[发明专利]基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法

摘要

基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法，包括：基于OpenStreetMap数据自动生成目标域的影像对象样本集；采用与目标域影像具有相同成像传感器的源域影像，基于其历史分类图自动生成源域的影像对象样本集；综合以上目标域和源域样本集形成混合样本集，用于训练基于随机森林的迁移学习算法分类器；采用最终分类器预测目标域影像对象类型，以此得到最终分类结果。本发明在没有人工标注目标域影像类别的情况下，可以从OpenStreetMap数据中提取目标域影像对象的标签，通过挖掘相同传感器影像的历史分类图信息，结合目标域影像样本集，采用迁移学习算法对影像进行分类，降低了分类成本，可应用于大范围高空间分辨率遥感影像分类工作。

主权项

1.基于OpenStreetMap(OSM)的高空间分辨率遥感影像迁移学习分类方法，包括如下步骤：/n步骤1：基于OSM数据自动生成目标域样本集，包括以下过程：/n(11)准备研究区的高空间分辨率遥感影像和相同空间范围的OSM数据，选择稳定、/n明显的控制点，对栅格影像与矢量数据进行空间配准；/n(12)基于OSM数据生成像素级标签，过程如下：/n(12a)对于需要把目标域影像分为n(n>1)种地类的情况，记类型集合为Y＝{1,2,...,n}，根据类型集合Y，从OSM数据中挑选感兴趣的标签，把OSM标签合并为集合Y中的一类或保持原始标签不变，给OSM矢量数据表中新建字段class，class的值为OSM对应集合Y中类别的编号；/n(12b)把矢量OSM数据栅格化，栅格的像素值为OSM矢量表中class字段对应的值，栅格的空间分辨率与目标域影像一致，由此得到目标域影像的像素级标签；/n(13)目标域影像对象生成及特征计算，过程如下：/n(13a)采用影像分割算法获取一系列具有空间同质性的影像对象，这里采用均值漂移算法分割目标域影像：首先，把影像转换至LUV特征空间，转换后每个像素的空间位置与特征对应一个5维向量(x,y,l*,u*,v*)，其中，x和y表示空间位置，l*表示图像亮度，u*和v*表示色度；确定核函数及带宽后对LUV图像进行均值漂移滤波；在此基础上，对影像进行聚类并标记区域，从而实现影像分割；/n(13b)计算影像对象的光谱、纹理和几何特征：采用波段计算获得影像对象的归一化植被指数均值与标准差、归一化水体指数均值与标准差，采用光谱统计信息获取影像对象各波段的最大值、最小值、均值与标准差，采用影像对象的几何形状获取其边长、长度、宽度、长宽比、对称度、紧致度、形状指数、角点数目、主方向，采用灰度共生矩阵计算影像对象的相异性、同质性、对比度、角二阶矩、熵、最大概率的六类纹理信息；/n(14)目标域样本集生成，过程如下：由步骤(12)中栅格化的OSM类别信息和步骤(13)中得到的目标域影像对象，按空间位置统计目标域影像对象中每种类型出现的比例，当占比最大的类型比例超过阈值θ时，该类型会被选为对象的标签，具体规则如下：/n