CN102855490A - 高分辨率遥感影像面向对象神经网络分类方法 - Google Patents
高分辨率遥感影像面向对象神经网络分类方法 Download PDFInfo
- Publication number
- CN102855490A CN102855490A CN201210255439XA CN201210255439A CN102855490A CN 102855490 A CN102855490 A CN 102855490A CN 201210255439X A CN201210255439X A CN 201210255439XA CN 201210255439 A CN201210255439 A CN 201210255439A CN 102855490 A CN102855490 A CN 102855490A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- training
- function
- resolution
- 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.)
- Pending
Links
Images
Abstract
高分辨率遥感影像面向对象神经网络分类方法,涉及高分辨率遥感影像面向对象神经网络分类方法。它为了解决传统的遥感影像分类方法分类精度低以及不能有效地利用遥感传感器所有波段信息问题。本方法步骤为:步骤一、高空间分辨率传感器拍摄地面的影像,并将该影像发送至计算机;步骤二、计算机采用区域增长算法对输入影像进行像元级初步分割;步骤三、将初步分割后影像根据连续的设定的异质度阈值、图像的光谱特征和形状特征进行多尺度分割,形成不同尺度的分割影像;步骤四、获得的不同尺度的分割影像建立BP神经网络、设置训练参数、建立训练样本对多尺度分割的影像进行分类,获得高分辨率影像。本发明适用于高空间分辨率的影像获取领域。
Description
技术领域
本发明涉神经网络分类方法,具体涉及高分辨率遥感影像面向对象神经网络分类方法。
背景技术
在遥感影像的自动识别分类中,传统的分类方法对于高空间分辨率的影像并不适用,因为在分类的过程中,会产生一种“椒盐现象”,使分类的精度降低。对于高空间分辨率的遥感影像自动识别分类,国内外大多采用一种面向对象的分类方法,该方法先对影像进行多尺度分割,在多尺度分割的基础上进行模糊分类或监督分类,这种面向对象的自动识别分类,对地物与影像上的灰度值呈现线性关系时,精度较高,但是当待分类的地物与影像上的灰度成非线性关系的时候,该方法的精度较低;另外随着传感器的光谱分辨率的提高,波段增加,该方法并不能有效地利用遥感传感器所有波段的信息。
发明内容
本发明为了解决传统的遥感影像分类方法分类精度低,以及不能有效地利用遥感传感器所有波段的信息的问题,从而提出了高分辨率遥感影像面向对象神经网络分类方法。
高分辨率遥感影像面向对象神经网络分类方法,它包括下述步骤:
步骤一、高空间分辨率传感器拍摄地面的影像,并将该影像发送至计算机;
步骤二、计算机采用区域增长算法对输入影像进行像元级的初步分割;
步骤三、将步骤二初步分割后的影像根据连续的设定的异质度阈值、图像的光谱特征和形状特征进行多尺度分割,形成不同尺度的分割影像;
步骤四、根据步骤三获得的不同尺度的分割影像建立BP神经网络、设置训练参数、建立训练样本对多尺度分割的影像进行分类,获得高分辨率影像,
步骤四一、建立BP神经网络模型:
建立BP神经网络模型,训练样本总数为W个,隐层的节点数公式为:
其中:W为正整数,n为隐含层节点数;ni为输入节点数;n0为输出节点数;a为常数,
步骤四二、准备及预处理:
在多尺度分割的影像上,自动读取样本信息表数据,根据样本信息表和影像坐标的对应关系,将训练样本信息读入计算机,并采用格拉布斯检验方法进行检验,剔除样本中的异常值,
步骤四三、BP神经网络传输函数的选择:
输入层和隐层为非线性传递函数,输出层为线性函数;在神经网络模型中,输入层采用Log-sigmoid函数,隐层采用Tan-sigmoid函数,输出层采用线性函数,
步骤四四、BP神经网络训练函数的选择:
BP神经网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss和trainlm,分别通过上述的11个函数分别计算当其它网络参数相同、最大训练次数都为1000次、且隐含层节点数不同时训练样本误差均方根RRMSE,选取获得的最小误差均方根RRMSE所对应的BP神经网络的训练函数,
均方根误差RRMSE公式为:
其中:N为正整数,Rmeas为检验样本的实测值;Rmod为模型的预测值,
采用选择的BP神经网络的训练函数构建神经网络模型,根据训练样本对BP神经网络模型训练,采用训练后的BP神经网络模型对多尺度分割的影像进行分类获得高分辨率影像。
本发明通过将多尺度分割与BP神经网络相结合提高了高空间分辨率遥感影像的分类精度,有效地解决分线性的分类问题,解决分类过程中的椒盐现象。
附图说明
图1为本发明的方法流程图;
图2为输入影像图;
图3为多尺度分割后的影像图;
图4为神经网络分类后的影像图。
具体实施方式
具体实施方式一、结合和图1具体说明本实施方式,本实施方式所述的高分辨率遥感影像面向对象神经网络分类方法,它包括下述步骤:
步骤一、高空间分辨率传感器拍摄地面的影像,并将该影像发送至计算机;
步骤二、计算机采用区域增长算法对输入影像进行像元级的初步分割;
步骤三、将步骤二初步分割后的影像根据连续的设定的异质度阈值、图像的光谱特征和形状特征进行多尺度分割,形成不同尺度的分割影像;
步骤四、根据步骤三获得的不同尺度的分割影像建立BP神经网络、设置训练参数、建立训练样本对多尺度分割的影像进行分类,获得高分辨率影像,
步骤四一、建立BP神经网络模型:
建立BP神经网络模型,训练样本总数为W个,隐层的节点数公式为:
其中:W为正整数,n为隐含层节点数;ni为输入节点数;n0为输出节点数;a为常数,
步骤四二、准备及预处理:
在多尺度分割的影像上,自动读取样本信息表数据,根据样本信息表和影像坐标的对应关系,将训练样本信息读入计算机,并采用格拉布斯检验方法进行检验,剔除样本中的异常值,
步骤四三、BP神经网络传输函数的选择:
输入层和隐层为非线性传递函数,输出层为线性函数;在神经网络模型中,输入层采用Log-sigmoid函数,隐层采用Tan-sigmoid函数,输出层采用线性函数,
步骤四四、BP神经网络训练函数的选择:
BP神经网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss和trainlm,分别通过上述的11个函数分别计算当其它网络参数相同、最大训练次数都为1000次、且隐含层节点数不同时训练样本误差均方根RRMSE,选取获得的最小误差均方根RRMSE所对应的BP神经网络的训练函数,
均方根误差RRMSE公式为:
其中:N为正整数,Rmeas为检验样本的实测值;Rmod为模型的预测值,
采用选择的BP神经网络的训练函数构建神经网络模型,根据训练样本对BP神经网络模型训练,采用训练后的BP神经网络模型对多尺度分割的影像进行分类获得高分辨率影像如图4所示。
区域增长算法的具体步骤为:
A.计算机读取输入影像;
B.判断图像有无归属的像素,判断为有,则执行步骤C,判断为无,则结束光栅扫描;
C.把无归属的像素的灰度同其周围不属于任何一个区域的像素进行比较,所述的区域为像素点周围的4-邻域或8-邻域,若灰度差值小于设定阈值,执行步骤D;
D.将该像素与相比较的区域合并为同一个区域,并对合并的像素赋予标记,执行步骤B。
具体实施方式二、本实施方式与具体实施方式一所述的高分辨率遥感影像面向对象神经网络分类方法的区别在于,步骤三所述的多尺度分割的具体步骤为:
当求得的相邻影像的对象的异质度小于等于设定阈值时,合并相邻的影像对象,生成不同尺度的影像;
当求得的相邻影像的对象的异质度大于设定阈值时,不合并相邻的影像对象;
相邻两图像对象的异质度f:
其中,wcolor为光谱异质度;wshape为形状异质度;wc为波段权值;n1,n2为两相邻对象内像元个数;σmc为整个图像在设定的波段的标准差;σ2c、σ1c为相邻对象设定的波段内的标准差;wcmpct为紧致度权值;hcmpct为紧致度;wsmooth为光滑度权值;hsmooth为光滑度;hsmooth是影像对象实际边界长l与最小外包矩形边界长b间的偏差;hcmpct是影像对象实际边界长l与对象像元数n的均方根间的紧致度偏差。
Claims (2)
1.高分辨率遥感影像面向对象神经网络分类方法,其特征在于,它包括下述步骤:
步骤一、高空间分辨率传感器拍摄地面的影像,并将该影像发送至计算机;
步骤二、计算机采用区域增长算法对输入影像进行像元级的初步分割;
步骤三、将步骤二初步分割后的影像根据连续的设定的异质度阈值、图像的光谱特征和形状特征进行多尺度分割,形成不同尺度的分割影像;
步骤四、根据步骤三获得的不同尺度的分割影像建立BP神经网络、设置训练参数、建立训练样本对多尺度分割的影像进行分类,获得高分辨率影像,
步骤四一、建立BP神经网络模型:
建立BP神经网络模型,训练样本总数为W个,隐层的节点数公式为:
其中:W为正整数,n为隐含层节点数;ni为输入节点数;n0为输出节点数;a为常数,
步骤四二、准备及预处理:
在多尺度分割的影像上,自动读取样本信息表数据,根据样本信息表和影像坐标的对应关系,将训练样本信息读入计算机,并采用格拉布斯检验方法进行检验,剔除样本中的异常值,
步骤四三、BP神经网络传输函数的选择:
输入层和隐层为非线性传递函数,输出层为线性函数;在神经网络模型中,输入层采用Log-sigmoid函数,隐层采用Tan-sigmoid函数,输出层采用线性函数,
步骤四四、BP神经网络训练函数的选择:
BP神经网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss和trainlm,分别通过上述的11个函数分别计算当其它网络参数相同、最大训练次数都为1000次、且隐含层节点数不同时训练样本误差均方根RRMSE,选取获得的最小误差均方根RRMSE所对应的BP神经网络的训练函数,
均方根误差RRMSE公式为:
其中:N为正整数,Rmeas为检验样本的实测值;Rmod为模型的预测值,
采用选择的BP神经网络的训练函数构建神经网络模型,根据训练样本对BP神经网络模型训练,采用训练后的BP神经网络模型对多尺度分割的影像进行分类获得高分辨率影像。
2.根据权利要求1所述的高分辨率遥感影像面向对象神经网络分类方法,其特征在于,步骤三所述的多尺度分割的具体步骤为:
当求得的相邻影像的对象的异质度小于等于设定阈值时,合并相邻的影像对象,生成不同尺度的影像;
当求得的相邻影像的对象的异质度大于设定阈值时,不合并相邻的影像对象;
相邻两图像对象的异质度f:
其中,wcolor为光谱异质度;wshape为形状异质度;wc为波段权值;n1,n2为两相邻对象内像元个数;σmc为整个图像在设定的波段的标准差;σ2c、σ1c为相邻对象设定的波段内的标准差;wcmpct为紧致度权值;hcmpct为紧致度;wsmooth为光滑度权值;hsmooth为光滑度;hsmooth是影像对象实际边界长l与最小外包矩形边界长b间的偏差;hcmpct是影像对象实际边界长l与对象像元数n的均方根间的紧致度偏差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210255439XA CN102855490A (zh) | 2012-07-23 | 2012-07-23 | 高分辨率遥感影像面向对象神经网络分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210255439XA CN102855490A (zh) | 2012-07-23 | 2012-07-23 | 高分辨率遥感影像面向对象神经网络分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102855490A true CN102855490A (zh) | 2013-01-02 |
Family
ID=47402066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210255439XA Pending CN102855490A (zh) | 2012-07-23 | 2012-07-23 | 高分辨率遥感影像面向对象神经网络分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102855490A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104067314A (zh) * | 2014-05-23 | 2014-09-24 | 中国科学院自动化研究所 | 人形图像分割方法 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN107657618A (zh) * | 2017-10-10 | 2018-02-02 | 中国科学院南京地理与湖泊研究所 | 基于遥感影像和地形数据的区域尺度侵蚀沟自动提取方法 |
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN108230329A (zh) * | 2017-12-18 | 2018-06-29 | 孙颖 | 基于多尺度卷积神经网络的语义分割方法 |
CN109871884A (zh) * | 2019-01-25 | 2019-06-11 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
CN110060273A (zh) * | 2019-04-16 | 2019-07-26 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110119744A (zh) * | 2019-05-07 | 2019-08-13 | 上海交通大学 | 多尺度分割约束的遥感影像语义分割方法 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
CN112149756A (zh) * | 2020-10-14 | 2020-12-29 | 深圳前海微众银行股份有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932850A (zh) * | 2006-10-09 | 2007-03-21 | 武汉大学 | 一种遥感图像空间形状特征提取与分类方法 |
-
2012
- 2012-07-23 CN CN201210255439XA patent/CN102855490A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932850A (zh) * | 2006-10-09 | 2007-03-21 | 武汉大学 | 一种遥感图像空间形状特征提取与分类方法 |
Non-Patent Citations (2)
Title |
---|
刘丹丹等: "土壤含盐量BP神经网络反演模型", 《东北林业大学学报》, vol. 37, no. 12, 31 December 2009 (2009-12-31), pages 89 * |
陈启浩: "面向对象的多源遥感数据分类技术研究与实现", 《中国优秀硕士学位论文全文数据库》, no. 06, 15 December 2007 (2007-12-15) * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10096121B2 (en) | 2014-05-23 | 2018-10-09 | Watrix Technology | Human-shape image segmentation method |
WO2015176305A1 (zh) * | 2014-05-23 | 2015-11-26 | 中国科学院自动化研究所 | 人形图像分割方法 |
CN104067314B (zh) * | 2014-05-23 | 2017-03-08 | 银河水滴科技(北京)有限公司 | 人形图像分割方法 |
CN104067314A (zh) * | 2014-05-23 | 2014-09-24 | 中国科学院自动化研究所 | 人形图像分割方法 |
CN107358262A (zh) * | 2017-07-13 | 2017-11-17 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN107358262B (zh) * | 2017-07-13 | 2020-01-14 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN107657618B (zh) * | 2017-10-10 | 2020-07-07 | 中国科学院南京地理与湖泊研究所 | 基于遥感影像和地形数据的区域尺度侵蚀沟自动提取方法 |
CN107657618A (zh) * | 2017-10-10 | 2018-02-02 | 中国科学院南京地理与湖泊研究所 | 基于遥感影像和地形数据的区域尺度侵蚀沟自动提取方法 |
CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN107784283B (zh) * | 2017-10-24 | 2021-05-18 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN108230329B (zh) * | 2017-12-18 | 2021-09-21 | 孙颖 | 基于多尺度卷积神经网络的语义分割方法 |
CN108230329A (zh) * | 2017-12-18 | 2018-06-29 | 孙颖 | 基于多尺度卷积神经网络的语义分割方法 |
CN110298211B (zh) * | 2018-03-21 | 2021-03-23 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
CN109871884A (zh) * | 2019-01-25 | 2019-06-11 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
CN110060273B (zh) * | 2019-04-16 | 2021-05-18 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110060273A (zh) * | 2019-04-16 | 2019-07-26 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110119744A (zh) * | 2019-05-07 | 2019-08-13 | 上海交通大学 | 多尺度分割约束的遥感影像语义分割方法 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110287962B (zh) * | 2019-05-20 | 2023-10-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN112149756A (zh) * | 2020-10-14 | 2020-12-29 | 深圳前海微众银行股份有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855490A (zh) | 高分辨率遥感影像面向对象神经网络分类方法 | |
CN102914545B (zh) | 一种基于计算机视觉的齿轮缺陷检测方法及系统 | |
CN102521592B (zh) | 基于非清晰区域抑制的多特征融合显著区域提取方法 | |
CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN106296680B (zh) | 一种基于区域的多特征融合高分辨率遥感影像分割方法 | |
CN102073867B (zh) | 一种遥感图像分类方法及装置 | |
CN103940708B (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN104751166A (zh) | 基于光谱角和欧氏距离的遥感影像分类方法 | |
CN104361351A (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
CN104867150A (zh) | 遥感影像模糊聚类的波段修正变化检测方法及系统 | |
CN102721397A (zh) | 基于垂直动载荷的现代时间序列提取路面特征参数的方法 | |
CN104573707A (zh) | 一种基于多特征融合的车牌汉字识别方法 | |
CN105115469A (zh) | 水稻稻穗表型参数自动测量和穗重预测方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN102360503A (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
CN104392244A (zh) | 基于堆栈自动编码机的合成孔径雷达图像分类方法 | |
CN110935646A (zh) | 基于图像识别的全自动螃蟹分级系统 | |
CN103514599A (zh) | 一种基于邻域总变分的影像最佳分割尺度选择方法 | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN101004838A (zh) | 阻光度传递函数的构造方法 | |
CN103871035A (zh) | 图像去噪方法及装置 | |
CN103438802B (zh) | 光纤涂覆层几何参数测量方法 | |
CN103336972A (zh) | 一种基于完备化局部三值模式的地基云图分类方法 | |
CN102735340A (zh) | 一种基于压缩传感的水果颜色分级方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130102 |