欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022115606678
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于混合特征网络的卫星遥感影像云雪检测方法,其特征在于,该方法额的具体步骤如下:步骤一、影像预处理:对卫星遥感影像进行辐射定标、大气校正、拼接以及裁剪选取实验区;

步骤二、提取浅层特征:通过灰度共生矩阵、局部二值模式和超像素分割方法获得图像的浅层特征;

步骤三、提取深度热图特征:提取深度热图特征由两个部分组成,首先由深度特征提取网络进行图像深度特征的提取,获取云和雪等地物的深层次抽象特征,随后通过Heatmap模块可以获得到图像深度热图特征,所述的深度特征提取网络采用残差神经网络结构,Heatmap模块与深度特征提取网络连接,由2D平均池化层、全连接层与Heatmap层连接构成;

步骤四、特征融合与云雪检测:将浅层特征和深层热图特征融合形成混合特征,对混合特征云雪检测网络进行训练和验证;在云雪共存的情况下,应用训练好的云雪检测网络模型对不同空间分辨率遥感数据图像进行云雪提取;

混合特征云雪检测网络主要由特征融合层、四个LSTM模块和一个随机森林分类器组成;首先通过云雪检测网络的特征融合层中使用CONCAT函数将由浅层特征提取模块得到的浅层特征、由深层特征提取网络得到的深层热图特征和原始数据波段组成云雪检测混合特征;

随后混合特征被发送到具有最佳单元数的多特征LSTM的混合特征云雪检测网络进行训练和验证,以提取云和雪;每个LSTM模块的结构主要包括n个LSTM单元和dropout;最后一个LSTM模块在输出端包含了全连接层,最后通过随机森林分类器,将结果分为云、雪和其他三个类别,得到遥感图像的云雪检测结果。

2.根据权利要求1所述的基于混合特征网络的卫星遥感影像云雪检测方法,其特征在于,步骤一中,影像预处理的步骤具体如下:(a)辐射定标的方法:辐射定标就是将图像的数字量化值转化为辐射亮度值、反射率或者表面温度等物理量的处理过程;辐射定标参数一般放在元数据文件中,利用完整的遥感图像处理平台的辐射定标工具能自动从元数据文件中读取参数,从而完成辐射定标;

(b)大气校正的方法:利用完整的遥感图像处理平台的大气校正工具来消除由于大气影响所造成的辐射误差,反演地物真实的表面反射率;

(c)MOD09GA数据拼接的方法:利用MODIS Reprojection Tool软件实现不同条带号数据的拼接,形成覆盖实验区的完整数据;

(d)图像剪裁用于获得感兴趣的研究区域。

3.根据权利要求1所述的基于混合特征网络的卫星遥感影像云雪检测方法,其特征在于,步骤二提取浅层特征的步骤具体如下:(a)提取图像的GLCM特征

GLCM纹理特征可以统计图像中所包含的灰度信息,并计算出每个灰度信息的频率;

GLCM特征主要有均值Mean、标准差STD、能量ASM、对比度CON、熵ENT、逆差分矩IDM、同质性HOMO和差异性DIS,公式如下:其中,(i,j)代表图像像素对的位置,N为图像大小,p(i,j)代表特定位置关系下像素对的频率,(i‑j)代表像素对的灰度差;

(b)提取图像的LBP特征

LBP运算符取相邻的8个像素与中心像素的灰度值之差;如果相邻像素的值大于中心像素的值,则该像素的值被标记为1,否则被标记为0,然后进行矩阵编码,将8位二进制数转换成十进制数作为中心像素的LBP值;LBP可以用以下公式计算;

其中,(xc,yc)代表中心像素点,hC代表中心像素点的灰度值;以像素点(xc,yc)为圆心,以R为半径的圆圈区域被定义为中心像素点的邻域,N代表场内像素点的数量,hn为邻域像素点的灰度值;

(c)提取图像的SEEDS特征

SEEDS算法具体步骤如下所示:

(1)使用K个网格对图像进行预分割;K即为最终分割出的超像素的个数;规定第k个超像素区域用Ak表示;

(2)计算颜色表达项H(s);首先为每个超像素区域建立一个颜色直方图,将颜色空间划分为若干区域,每个区域在直方图中用一个箱格表示,记为Hj;定义 作为Ak中像素在颜色直方图中的分布,如公式(11);

其中,I(i)代表像素i的颜色;Z是一个规范化因子,用于将公式归一化;δ()是一个指示函数,当像素i的颜色落在颜色直方图的箱格j中时,δ()值取1;再定义一个函数ψ(CAk),用来衡量每个超像素区域中的颜色分布;如式(12)所示;

当超像素区域中的像素在颜色直方图中越集中,取值越大,当所有的像素都集中在颜色直方图的同一个箱格上时,取值达到最大,为1;在此基础上,可得到所有超像素颜色项的和,如式(13)所示;

(3)计算边缘表达项G(s);G(s)通过惩罚超像素边缘之间的局部不规整性,来帮助产生贴合目标轮廓的边缘;首先用N×N的网格分割图像,然后为每个网格建立直方图;每个直方图中有K个箱格,代表着K个超像素.然后统计每个网格中的像素在直方图中的分布,定义Ni表示像素包含i的网格,则直方图可以用式(14)表示;

为了使得超像素拥有更好、更平滑的边缘,需要只包含一个超像素的网格尽可能多;所以用式(15)定义边缘项G(s);

当Ni中的像素只属于一个超像素时,G(s)取值达到最大;

(4)迭代的实现超像素分割;在每次迭代中选取能量最低的超像素,将边缘附近的像素移入邻居超像素,使颜色分布更集中;最后设定迭代次数。

4.根据权利要求1所述的基于混合特征网络的卫星遥感影像云雪检测方法,其特征在于,步骤三提取深度热图特征中残差神经网络中第一部分由一个卷积层、BN层、Relu层和Maxpool串联组成;

第二部分为四个构建层,每个构建层由CONV BLOCK模块和多个IDENTITY BLOCK模块串联组成,CONV BLOCK模块是一个由一组3个卷积层首尾串联的组合和一个卷积层分别与Relu串联的并列组合形成的残差块,其中以一个卷积层与Relu串联作为残差线;IDENTITY BLOCK模块是一个包含了一组由3个卷积层首尾串联的组合和一个作为残差线的Relu层的残差块;

第一构建层中包含2个IDENTITY BLOCK模块,第二构建层中包含3个IDENTITY BLOCK模块,第三构建层中包含5个IDENTITY BLOCK模块,第四构建层中包含2个IDENTITY BLOCK模块。

5.根据权利要求1所述的基于混合特征网络的卫星遥感影像云雪检测方法,其特征在于,步骤四特征融合与云雪检测中混合特征云雪检测网络中LSTM的最佳单元数对于Landsat 8卫星数据n为17,对于FY3D‑MERSI卫星数据n为15,对于高分卫星和资源卫星数据n为14。