CN116486248A - 一种多源多模态遥感影像海气界面目标协同探测与识别方法 - Google Patents
一种多源多模态遥感影像海气界面目标协同探测与识别方法 Download PDFInfo
- Publication number
- CN116486248A CN116486248A CN202111487077.2A CN202111487077A CN116486248A CN 116486248 A CN116486248 A CN 116486248A CN 202111487077 A CN202111487077 A CN 202111487077A CN 116486248 A CN116486248 A CN 116486248A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- target
- mode
- sensing image
- sea
- 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
Classifications
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种多源多模态遥感影像海气界面目标协同探测与识别方法。近些年来,针对海洋防灾减灾、海上目标识别与监视、海洋生态安全等方面应用需求,围绕多源多模态遥感影像海气界面目标协同识别,建立广域复杂海洋复杂光学环境及复杂海洋动力学环境下海气界面目标的提取与识别新方法,解决海上低差异度目标和浅层水下目标准确发现与识别难的问题。通过研究基于多维梯度TurboPixels算法的海洋高光谱、极化SAR遥感影像分割,建立以影像像元信息为底层、模糊超像素特征属性为中层、目标信息粒类别为高层的多层级多源多模态海洋遥感影像海气界面目标协同识别的新型系统模式。
Description
技术领域
本发明涉及高光谱、极化SAR图像处理领域,具体涉及一种适合于海气界面复杂光学环境和复杂海洋动力学环境下目标协同识别的遥感影像分析处理理论和方法。
背景技术
海洋遥感采用光谱或微波成像技术对海洋特性进行远距离非接触测量和记录,获取海洋景观和海洋要素的影像或数据资料。全天候、大范围、近实时和近同步的信息获取方式,使其在海洋观测活动中具有较大优势。近年来海洋遥感已成为海洋观测研究的重要技术方向。国外,2011年美国国家研究委员会发布《2030年海洋研究和社会需求关键基础设施》,将卫星遥感作为海洋科研基础设施的核心之一。2012年12月,欧盟竞争理事会在更名为哥白尼(Copernicus)计划的欧洲全球环境与安全监测计划(GEMS)中,非常重视海洋遥感监测技术,将其作为环境和安全检测可靠、有效、稳定的数据源,以支持一系列环境与安全应用服务。《澳大利亚对地观测战略规划(2010-2025)》中特别强调,在针对沿海、深海、大陆架等海洋环境观测中大力发展全光谱卫星遥感能力。
在军事上,我国已建成第一代海洋目标监视卫星系统,初步具备了对全球大范围海洋移动目标的监视能力。在民用领域,已成功发射了“资源”“环境”“高分”“海洋”等系列的民用遥感卫星以及“天拓一号”AIS小卫星,“天拓二号”“吉林一号”“珠海一号”等商业遥感小卫星。其中,高分四号地球同步轨道光学成像卫星,在3.6万km外的轨道上实现50m空间分辨率,其监测范围覆盖中国及周边4900万km2的陆海区域;高分三号卫星是我国首颗分辨率达到1m的C波段多极化民用SAR卫星,能够高时效地实现不同应用模式下1~500m空间分辨率、10~650km幅宽的微波遥感数据获取;高分五号卫星是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星,其中可见短波红外高光谱相机是其主载荷之一,以60km幅宽、30m的空间分辨率和5~10nm的光谱分辨率,同时获取地物在400~2500nm范围内的空间信息和光谱信息,具有突出的地物探测和识别能力。中国天基信息网络的发展显著提高了对海洋目标监视的时空覆盖能力和快速响应能力。国产多源多模态海洋遥感成像光谱仪数据指标如表1所示。
表1国产多源多模态海洋遥感成像光谱仪数据指标
目前,高空间、多光谱、高光谱、红外、极化SAR是最常用的几种遥感监测手段,可在一定程度上实现对海洋目标的较好监测,然而,以上数据源在不同的海气界面场景中各具优势与不足。高空间分辨率影像其分辨率高,地物纹理信息丰富,对海气界面显著性目标的辨别能力强,但是其单幅影像覆面积较小,且其主要包含的是目标的位置信息,对于目标本身的物理特性缺乏描述。海洋光谱成像是以光谱能量为载体,传递海水水体介质及能量存在和变化的信息,可获得海水本身、水中所含物质以及海面漂浮物等的光谱数据。目前,海洋光谱成像观测卫星主要采用多光谱成像技术,多用于水色观测、海洋环境要素监测等方面。根据美国NAL对SeaWiFS和机载成像光谱仪AVIRIS遥感试验结果的研究分析,针对暗礁、赤潮、溢油、海冰等海气界面目标观测所需的光谱分辨率应不超过10nm。但多光谱成像的光谱分辨率大于100nm,限制了其在海洋防灾减灾、海上目标识别与监视、海上突发事件应急搜救等方面应用。
近年来,发展高光谱遥感影像分析技术是海洋光谱成像探测的重要趋势。基于高光谱遥感技术在对海洋目标成像的同时,可提供几十到数百个10nm以下分辨率的连续波谱覆盖,其足够的光谱分辨率,有利于海洋目标特征提取,以及对具有纳米级诊断光谱特性的海洋表面物质进行识别。其影像所具有的空间、辐射和波谱信息将大大增加海洋目标检测识别的准确性。与高空间分辨率遥感影像相比,在海气界面低差异度目标以及水下浅层目标检测方面更具优势。缺点在于光谱波段数多,导致数据冗余,使用前需进行降维和去噪处理,增加了算法的时间复杂度。
相比可见光、多光谱、高光谱等传感器,红外和极化SAR影像具有全天时、全天候、不依赖光照、穿透能力强(云、雾)等特点,在黑夜和较多云层覆盖的天气实现对海面目标的监视。然而,海洋红外和极化SAR影像分析处理技术还存在诸多不适应:红外是一种点对点的传输方式,须对准目标物及方向,且检测距离不能太远,尤其在目标与海气界面环境对比度低的情况下,影像分辨率较差。对于海洋动力环境要素,极化 SAR对不同海况条件下的不同尺度的海浪、海流、海面风场的敏感程度不同,且只用单极化SAR进行海浪、海流、海面风场等海洋动力环境要素的反演时,一般都会存在180°的方向模糊,如果缺少现场数据,则无法确定其真实传播方向;除油膜外,生物膜及低风区、雨团、船尾迹、上升流等一些海洋现象也在极化SAR影像上表现为暗区域(低后向散射强度),使得单极化SAR溢油检测误识别率较高;此外,极化SAR影像容易受到干扰,气象因素的不稳定性是干扰因素的主要来源,而且海面上的浮游植物、藻类等也会对其造成干扰。
因此,针对各类别海洋遥感影像特点以及现有技术和方法局限性,迫切需要综合高空间、高光谱(红外、多光谱可看作是高光谱的特殊类型)、极化SAR影像的优缺点,创建适合于海气界面复杂光学环境和复杂海洋动力学环境下目标协同识别的遥感影像分析处理理论和方法。通过研究探索新颖的多源多模态海洋遥感影像的分割、目标区域提取、目标区域融合、超像素模型构建、目标分类与辨识方法,突破现有多源多模态海洋遥感影像海气界面目标识别技术瓶颈。
发明内容
发明目的:为克服海气界面复杂光学环境和复杂海洋动力学环境,提出协同目标识别的遥感影像分析理论和方法。
技术方案:为实现上述目的,本发明提供一种多源多模态遥感影像海气界面目标协同探测与识别方法,研究选取以下几种多源多模态海洋遥感影像:高空间分辨率影像p1个像元表示为特征空间的p1个特征点,高光谱(红外、多光谱可看作是高光谱的特殊类型)p2个像元表示为特征空间的p2个特征点,极化SAR影像9个像元表示为特征空间的9个特征点。包括如下步骤:
S1:构建海洋高光谱影像光谱曲面特征的共形映射降维去噪方法;
S2:使用高分辨率影像分割、高光谱影像及极化SAR影像多维梯度分割。
S3:建立并完善海气界面目标特征库及视觉注意机制目标区域提取;
S4:多源遥感影像目标区域融合、模糊超像素构建及标记样本扩展;
S5:基于粒计算支持向量机的多源多模态遥感影像海气界面目标协同识别;
S6:构建多源多模态海洋遥感影像分析实验系统
进一步地,所述步骤S1中构建海洋高光谱影像光谱曲面特征的共形映射降维去噪方法具体过程为:
A1:洋高光谱影像中的p2个像元表示为特征空间的p2个特征点, V={v1,v2,...,vi...,vp},每个特征点的维度为影像波段数b,将其表示在Rb中即为不规则的流形曲面;
A2:通过基于Ricci流的海洋高光谱遥感影像去噪,原始特征点完全被映射到低维特征空间中,实现了高光谱影像的光谱特征提取,得到新的特征矩阵 Y={y1,y2,...,yi...,yp},其维度为特征提取降维后的维度m(m<<b);
进一步地,所述步骤S2中使用高分辨率影像分割、高光谱影像及极化SAR影像多维梯度分割,具体为:
B1:采用TurboPixels算法对海洋高光谱影像进行多维梯度分割,该算法有5个优点:分割的超像素区域大小均匀一致;分割的超像素区域具有连通性;分割后的区域紧凑分割结果光滑,边界保持良好;分割后的超像素区域互不交叠;
B2:对于一个单波段图像I,其对应最基本的梯度记为由于可将包含特征提取降维后的m维的海洋高光谱影像I看作是m个单波段影像的集合,其中波段λ的影像为Iλ,将每个单波段进行叠加,得到高光谱影像的梯度图像,此算法记为SumB,并表示为:
B3:其中,ωλ表示在求海洋高光谱影像的梯度图像时,某一个波段贡献的大小,ωλ是归一化后的值,在本团队前期的研究中提出了一种基于Choquet模糊积分的高光谱影像波段选择方法,该方法中给每个波段标定一个模糊积分值,本发明拟将此模糊积分值归一化后得到的值作为权值ωλ;
B4:同理,海洋极化SAR影像具有9个通道,每个像素点不再只是对应一个简单的数值,而是一个极化向量。可将包含特征提取降维后的9维的海洋极化SAR影像I’看作是9个单通道影像的集合,其中通道λ′的影像为Iλ′,将每个单通道进行叠加,得到极化SAR影像的梯度图像,此算法记为SumB’,并表示为:
其中ωλ′表示在求海洋极化SAR影像的梯度图像时,某一个通道贡献的大小,ωλ′是归一化后的值,在前期基础上继续研究采用Choquet模糊积分法给每个通道标定一个模糊积分值,并进行归一化后得到的值作为权值ωλ′;
B5:然后按照TurboPixels算法的步骤进行,通过边界函数Ψn的一个迭代过程来控制影像分割的边界,其表达式为:
B6:其中,已划分点为正数、未划分点为负数,靠近边界附近点的数值接近零,中的梯度依照上述的多维梯度进行求解。边界函数的迭代公式为:
其中SI和SB分别为影像速率和边界速率;
B7:由于受海洋影像高噪声和弱边缘特性的影响,各源遥感影像的边缘图上边缘可能存在不完整,因此需要将未封闭的边缘连接起来。本发明主要采用数学形态优化的方法进行边缘连接得到封闭的轮廓形成影像区域。用形态学开运算和闭运算滤除小区域的边缘、散乱边缘和虚假边缘,保留大区域边缘;检测边缘点的连接,对剩余的尚未构成区域的边缘进行形态学膨胀连接,并腐蚀细化;
B8:经以上处理及修正后,海洋高空间分辨率影像分割为超像素集合 P1={p1,p2,...,pi...,pa}(每个超像素可看成局部同质像素的集合),综合超像素的灰度、纹理、方向和几何结构特征,构建高空间分辨率影像基于超像素的多特征矩阵其中fi为表征超像素pi的多特征矢量,其维度包含四重特征。海洋高光谱影像分割为超像素集合P2={p1,p2,...,pj...,pb},综合超像素的空间、光谱、纹理和几何结构特征,构建高光谱影像基于超像素的多特征矩阵/>其中fj为表征超像素pj的多特征矢量,其维度包含四重特征。海洋极化SAR影像分割为超像素集合P3={p1,p2,...,pk...,pc},综合超像素的极化、纹理、空间、颜色和几何结构特征,构建极化SAR影像基于超像素的多特征矩阵/>其中fk为表征超像素pk的多特征矢量,其维度包含五重特征。然后各源遥感影像分别将生成的超像素代替原始像素作为后续处理的基本单元,其中,纹理特征采用常用的统计量:均值、标准差、平滑度、三阶距、熵、一致性、丰度、偏度;其次,利用数学形态学的方法,提取各超像素几何结构特征,包括:面积、周长、质心、延伸方向、欧拉数、形态指数;
进一步地,所述步骤S3中建立并完善海气界面目标特征库及视觉注意机制目标区域提取,具体过程如下:
C1:建立并完善海气界面目标特征库;
首先,分析海洋遥感影像海气界面目标常用的具体类型,如舰船、海冰、溢油、浮标、集群漂浮物等水面目标,暗礁、鱼群、水草等浅层水下目标,低空飞行的飞机、无人机等空中目标等。在前期建立的溢油、船只、海冰、鱼群、藻类漂浮物的空间光谱特征库的基础上继续向更多目标异源影像拓展,通过查阅目标确定的各个异源影像及实测资料,根据目标在各个影像上的特征并结合专业知识,在各个影像上初步选择出典型目标,分析其空间-光谱-极化特征,研究样本选择的合理性与准确性;然后,到实地进行考察,一方面验证样本选择正确与否,如不合理就进行调整,另一方面收集相关的实地资料,完善目标特征库。
C2:基于信号稀疏的视觉注意机制遥感影像目标区域提取;
采用鲁棒的主成分分析(PCA)算法对特征矩阵F进行如下分解:
F=L+S (5)
即将多特征矩阵F分解为两个加性部分之和,其中L为低秩的不变子空间,对应着冗余的海面背景;S为稀疏的异常模式,对应着可能包含海气界面目标的前景。将多特征矩阵F1、F2、F3分别按照上式进行变换,然后对矩阵S各个列向量进行进一步分析,即可分别找到高空间、高光谱、极化SAR影像视觉显著的超像素集合作为各影像中海气界面目标疑似区域,对应的列向量即为目标区域特征。
进一步地,所述步骤S4中多源遥感影像目标区域融合、模糊超像素构建及标记样本扩展:
D1:非精确配准下多源多模态遥感影像目标区域融合;
由于影像的高噪声和弱边缘特征,在实际影像处理过程中,目标属于类别的程度具有一定的模糊度,相应的各融合影像的目标区域为模糊子集,则“并集”,“交集”的概念就建立在模糊子集“并、交”的概念上,根据Zadeh算子关于模糊集的定义和运算法则,设论域u的模糊子集为F(U),子集A,B,C∈F(U),aA,aB,aC分别代表A、B和C 的隶属度函数,定义模糊子集并与交的隶属度函数为:
aA∩B∩C(U)=min(aA(U),aB(U),aC(U)) (6)
aA∪B∪C(U)=max(aA(U),aB(U),aC(U)) (7)
这样设定融合后目标的隶属度会造成信息丢失过多,选择合取(即取并集)过分强调了各源信息之间的增强性和互补性,选择析取(即取交集)又过分强调了各源信息之间的一致性。在多源影像融合中,合取在提高检测概率的同时也增大了虚警,析取在减少虚警的同时又降低了检测概率。如何解决虚警和检测概率之间的平衡是非常重要的,采用Choquet模糊积分结合Zadeh算子可以很好地解决这个问题。Zadeh算子的广义“交”是所有取交运算中最大的,广义“并”是所有取并运算中最小的,在影像融合的过程中, max和min各有缺点,本发明试图通过Choquet模糊积分,实现融合后的隶属度,aABC(U) 满足:
min(aA(U),aB(U),aC(U))≤aABC(U)≤max(aA(U),aB(U),aC(U)) (8)
Choquet模糊积分值,当融合后目标隶属度满足式(8),该算子可以理解为在保留目标一致性的同时,通过加入信息间的相关性来解决决策冲突。设已经得到n个各影像的不同特征,为满足模糊积分的约束性条件:0≤h(u)≤1,在每个特征空间内,确定每个单因素指标ui的最大值uimax,最小值uimin,根据各单特征指标值和影像的关系构造 Choquet模糊积分信度函数如下:
依据模糊积分的单调性约束条件:0≤h(u1)≤h(u2)≤...≤h(un)≤1,并将上式重新排列。模糊测度值的确定:应用Choquet积分进行融合时,另一个重要问题是确定P(U) 上的F测度g,这里用对各单特征指标的重视程度来表征模糊测度,由于信度函数从小到大排列,因此对较大的信度函数给予较大的重视程度,具体定义如下:对每幅影像而言,令S=h(u1)+h(u2)+...+h(un),
Choquet模糊积分值的确定:在每个特征空间内,对每幅影像,可按下式计算其模糊积分值:
其中,h(u0)=0。将Choquet模糊积分值作为融合影像的模糊隶属度权值,通过上式,无论当目标在不同传感器中的属性一致或互斥时,目标均被增强,实现了对影像目标区域的较好融合。融合高空间、高光谱、极化SAR影像得到多源多模态融合影像超像素集合SP={sp1,sp2,...,spq}作为融合后的影像中海气界面目标疑似区域,对应的列向量即为目标区域特征。
D2:对于目标区域模糊超像素构建;
由于影像的高噪声和弱边缘特性,生成的超像素SP中存在较多的不确定像素,因而超像素SP是模糊超像素。选择模糊隶属度较高的像素放入超像素中,剩余隶属度较低的像素定义为待定像素。定义目标区域中的像素到其对应的聚类中心的目标函数为:
其中,模糊隶属度u(i,j)∈[0,1],i是目标区域中的像素,j 是目标区域中像素对应的聚类中心,c是像素i对应的聚类中心的数量,C1,...,Cc是聚类中心像素;m∈[1,∞)是权重指数;D(i,j)是像素i和中心像素j的距离。距离D(i,j)不仅要考虑像素之间的位置关系,同时要考虑融合影像的数据特性。最后,利用后处理步骤合并较小超像素,强调超像素内的区域连通性。至于模糊超像素中待定像素比例的确定,虽然上述模糊超像素模型相比传统超像素模型能有效抑制混合超像素的生成,但它需要根据经验手动确定待定像素比例Ph。已知像素对于不同类的隶属度值/>和模糊等价关系矩阵/>在不同目标类别中像素的依赖度Re定义为:
Re=UTRU (13)
其中,Re为对称矩阵。
待定像素比例定义为:
Ph=0.5×ReD,Ph<1 (15)
如果ReD的值越大,表明像素越有可能属于不同的类。为了减少错分像素的数量,可以增加待定像素的比例:如果ReD的值越小,表明像素越有可能属于同一目标类别,这时可以减少待定像素比例。因此,可以通过不同类中像素之间的依赖度自适应确定模糊超像素中待定像素的比例Ph。
D3:设计多模态融合影像标记样本扩展方法;
拟采用区域相似性模型度量超像素之间的相似性。表征多源多模态融合影像超像素区域的特征包括协方差、纹理特征和散射强度特征等。假设超像素区域Pm和Pn的特征向量分别表示为Pm=(a1,a2,...,aN)和其中ai和/>为超像素区域Pm与Pn的第i维的特征。首先考虑多模态融合影像超像素区域关于影像特征a∈A的相似性。假设影像特征信息系统S=(P,A,V,f)定义影像特征a∈A,Pm,Pn∈P(m,n=1,2,...,mn)。令 a(Pm)表示超像素Pm关于特征a的特征值,定义超像素Pm与Pn关于影像特征a∈A的相似性sima(Pm,Pn)为:
从上述公式可知,sima(Pm,Pn)的范围为[0,1]。当sima(Pm,Pn)=0时,超像素Pm和Pn关于影像特征a的相似性最小;反之当sima(Pm,Pn)=1时,超像素Pm和Pn关于影像特征 a的相似性最大。超像素Pm和Pn关于影像特征集A的相似度SIMA(Pm,Pn)定义为:
设计融合影像特征集A,就可以通过特征集获得超像素之间的相似性。基于模糊超像素,融合目标区域被分为两部分:超像素和待定像素。本发明分三步扩展标记样本。第一步,假设已知第i类标记样本,如果该标记样本落在某个超像素中,则该超像素中所有像素的类标与该标记样本一致,为第i类,该超像素定义为标记超像素;如果该标记样本为待定像素,则暂不进行类标扩充。第二步,结合影像超像素区域相似性准则,衡量标记超像素与未标记超像素之间的相似度,引入超像素区域选择策略,选取相似度较高的超像素进行标记,标记后的超像素定义为伪标记超像素。第三步,对于未标记的待定像素,采用样本选择策略选取部分未标记像素,考察其邻域,如果其邻域范围内的点都属于同一个类标,则将此待定像素赋予与其邻域相同的类标。在扩展标记样本后,对扩展后的训练集进行评估,分析错标率对后续分类方法性能的影响。
进一步地,所述步骤S5中基于粒计算支持向量机的对源多模态遥感影像海气界面目标协同识别,本发明拟从粒计算、哈夫曼树、支持向量机三个角度结合进行多源多模态遥感影像海气界面目标协同识别模型构建,解决低差异度目标的多分类问题,具体为:
E1:基于粒计算的多分类模型;
在多分类问题模型的建立中,采用粒计算进行处理,依照粒计算三元论思想。首先,用粒计算的思想对问题进行观察、定义和转化,即:多层次、多视角的分析问题,找出基本元素粒、粒层、粒度,并从粒计算的角度解释其含义。其次,用粒计算的具体实现算法,如:分组、分类、聚类等,根据不同领域的问题进行粒度计算,并依据粒度构造哈夫曼树。最后,依据粒-哈夫曼树构造多分类器(一对一、一对多、多对多)。粒计算侧重于对问题的粒化和分层,是对训练集进行不同层次上的粒划分,不同的粒在训练时的重要度不同。支持向量机(SVM)虽然有完善的统计学习理论支撑,对二分类有较成熟的求解方法,但是面对现今社会的海量信息数据,其训练复杂度高到无法满足用户需求,且其性能过分依赖核函数和参数的选取,并没有在训练样本内的分布不均问题上有高效的解决办法。在二分类问题上SVM非常有效,但在多分类问题上对不平衡训练样本并没有给出特别有效的解决方法。而海气界面是特征区别度不大的低差异度目标,基于此,本发明将哈夫曼树与粒计算相结合,解决低差异度目标的识别问题。
E2:基于哈夫曼树多分类模型;
运用SVM解决多分类问题的核心思想就是构建合理的决策树。目前为止,主要的决策树是偏二叉树或近似完全二叉树,并没有从根本上解决训练样本集分布不均等问题。从而引进哈夫曼树(Huffman Tree,HT)又称最优二叉树,能够较好地解决这一问题。根据海洋遥感影像海气界面不同低差异度目标进行粒度的计算,依据粒度构造哈夫曼决策树。算法步骤:
①:计算目标类别Si,i=1,2,...,k归属于训练样本集的粒度,训练样本集 S={S1,S2,...,Sk},Xi为训练样本集中类i的所有样本,n是Xi的样本数,N是训练样本总数;
②:得到D=(Si,di),并把所有类别按粒度大小排序,进行编号;
③:得出的粒及粒度,构造n棵只有一个粒的二叉树;
④:如果k=2,则这两类分别作为左、右子树,结束;
⑤:如果k>2,所有类别作为叶子粒,找出所有类别中粒度di,dj(i,j∈k)最小的两个整合新的粒,新粒Sij的粒度dij=di+dj,与其它的粒一起成为新粒层的粒。训练一个SVM在决策树的中间粒,相对下一层细粒,上一层粒是粗粒;
⑥:重复⑤,每出现一个新粒,决策树的中间粒就训练一个SVM。直至最后只剩一个粒。越靠近顶端粒度越大;
⑦:训练终止,所有纯粒和中间粒构成最优二叉树或粒结构树,然后从上到下赋予编码,所有分支遵循左子树的粒赋值0,右子树的粒赋值1。则每一个粒都能依据训练好的SVM和标号最快的找到。
生成的决策树,本质上是一种自下而上构造的哈夫曼树,与传统的自上而下先搜索最难分割的两类不同的是决策树先分离最容易分离的目标类别,又因为哈夫曼树是带权路径长度最小的二叉树,使权值越大的叶子结点越靠近根结点,能够在出现新样本时更快更准确的归类。根据海气界面不同目标特点的实际情况来调整权重,这样更有利于多分类的划分,运用粒计算中的粒度思想,局部改进哈夫曼树中的权值部分。
E3:基于粒结构决策树构造;
建立粒结构决策树,并构造内部分类器(G-SVM)。由不同多分类问题的决策树可知分类器分为三种:一对一G-SVM分类器、一对多G-SVM分类器和多对多G-SVM分类器,对建立的模型进行评估,得出分类结果。算法步骤:
①:根据已建立的决策树对应出不同粒层、混合粒、纯粒和粒度,每一个粒训练一个G-SVM分类器。
②:根据粒结构树分三种分类器,if中间粒需要多对多G-SVM分类器,将粒分为 l1和l2组,l1+l2=l;if粒需要一对多G-SVM分类器,将粒分为1和l-1组,对应每一个粒S1,S2,...,Sl;if粒需要二分类,则直接运用SVM。
③:重复②,直到分类结束。
本发明提出的多分类器模型能够较好实现海气界面低差异度目标识别,该分类器的核函数拟选择高斯径向基核函数。
进一步地,所述步骤S6中构建多源多模态海洋遥感影像分析实验系统,具体为:在原有海洋高光谱影像分析处理实验系统的基础上进行二次开发搭建多源多模态海洋遥感影像分析处理实验系统平台,以国产多源多模态海洋遥感成像光谱仪数据为主要数据源的遥感应用软件,用于对本项目提出的模型与方法进行实践验证。它以Windows 7/8/10操作系统为平台,依托数据交互语言(IDL)和ENVI进行功能扩展与二次开发。该系统秉承ENVI软件的界面风格,实现多源多模态海洋遥感影像分析处理与目标识别功能,包括影像的几何配准、降维去噪、影像分割、影像融合、目标提取、信息粒标记等功能模块。
附图说明
图1为多源多模态遥感影像海气界面目标协同探测与识别方法总体技术路线图;
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种多源多模态遥感影像海气界面目标协同探测与识别方法。主要研究建立多层级多源多模态海洋遥感影像海气界面目标协同识别的新型系统模式;基于多维梯度的遥感影像超像素分割及视觉注意机制的目标区域提取;多源多模态遥感影像目标区域融合、模糊超像素构建及目标标记样本扩展以及基于粒计算支持向量机的多源多模态海洋遥感影像海气界面目标协同识别。
步骤1:在研究多层级多源多模态海洋遥感影像海气界面目标协同识别的新型系统模式时。空间、光谱、极化信息与海气界面目标的特征及关系分析和建立特征库;研究海洋遥感影像像元纹理、光谱、极化信息与模糊超像素空间、光谱、极化信息等对应关系及超像素与多层信息粒间的特征映射,建立以影像像元信息为底层、模糊超像素特征属性为中层、目标信息粒类别为高层的多层级多源多模态海洋遥感影像海气界面目标协同识别的新型系统模式。
步骤2:在研究海洋高空间、高光谱和极化SAR影像的分割与目标区域提取。包括:基于TurboPixels算法的高空间分辨率遥感影像超像素分割方法;基于多维梯度TurboPixels算法的高光谱、极化SAR遥感影像超像素分割方法;分别综合海洋高空间、高光谱和极化SAR影像各自的超像素光谱、纹理和几何结构等特征构造多特征矩阵;基于稀疏信号的视觉注意机制海洋高空间、高光谱、极化SAR遥感影像目标区域提取;
步骤3:在多源多模态遥感影像目标区域融合、模糊超像素构建及目标标记样本扩展中,包括:非精确配准下基于Choquet模糊积分结合Zadeh算子的多源多模态海洋遥感影像目标区域融合方法;利用有限的目标标识样本,挖掘遥感数据在影像空间、语义空间的潜在特性,发展遥感数据区域相似性度量准则;基于模糊超像素模型,采用样本选择策略与区域选择策略,并结合区域相似性度量准则对未标记像素及未标记超像素进行相关标记;分析错标率对于后续目标识别算法性能的影响。
步骤4:在基于粒计算支持向量机的多源多模态海洋遥感影像海气界面目标协同识别中,在多分类问题中,决策树构建合理与否至关重要,针对海气界面低差异度目标的特性,将粒计算的信息粒度与哈夫曼树相结合,构造最优决策二叉树,使之能较好地对低差异度目标进行逐层次分类与识别;针对已构建的粒结构决策树与粒子结点,运用支持向量机建立不同粒对应的多分类器,从而建立起基于粒计算支持向量机的多源多模态海气界面目标协同识别模型。
Claims (5)
1.一种多源多模态遥感影像海气界面目标协同探测与识别方法,其特征在于,包括如下步骤:
S1:建立多层级多源多模态海洋遥感影像海气界面目标协同识别的新型系统模式;
S2:完成基于多维梯度的遥感影像超像素分割及视觉注意机制的目标区域提取;
S3:开展多源多模态遥感影像目标区域融合、模糊超像素构建及目标标记样本扩展;
S4:基于粒计算支持向量机的多源多模态海洋遥感影像海气界面目标协同识别。
2.根据权利要求1所述一种多源多模态遥感影像海气界面目标协同探测与识别方法,其特征在于,所述步骤S1中建立多层级多源多模态海洋遥感影像海气界面目标协同识别的新型系统模式,具体为:对空间、光谱、极化信息与海气界面目标的特征及关系分析和建立特征库;研究海洋遥感影像像元纹理、光谱、极化信息与模糊超像素空间、光谱、极化信息等对应关系及超像素与多层信息粒间的特征映射,建立以影像像元信息为底层、模糊超像素特征属性为中层、目标信息粒类别为高层的多层级多源多模态海洋遥感影像海气界面目标协同识别的新型系统模式。
3.根据权利要求1所述的一种多源多模态遥感影像海气界面目标协同探测与识别方法,其特征在于,所述步骤S2中完成基于多维梯度的遥感影像超像素分割及视觉注意机制的目标区域提取,具体为:研究海洋高空间、高光谱和极化SAR影像的分割与目标区域提取,包括基于TurboPixels算法的高空间分辨率遥感影像超像素分割方法;基于多维梯度TurboPixels算法的高光谱、极化SAR遥感影像超像素分割方法;分别综合海洋高空间、高光谱和极化SAR影像各自的超像素光谱、纹理和几何结构等特征构造多特征矩阵;基于稀疏信号的视觉注意机制海洋高空间、高光谱、极化SAR遥感影像目标区域提取。
4.根据权利要求1所述的一种多源多模态遥感影像海气界面目标协同探测与识别方法,其特征在于,所述步骤S3中开展多源多模态遥感影像目标区域融合、模糊超像素构建及目标标记样本扩展,具体为:研究多源多模态海洋遥感影像目标区域融合、模糊超像素构建及目标标记样本扩展方法。包括非精确配准下基于Choquet模糊积分结合Zadeh算子的多源多模态海洋遥感影像目标区域融合方法;利用有限的目标标识样本,挖掘遥感数据在影像空间、语义空间的潜在特性,发展遥感数据区域相似性度量准则;基于模糊超像素模型,采用样本选择策略与区域选择策略,并结合区域相似性度量准则对未标记像素及未标记超像素进行相关标记;分析错标率对于后续目标识别算法性能的影响。
5.根据权利要求1所述的一种多源多模态遥感影像海气界面目标协同探测与识别方法,其特征在于,所述步骤S4中基于粒计算支持向量机的多源多模态海洋遥感影像海气界面目标协同识别,在多分类问题中,决策树构建合理与否至关重要,针对海气界面低差异度目标的特性,将粒计算的信息粒度与哈夫曼树相结合,构造最优决策二叉树,使之能较好地对低差异度目标进行逐层次分类与识别;针对已构建的粒结构决策树与粒子结点,运用支持向量机建立不同粒对应的多分类器,从而建立起基于粒计算支持向量机的多源多模态海气界面目标协同识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487077.2A CN116486248A (zh) | 2022-01-08 | 2022-01-08 | 一种多源多模态遥感影像海气界面目标协同探测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487077.2A CN116486248A (zh) | 2022-01-08 | 2022-01-08 | 一种多源多模态遥感影像海气界面目标协同探测与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486248A true CN116486248A (zh) | 2023-07-25 |
Family
ID=87223669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111487077.2A Pending CN116486248A (zh) | 2022-01-08 | 2022-01-08 | 一种多源多模态遥感影像海气界面目标协同探测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117367437A (zh) * | 2023-12-08 | 2024-01-09 | 中国航天科工集团八五一一研究所 | 一种基于电子监测的协同引导方法 |
-
2022
- 2022-01-08 CN CN202111487077.2A patent/CN116486248A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117367437A (zh) * | 2023-12-08 | 2024-01-09 | 中国航天科工集团八五一一研究所 | 一种基于电子监测的协同引导方法 |
CN117367437B (zh) * | 2023-12-08 | 2024-03-22 | 中国航天科工集团八五一一研究所 | 一种基于电子监测的协同引导方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
Tong et al. | Learning transferable deep models for land-use classification with high-resolution remote sensing images | |
CN111898633B (zh) | 一种基于高光谱图像的海上舰船目标检测方法 | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
Yu et al. | Rotation-and-scale-invariant airplane detection in high-resolution satellite images based on deep-Hough-forests | |
CN108241871A (zh) | 基于多特征的激光点云与影像融合数据分类方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
CN105894030B (zh) | 基于分层多特征融合的高分辨率遥感图像场景分类方法 | |
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
CN112348758B (zh) | 一种光学遥感图像数据增强方法及目标识别方法 | |
Yuan et al. | Fine-grained classification of urban functional zones and landscape pattern analysis using hyperspectral satellite imagery: A case study of Wuhan | |
Li et al. | An object-based river extraction method via optimized transductive support vector machine for multi-spectral remote-sensing images | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
CN114926469A (zh) | 语义分割模型训练方法、语义分割方法、存储介质及终端 | |
Deng et al. | Comparison of multi-class and fusion of multiple single-class SegNet model for mapping karst wetland vegetation using UAV images | |
CN109657598A (zh) | 基于分层策略的滨海湿地遥感分类方法 | |
CN116109942A (zh) | 一种可见光遥感图像舰船目标检测方法 | |
CN116486248A (zh) | 一种多源多模态遥感影像海气界面目标协同探测与识别方法 | |
CN112906564B (zh) | 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 | |
Wang et al. | Multi-source evidence data fusion approach to detect daily distribution and coverage of Ulva prolifera in the Yellow Sea, China | |
Wang et al. | Simultaneous extracting area and quantity of agricultural greenhouses in large scale with deep learning method and high-resolution remote sensing images | |
Walder et al. | Neural network based methods for cloud classification on AVHRR images | |
Li et al. | Pixel-unmixing moderate-resolution remote sensing imagery using pairwise coupling support vector machines: A case study | |
Zhang et al. | Point clouds classification of large scenes based on blueprint separation convolutional neural network | |
Sun et al. | The recognition framework of deep kernel learning for enclosed remote sensing objects |
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 |