[发明专利]一种用于遥感图像时间序列标记样本自动增新的方法、装置和系统

说明书

本发明涉及遥感图像时间序列分类标记样本的自动增新的方法、装置和系统。该方法首先针对未分类标记的样本集中的每个未分类标记的样本，根据未分类标记的时间序列样本与已分类标记的时间序列样本集中的各类别中心之间的动态时间规整距离的远近，将样本归入相应类别的候选集，其次在各个类别的候选集中选择与已分类标记的样本集中的各个类别的类别中心区别最大的样本进行标记。本发明在迭代式的样本增新过程中，可以充分保证样本集的多样性，能够为遥感大数据监测与场景识别等应用场景提供高质量的训练数据，且实施过程完全自动，高效稳定。

技术领域

本发明涉及遥感图像处理技术领域，特别涉及主动学习技术与遥感图像分类技术。更具体地，本发明描述了一种自动样本标记技术，由少量已标记样本牵引出更多相应类别样本，以实现标记样本的自动增新。

背景技术

在遥感行业，图像分类一直都是最基础也最重要的任务之一，无论是中低分辨率的地表覆盖分类，还是高分辨率的场景分类，都是相关应用得以展开的起点。而基于遥感图像时间序列的分类，更是可以同时利用多幅影像中的信息，有效提升分类精度。在当今的大数据时代，遥感图像传感器平台源极大丰富，时间序列的数据来源已经能够满足大规模应用的需求，但还有一个长期掣肘遥感图像时间序列分类技术发展的顽疾没能解决，那就是带有类别标记数据的获取十分困难。

分类算法都需要足够多的带有类别标记的数据作为训练集。在遥感图像处理领域，挑选典型数据并赋予类别标记一直都是一件费时费力的工作，而且高度依赖标注人员的知识与技术，稳定度不高。更为棘手的是，随着大数据技术的不断发展，尤其是深度学习算法的成熟，对训练样本的数量与质量提出了更高的要求。深度学习网络的训练过程本质上就是一种见多识广的过程，需要大量且多样性好的训练样本。数据标记的困难一直阻碍着大数据技术与深度学习在遥感领域的应用。时间序列的影像数据的标注相比单独一幅影像的标注更有挑战性，需要同时兼顾一个像素位置在不同影像上的表现，而且更容易受到噪声数据的影响。

发明内容

遥感数据的数量其实是海量的，只不过都是未分类标记的数据，因此由少量的已分类标记的数据出发，自动挑选未分类标记的数据进行标记是一个适合的解决方案。与这一思路密切相关的一类方法在机器学习中叫做主动学习，但主动学习更关注的是挑选数据，并不解决自动标注，而且没有针对遥感图像时间序列构建挑选的准则。本发明在这一思路的基础上提出的方案，既解决时间序列数据的自动挑选问题，又解决自动标注问题，形成一套全自动的分类标记样本增新的方法。

本发明提出一种用于遥感图像时间序列分类标记样本的自动增新的方法、装置、系统和存储设备，以解决在遥感图像时间序列大数据分析中已分类标记样本严重不足的问题。本发明通过少量已分类标记样本精确来标注其它未分类标记的样本另外，本发明的标注过程是自动完成，无需人工干预，可以解决人工标注质量不稳定，依赖操作人员水平的问题。

为实现上述目的，本发明提出一种用于遥感图像时间序列分类标记样本的自动增新的方法，包括：

a)接收遥感图像时间序列样本，所述遥感图像时间序列样本包括已分类标记的样本集和未分类标记的样本集；

b)针对所述已分类标记的样本集，分别计算所述已分类标记的样本集的各类别的中心；

c)针对所述未分类标记的样本集中的每一个样本，分别计算其与所述各类别的中心之间的距离；

d)针对所述未分类标记的样本集中的每一个样本，确定其与哪个类别的中心之间的距离最近，并将其归入所确定的类别的候选样本集；；

e)在每一种类别的候选样本集中，选择与该类别区别最大的候选样本，将所述区别最大的候选样本转移到该类别中。

可选地，所述选择与该类别区别最大的候选样本包括：选择满足以下条件的候选样本：：