1.一种基于自适应感知机的遥感影像智能解译方法,其特征在于,包括以下步骤:S101:获取遥感影像地物解译公开数据集,对所述公开数据集进行预处理,将所述预处理后的影像数据按比例进行划分得到训练集、测试集和验证集;
S102:构建感知机模型,对所述训练数据集进行计算,输出目标地物复杂程度阈值;
S103:根据所述目标地物复杂程度阈值,选用改进UNet遥感地物解译模型,对所述公开数据集中所选解译类别地物进行训练权重迭代求解,获取遥感地物智能解译权重模型;
S104:将所述遥感地物智能解译权重模型导入所述改进UNet遥感地物解译模型,输入测试集,进行自适应遥感地物智能解译。
2.根据权利要求1所述的一种基于自适应感知机的遥感影像智能解译方法,其特征在于,
S101中的预处理包括:直方图校正和波段组合;
其中,所述直方图校正的具体内容为:将每波段的M×N个像元亮度值均减去本波段像元亮度最小值,其中,影像宽为M个像元,高为N个像元,计算如下式:式中,fij为该波段的像元亮度值,fmin为该波段像元亮度最小值,fg为经直方图校正后影像像元亮度值;
所述波段组合的具体内容为:设置不同的波段组合方式生成假彩色影像。
3.根据权利要求1所述的一种基于自适应感知机的遥感影像智能解译方法,其特征在于,
S102中所述构建感知机模型包括以下步骤:S1021:将所述预处理的公开数据集,进行图像堆叠,组成线性可分的感知机数据集,公式如下
T={(x1,y1),(x2,y2),...,(xn,yn)} (2)n n * *
式中,xi∈X=R ,yi∈Y=R ,i=1,2,...,N,xi,yi均为在最大间隔超平面ω x+b=0上*
的特征点;X为二维特征超平面的任意轴,Y为二维特征超平面中与X正交的轴,ω为二维特*
征超平面在空间直角坐标系中X‑O‑Z面上投影的斜率,b为二维特征超平面在空间直角坐标系中X‑O‑Z面上投影与Z轴的截距,n为n维特征空间,N为整数集。
S1022:定义感知机损失函数为误分类点到特征分类超平面的距离之和,如式下式所示,
其中,误分类点的感知机输出结果与真实结果的符号相反,如下式所示,融合损失函数的自适应感知机模型表达式如下式所示,式(3)‑(5)中,ω为...,M为误分类点的集合。
4.根据权利要求1所述的一种基于自适应感知机的遥感影像智能解译方法,其特征在于,
S103中改进UNet遥感地物解译模型为基于UNet模型构建2组遥感地物解译模型,具体包括:
UNet‑1模型:由9个3×3卷积模块、3个最大池化模块组成特征提取网络;
UNet‑2模型:由6个3×3卷积模块、2个最大池化模块组成特征提取网络。
5.根据权利要求4所述的一种基于自适应感知机的遥感影像智能解译方法,其特征在于,
根据所述目标地物复杂程度阈值选择对应网络深度的遥感地物解译模型,其中,所述目标地物复杂程度阈值与对所述遥感地物解译模型的对应关系为:所述目标地物复杂程度阈值>k1时,对应UNet‑2模型;k2<所述目标地物复杂程度阈值≤k1时,对应UNet‑1模型;所述目标地物复杂程度阈值≤k2时,对UNet模型,其中,k1>k2,k1、k2均为常数,且0
6.根据权利要求1所述的一种基于自适应感知机的遥感影像智能解译方法,其特征在于,
S101中对所述预处理后的影像数据按0.8:0.1:0.1比例划分为训练集、测试集、验证集;其中,所述训练集为改进UNet遥感地物解译模型训练使用的样本集,所述测试集为改进UNet遥感地物解译模型交叉验证所使用的样本集,所述验证集为改进UNet遥感地物解译模型训练结束后评估模型性能所使用的样本。
7.一种基于自适应感知机的遥感影像智能解译系统,其特征在于,应用所述权利要求
1‑6任一项所述的一种基于自适应感知机的遥感影像智能解译方法,包括依次连接的影像预处理模块、自适应感知机构建模块、特征训练模块和遥感智能解译模块;
所述影像预处理模块,用于获取遥感影像地物解译公开数据集,对所述公开数据集进行预处理后,得到预处理后的影像数据,将所述预处理后的影像数据按比例进行划分得到训练集、测试集和验证集;
所述自适应感知机构建模块,用于构建感知机模型,对所述训练数据集进行计算,输出目标地物复杂程度阈值;
所述特征训练模块,用于根据所述目标地物复杂程度阈值,选用多种尺度和多种网络深度的改进UNet遥感地物解译模型,对所述公开数据集中所选解译类别地物进行训练权重迭代求解,获取遥感地物智能解译权重模型;
所述遥感智能解译模块,用于将所述遥感地物智能解译权重模型导入所述改进UNet遥感地物解译模型,输入测试集,进行自适应遥感地物智能解译。