[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

摘要

本发明涉及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，首先卫星和机载传感器数据采集获取遥感图像数据集，依据遥感图像的色彩特征对遥感图像进行模糊聚类；利用聚类结果对各类的聚类中心、成员数、颜色样本矩、位置样本矩进行统计，并确定相应的标签，据此重新制作数据集，并将数据集划分为训练集、验证集和测试集；建立神经网络模型并利用自建的数据集进行模型训练和测试，不断调整模型参数及聚类数，直至误差符合要求为止，克服了现有遥感图像特征提取技术中提取对象单一性的缺点，对自定义的兴趣点进行提取，重新构造了数据集的特征，降低了数据维数，节约了计算资源，同时取得了良好的提取效果。

主权项

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；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。