[发明专利]一种高分辨率影像语义信息提取方法

权利要求书

1.一种高分辨率影像语义信息提取方法，其特征是，包括：

S1构建对偶多尺度流形排序神经网络，所述的对偶多尺度流形排序神经网络包括若干不同尺度的卷积层集，各尺度下的卷积层进一步顺次包括扩张卷积层集、非扩张卷积层集和多标签流形排序优化层；

S2构建多标签流形排序优化层的能量函数

构建平滑项：

初始化参数α、β、为由w_ij构成的大小为M×N的权重矩阵；

其中：

v_i、v_j分别等同像素点p_i、p_j，V为像素点的集合；e_ij为连接p_i和p_j的边，E为边的集合；w_ij为连接像素点p_i和p_j的边的权重；i＝1,2,...M×N，j＝1,2,...M×N；

μ_i为经验值，在[1,5]范围内取值；

为像素点p_i的流形排序向量，为像素点p_i在类别k下的流形排序值，K为像素点的可能类别数量，k＝1,2,...K；

是各像素点p_i对应的后验概率向量，为像素点p_i在类别k下的后验概率值；

I_i和I_j分别表示像素点p_i和p_j在HSI空间内的亮度值；

α和β是平滑系数；

σ₁和σ₂分别衡量像素邻近点之间的相似和邻近变化程度，σ₁和σ₂为经验值，且在[3,5]范围取值；

S3对各尺度下的多标签流形排序优化层分别进行训练，具体为：

3.1采集高分辨率影像并获取其标注影像，高分辨率影像及其标注影像构成训练样本，将训练样本作为训练时期对偶多尺度流形排序神经网络的输入，对各尺度下的卷积层集，训练样本依次经扩张卷积层集、非扩张卷积层集，输出各像素点在各类别下的后验概率值；

3.2多标签流形排序优化层基于能量函数对非扩张卷积层集输出的后验概率值进行优化，并输出训练样本的最优流形排序向量矩阵；

3.3采用式(3)更新参数α、β、

其中：

η和ξ为学习率，η和ξ为经验值，且η∈[1e^-12,1e^-4]，ξ∈[1e^-12,1e^-4]；

t表示当前迭代次数；

为损失函数，

表示像素点的最优标签，为像素点p_i在类别k下的最优流形排序值；

y表示像素点的真值标签，根据标注影像获得；w_y表示真值标签y的权重；

表示对应的概率值，表示标签y_k对应的概率值；

3.4重复迭代步骤3.2～3.3，直至迭代次数达到预设的最大迭代次数，完成α、β、的训练；

S4将待提取语义信息的高分辨率影像作为测试时期对偶多尺度流形排序神经网络的输入，多标签流形排序优化层输出各尺度下的最优流形排序向量，经融合，根据融合结果提取语义信息。

2.如权利要求1所述的高分辨率影像语义信息提取方法，其特征是：

步骤S1中，各尺度下扩张卷积层集和非扩张卷积层集的输出结果差异由目标函数Δ决定，所述的目标函数如下：

其中：

Δ表示卷积层集与扩张卷积层集的输出结果差异；

表示扩张卷积层集的输出，*表示扩张卷积操作，表示卷积层集的输出；

表示卷积层集的输出结果；

θ₁和θ₂分别表示扩张卷积层集和卷积层集的输出结果的权重，θ₁和θ₂为经验值，且θ₁∈[0.5,3)，θ₂∈[0.5,3)。