包括休耕地、沙地、矿工裸地和混合裸地；与所述冰川与常年积雪相对应的二级地类包括冰川和常年积雪。

6.根据权利要求1所述的遥感影像深度学习样本智能采集方法，其特征在于，在步骤S6)中，对筛选后的样本数据集进行规则化命名，所述规则化命名包括遥感影像名称、样本目标类型和样本序号。

7.根据权利要求1所述的遥感影像深度学习样本智能采集方法，其特征在于，在步骤S7)中，样本存储结构包括样本数据信息和样本元数据信息，所述样本数据信息包括样本数据类型、样本数据描述和样本数据约束方式；所述样本元数据信息包括样本元数据类型、样本元数据描述和样本元数据约束方式。

8.一种遥感影像深度学习样本智能采集设备，适用于如权利要求1至7任一项所述的遥感影像深度学习样本智能采集方法，其特征在于，所述遥感影像深度学习样本智能采集设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的遥感影像深度学习样本智能采集程序，所述遥感影像深度学习样本智能采集程序被所述处理器执行时实现如权利要求1至7任一项所述的遥感影像深度学习样本智能采集方法的步骤。

Images