[发明专利]基于自适应样本集构造与深度学习的遥感影像解译方法

权利要求书

1.一种基于自适应样本集构造与深度学习的遥感影像解译方法，其特征在于，包括如下步骤：

步骤1，对样本总集进行特征提取，并对提取的特征进行聚类，构建视觉词袋模型的特征词典，得到样本子集；

步骤2，构建基于深度学习网络的解译模型，并先后输入样本总集和聚类的样本子集对解译模型进行训练，分别得到总解译模型和与各样本子集相对应的子解译模型；

步骤3，采用总解译模型以及根据待解译遥感影像的影像特征选取的合适的若干子解译模型，对待解译遥感影像进行自适应解译；

步骤1中获得样本子集的具体步骤为：

步骤1.1，将样本总集中所有影像划分为若干影像块，提取每个影像块的CS-LBP特征，获得CS-LBP直方图；

步骤1.2，对提取的CS-LBP直方图进行主分量变换，取其中降维到5～10维后的数据集，并根据最大值最小值进行归一化得到纹理特征向量；

步骤1.3，采用K-means聚类方法将所有影像块的纹理特征向量进行聚类，并构建视觉词袋模型；

步骤1.4，通过统计每个CS-LBP特征对应视觉词袋模型中的单词在影像中出现的次数，并对样本总集中所有影像进行聚类，构建视觉词袋模型的特征词典，获得样本子集；

步骤3中对待解译遥感影像进行自适应解译的具体步骤如下：

步骤3.1，将待解译遥感影像进行分块处理；

步骤3.2，通过步骤1的特征提取方式提取每一小块影像的CS-LBP特征，并生成视觉单词直方图；

步骤3.3，采用直方图相交法分别计算每一小块影像的CS-LBP特征与每个样本子集特征的相似度；

步骤3.4，选取相似度最高的若干个子解译模型以及总解译模型进行解译，并对解译结果进行概率加权处理，得到每小块影像的解译结果；

步骤3.5，对所有小块影像的解译结果进行组合，获得整幅待解译遥感影像的解译结果。

2.根据权利要求1所述的基于自适应样本集构造与深度学习的遥感影像解译方法，其特征在于：所述CS-LBP特征的提取公式为：

其中，N表示半径为R时邻域像素的个数；I_i表示第i个像素点的灰度值；I_c表示中心像素的灰度值，I_i和I_i+(N/2)即是以中心像素为对称中心的两个像素的灰度值；T是一个反应平坦区域灰度值波动的阈值。

3.根据权利要求1所述的基于自适应样本集构造与深度学习的遥感影像解译方法，其特征在于：步骤1.2中对提取的CS-LBP直方图进行主分量变换的步骤如下：

步骤A1，将每个影像块的CS-LBP特征按列组成矩阵X；

步骤A2，将矩阵X按行均值化，即先求每一行的均值，然后该行的每个元素都减去这个均值；

步骤A3，求协方差矩阵C；

步骤A4，计算出协方差矩阵C对应的特征向量；

步骤A5，将特征向量按对应的特征值的大小，从上而下按行排列成矩阵，并取前5～10行组成矩阵P；

步骤A6，按照Y＝PX计算获得降维后的数据集。

4.根据权利要求1所述的基于自适应样本集构造与深度学习的遥感影像解译方法，其特征在于：步骤1.3中采用K-means聚类方法将所有影像块的纹理特征向量进行聚类的具体步骤为：

步骤B1，在纹理特征样本中随机选取k个样本点作为各个簇的中心点；

步骤B3，计算所有样本点与各个簇中心之间的距离，然后把样本点划入最近的簇中；

步骤B3，根据簇中已有的样本点，重新计算簇中心；

步骤B4，重复步骤B2-B3，遍历纹理特征样本中所有可能的样本点。

5.根据权利要求1所述的基于自适应样本集构造与深度学习的遥感影像解译方法，其特征在于：步骤2中所述的深度学习网络为AlexNet、VGGNet、ResNet中的任一种。

6.根据权利要求1所述的基于自适应样本集构造与深度学习的遥感影像解译方法，其特征在于：步骤3.1中对待解译遥感影像进行分块处理的切片规格大小为512*512。

7.根据权利要求1所述的基于自适应样本集构造与深度学习的遥感影像解译方法，其特征在于：步骤3.3中采用直方图相交法计算相似度的公式如下：

其中，H_Q(k)和H_D(k)分别是影像块和样本子集特征的统计直方图，P(Q,D)为二者之间的相似度，k为影像的特征取值，L为特征可取值个数。