[发明专利]一种基于AT-EnFCM-SCNN的灾害环境特征提取方法

说明书

本发明涉及基于AT‑EnFCM‑SCNN的灾害环境特征提取方法，是一种对灾害环境进行特征提取的方法，属于图像处理和机器学习领域，其特征在于采用如下步骤：(1)确定梯度图像的多尺度开重建；(2)确定聚类中心；(3)计算隶属度；(4)确定是否达到迭代条件；(5)确定卷积神经网络的损失函数。本发明有效的解决了传统灾害环境图像分割形态单一，需要大量训练样本的问题，提供了更多的局部空间信息，较好的改进了预分割性能，有效的改善了传统灾害识别图像处理中噪声干扰与过度分割的问题，克服了单一尺度下目标提取不完整，有效的保证了较大全局目标的正确提取。为灾害环境信息特征提取域提供了一种拥有较高提取准确率的方法。

技术领域

本发明涉及图像处理和机器学习领域，是一种对灾害环境进行特征提取的方法。

背景技术

目前灾害环境的监测依靠对地理环境图像变化分析，同时图像库中检索各种灾害对应图像，达到识别灾害类型，做出预警，传统的灾害环境监测系统有分模块特征匹配和聚类算法。对于聚类算法，图像背景会严重影响检索精度，并且由于灾害环境的方向趋势的改变也会降低图像检索精度，从而导致图像检索失败。采用分模块特征匹配方法结合模糊信息融合和分组监测方法，容易导致特征值权重识别错误，对于重点特征的噪声干扰影响灾害环境类型的准确识别。灾害环境的多样性、复杂性导致上述技术在实际的应用中存在较大的错误识别概率。

在灾害环境识别问题，最关键的是对于复杂灾害场景识别的准确性和识别效率，准确性关乎到是否可以正确识别灾害种类，做出相应的研判。识别效率则是影响灾害环境发生后快速做出反应的时间，因此对于环境灾害的识别技术提出了更高的要求。因此，要实现灾害环境的识别监测，提出了一种基于稀疏卷积神经网络的加强模糊算法，通过对图像的有效分割，准确提取灾害环境像特征。相较于深度学习分割方法中图像大小固定，形状单一的缺点，提供了更好的局部空间信息，有效的改善了预分割性，降低噪声干扰，避免出现过渡分割现象导致的对目标提取不完整，灾害环境的准确、高效率识别提供保障。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于AT-EnFCM-SCNN的灾害环境特征提取方法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定梯度图像的多尺度开重建R^rec(g,r₁,r₂)：

首先，对梯度图像进行开重建操作，确定R^o(g)：

R^o(g)＝R^d(R^e(g))

式中，g为初始梯度图像，R^o为开重建运算，R^d为膨胀操作，R^e为腐蚀操作。对开重建结果进行多尺度操作，选用不同的尺度半径进行梯度图像的重建，同时对这些梯度图像进行融合，得到梯度图像的多尺度开重建R^rec(g,r₁,r₂)：

式中，r₁为最小尺度半径，r₂为最大尺度半径，R^rec为尺度重建运算。采用分水岭进行分割，确定原始灾情信息的超像素图像。

(2)确定聚类中心v_k：

根据上一步骤得到的超像素图像，确定更新聚类中心的方式：