[发明专利]基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法

权利要求书

1.一种基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法，其特征在于：包括卫星和机载传感器，所述卫星和机载传感器数据采集；

所述基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法，步骤如下：

S10.根据实际需求，自定义遥感图像中待提取的兴趣点；

S20.通过卫星和机载传感器数据采集，模数转换及图像校正；

S30.制作遥感图像集以及其对应的自定义兴趣标签；

S40.设置模糊聚类数K，并利用模糊聚类方法对遥感图像进行聚类；

先随机初始化K个三维向量作为各类的初始聚类中心，分别代表{R,G,B}三个颜色通道；

接着更新各类成员隶属度，按照各点到聚类中心的距离大小决定各点对聚类中心的隶属度；

S50.统计各类的聚类中心、成员数、颜色样本矩、位置样本矩和相应类标签，包括：对每一个类的成员做颜色样本矩这一统计量，选取2～P+1阶的P个样本矩作为颜色样本矩的统计量，第k类的p阶颜色样本矩的计算方式为：其中，代表隶属于第k类的样本颜色，MemNum_k代表第k类的成员数；所述各类样本成员所在位置的2～Q+1阶的Q个样本矩进行统计，第k类的q阶位置样本矩的计算方式为：其中，代表隶属于第k类的样本位置，MemNum_k代表第k类的成员数；各类成员在标签中的标记情况确定类标签，可对其频率进行统计，若超过阈值ξ则标记为1，否则标记为0，第k个类的类标签label_k确定的具体方式为：其中，fre_k为第k类标签的频率，ξ为阈值，设置ξ＝0.5；

对每一个类的成员做颜色样本矩这一统计量，对各类样本成员所在位置，利用各类成员在各标签中的标记情况确定类标签，可对其频率进行统计；

S60.利用上述特征和标签，重新制作数据集，并将其划分为训练集、验证集和测试集；

S70.建立神经网络模型，并利用上述数据集进行训练，确定各层神经网络模型的权值和偏差；

神经网络模型的建立过程确定神经网络的层数和各层节点数，以及选取合适的激活函数；

神经网络模型的训练过程是利用反向传递算法确定神经网络模型的模型参数θ，包括神经网络各层的权值和偏差；

S80.计算训练误差和泛化误差，根据误差的计算结果对神经网络模型的层数、各层节点数以及模糊聚类的类别数K进行调整，若不符合设定误差阈值，则调整神经网络层数、各层节点数或聚类数目，直至符合要求为止。

2.根据权利要求1所述的基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法，其特征在于：所述步骤S40中的聚类中心的计算方式为：其中Ds代表单张遥感图像的像素数目，为待聚类的点对更新前的第k个聚类中心的隶属度。

3.根据权利要求1所述的基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法，其特征在于：所述步骤S50中的聚类中心，选取模糊聚类算法收敛时的K个聚类中心作为最终各类的聚类中心，按照各点对各聚类中心的隶属程度确定该点最终所属类别，选取隶属度最大的类作为该点最终所属类。

4.根据权利要求1所述的基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法，其特征在于：所述步骤S50的成员数统计方法为：其中k代表第k个类别，为待聚类的点对更新前第k个聚类中心的隶属度。

5.根据权利要求1所述的基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法，其特征在于：所述神经网络的层数和各层节点数后续可以进行调节。