【技术实现步骤摘要】
本专利技术涉及图像处理和计算机视觉领域,尤其涉及一种基于图像分割后根据对象域中对象特征属性的分类规则集确定方法,即一种面向对象的分类规则集自动构建方法。
技术介绍
在面向对象分类过程中,通过对图像中相邻同质像元进行合并而形成图像对象,虽然丢失了部分像素信息,但同时获得了大量基于对象的光谱、形状、纹理等特征,利用大量的基于对象特征进行分类,能够有效的避免基于像元分类的椒盐效应,同时提高信息提取的精度。规则集的建立是面向对象分类的关键技术,该方法易于理解,运行时间短,可移植性较强,同时能够实现目标类型的单独提取,优势明显,但也有不足,在基于规则的信息提取中,面对上百种基于对象的特征,目前多依靠经验选择目标类型的特征,然后通过反复试验的方法来手动确定阈值,在该过程中:①难以确定有效的分类特征②难以确定有效的分类阈值③难以确定不同地物和不同特征的提取顺序和难度。针对上述规则集建立过程中的难点,本专利技术提出基于典型样本的特征预选,子类型特征分离度和阈值计算,以及在各个子类构建规则的基础上,对规则进行分层分类优化等实现规则集的自动确定方法,是当前面向对象规则集构建的重要趋势。
技术实现思路
本专利技术的目的在于提供一种面向对象的分类规则集自动构建方法,即基于图像分割后根据对象域中对象特征属性的分类规则集确定方法。包括如下步骤:步骤(1)输入待分类图像对象样本特征集;步骤(2)计算所有样本两两特征的相关性指数Ri,j,并分别求解各子类样本特征值的内部差异指数Stdi;步骤(3)根据研究需求,对步骤(2)所得Ri,j和Stdi设定阈值,以去除部分冗余特征;步骤(4)利用J ...
【技术保护点】
一种面向对象的分类规则集自动构建方法,其特征在于,包括如下具体步骤:步骤(1)输入待分类图像对象样本特征集;步骤(2)计算所有样本两两特征的相关性指数Ri,j,并分别求解各子类样本特征值的内部差异指数Stdi;步骤(3)根据研究需求,对步骤(2)所得Ri,j和Stdi设定阈值,以去除部分冗余特征;步骤(4)利用J‑M距离和高斯概率分布公式计算各子类间各特征分离度J和分离阈值Th,然后计算各非目标子类的NT值,对NT值为1的非目标子类建立规则进行掩膜去除;步骤(5)利用步骤(4)确定的各子类间各特征的分离度和分离阈值,计算各目标子类的T值,对T值为1的目标子类建立规则进行掩膜提取;步骤(6)依据步骤(4)确定的剩余各子类间的分离度和分离阈值,计算各子类规则的分离度均值RJM,对RJM值最高的子类建立规则优先进行掩膜提取。步骤(7)在步骤(6)提取子类后更新剩余子类数量,再次执行步骤(6),直至提取到所有子类。步骤(8)建立规则合并所有目标子类,并将所有建立的规则合并为规则集。
【技术特征摘要】
1.一种面向对象的分类规则集自动构建方法,其特征在于,包括如下具体步骤:步骤(1)输入待分类图像对象样本特征集;步骤(2)计算所有样本两两特征的相关性指数Ri,j,并分别求解各子类样本特征值的内部差异指数Stdi;步骤(3)根据研究需求,对步骤(2)所得Ri,j和Stdi设定阈值,以去除部分冗余特征;步骤(4)利用J-M距离和高斯概率分布公式计算各子类间各特征分离度J和分离阈值Th,然后计算各非目标子类的NT值,对NT值为1的非目标子类建立规则进行掩膜去除;步骤(5)利用步骤(4)确定的各子类间各特征的分离度和分离阈值,计算各目标子类的T值,对T值为1的目标子类建立规则进行掩膜提取;步骤(6)依据步骤(4)确定的剩余各子类间的分离度和分离阈值,计算各子类规则的分离度均值RJM,对RJM值最高的子类建立规则优先进行掩膜提取。步骤(7)在步骤(6)提取子类后更新剩余子类数量,再次执行步骤(6),直至提取到所有子类。步骤(8)建立规则合并所有目标子类,并将所有建立的规则合并为规则集。2.根据权利要求1所述的面向对象的分类规则集自动构建方法,其特征在于,步骤(2)中所述的相关性指数和内部差异指数如下:Ri,j=Σl=1K(xil-x‾i)(xjl-x‾j)Σl=1K(xil-x‾i)2Σl=1K(xjl-x‾j)2]]>Stdi=1K-1Σl=1K(xil-x‾i)2]]>其中,K表示所有样本的总数,表示特征集中第l个样本的第i个特征,表示所有样本中第i个特征的均值。3.根据权利要求1所述的面向对象的分类规则集自动构建方法,其特征在于,步骤(4)中所述的J-...
【专利技术属性】
技术研发人员:邓劲松,付勇勇,周梦梦,沈掌泉,朱恩燕,贾红珍,王珂,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。