一种遥感影像特征质量评价方法技术

本申请公开了一种遥感影像特征质量评价方法，包括：确定遥感影像特征质量评价指标，所述评价指标包括：类间区分度和类内聚合度；通过计算与特征图可视化确定类间区分度的值域和类内聚合度的值域对所述评价指标进行评价；建立对遥感影像特征质量的定量评价策略用于对遥感影像特征质量进行评价。根据确定的评价指标，以统计分析技术为基础，确定类间区分度和类内聚合度的值域，建立对特征质量的定量评价方法，用于对特征提取结果的质量进行评价。实现了提取同时具有较高类间区分度和较高类内聚合度的特征，后续可以根据质量评价达到进一步提高特征质量的目标，对于遥感影像特征质量评价和遥感影像信息提取有着深远意义。量评价和遥感影像信息提取有着深远意义。量评价和遥感影像信息提取有着深远意义。

【技术实现步骤摘要】
一种遥感影像特征质量评价方法


[0001]本申请涉及遥感影像处理
，具体涉及一种遥感影像特征质量评价方法。

技术介绍

[0002]随着遥感技术的不断发展，在过去的几十年里，人类发射了多颗人造地球卫星，包括对地观测、气象等卫星，这些人造地球卫星卫星被广泛的应用到军事、空间探索、通讯以及资源检测等领域中，其分辨率也在不断地优化，从最开始的百十级到现在的一米甚至一米以下的更高精度的分辨率卫星，这使得卫星获得的数据更加准确、丰富和全面。
[0003]近年来,随着空间技术的日益发展,高空间分辨率、高光谱分辨率、高时间分辨率以及微波等探测技术，不断地在各个领域得到应用。特征提取是从遥感图像上提取信息的关键步骤。对于结果的精度有着重要影响。如何提取出同时兼有较高的类间区分度和较高的类内聚合度的特征，一直是图像处理领域研究者关注的问题。
[0004]在目前利用深度学习技术从遥感图像中提取信息的技术中，大多仅重视最终提取结果的精度，但不重视对特征质量进行评价，导致模型的可移植性比较差，不能具有更强的适应不同数据集的能力。

技术实现思路

[0005]本申请为了解决上述技术问题，提出了如下技术方案：
[0006]第一方面，本申请实施例提供了一种遥感影像特征质量评价方法，所述方法包括：确定遥感影像特征质量评价指标，所述评价指标包括：类间区分度和类内聚合度；通过计算与特征图可视化确定类间区分度的值域和类内聚合度的值域对所述评价指标进行评价；建立对遥感影像特征质量的定量评价策略用于对遥感影像特征质量进行评价。
[0007]采用上述实现方式，根据确定的评价指标，以统计分析技术为基础，确定类间区分度和类内聚合度的值域，建立特征质量的定量评价方法，用于对特征提取结果的质量进行评价。后续可以根据质量评价达到提高特征质量的目标，有利于提取同时具有较高的类间区分度和较高的类内聚合度的特征，对于遥感影像特征质量评价有着深远意义。
[0008]结合第一方面，在第一方面第一种可能的实现方式中，所述确定遥感影像特征质量评价指标，所述评价指标包括：类间区分度和类内聚合度，包括：
[0009]利用卷积神经网络生成遥感影像的特征图，其中：每一个通道学习不同的特征，根据特征图可视化结果显示，浅层学习获得具体的特征，深层学习获得抽象的特征；
[0010]利用SoftMax作为分类器，使用特征图作为分类器输入，得到逐像素分类结果，通过对结果的可视化展示，并与人工制作的标记图进行对比确定识别不准确的区域；
[0011]将图像的每一个像素点的特征值进行输出，并将识别不准确区域的像素的特征值筛选出单独保存；
[0012]针对所述特征值确定类间区分度与类内聚合度两个评价指标；
[0013]以像素的类别标记为依据，对像素的特征进行分组，同类像素的特征分为一组。
[0014]结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，获得类内聚合度的评价指标Sim为：
[0015]Sim＝1/R(F)+1/H(F)+1/R(Item)+1/H(Item)
ꢀꢀꢀ
(1)
[0016]Sim表示总的类内聚和度：R(F)表示特征级加权平均聚集半径，R(Item)代表分量级加权平均聚集半径，H(F)表示特征级加权平均聚集度，H(Item)表示分量级加权平均聚集度。
[0017]结合第一方面第一种可能的实现方式，在第一方面第三种可能的实现方式中，获得类间区分度的评价指标为：
[0018]Diff＝D(F)+1/C(F)+D(Item)+1/C(Item)
ꢀꢀꢀ
(2)
[0019]Diff表示类间区分度，D(F)表示特征级加权平均类间距离，C(F)表示特征级加权平均类间覆盖度，D(Item)表示分量级加权平均类间距离，C(Item)表示分量级加权平均类间覆盖度。
[0020]结合第一方面第三种可能的实现方式，在第一方面第四种可能的实现方式中，确定类内聚合度的值域，包括：
[0021]步骤1：计算每一个同类组的权重，对于第i个同类特征组，其权重使用公式(3)确定：
[0022]W(i)＝Count(i)/Count(total)
ꢀꢀꢀ
(3)
[0023]其中：W(i)表示第i个同类特征组的权重，Count(i)为该组的特征向量的个数，Count(total)为所有组的特征向量的总个数；
[0024]步骤2：对每一个同类组的特征向量，为每一个特征分量确定一个分量中心值，特征分量中心值的计算方法为；
[0025]Item
i,j,center
＝(Item
i,j,high
‑
Item
i,j,low
)/2+Item
i,j,low
ꢀꢀꢀ
(4)
[0026]Item
i,j,center
表示第i个同类组的第j号特征分量中心值，Item
i,j,high
表示第i个同类组的第j号特征分量的最大值，Item
i,j,low
表示第i个同类组的第j号特征分量的最小值；
[0027]步骤3：对每一个同类组的特征向量，确定每个特征分量的聚集半径；计算公式为：
[0028]R(Item
i,j
)＝(Item
i,j,high
‑
Item
i,j,low
)/2
ꢀꢀꢀ
(5)
[0029]R(Item
i,j
)表示第i个同类组第j号分量的聚集半径；
[0030]步骤4：对每一个同类组的特征向量，确定分量级平均聚集半径的公式为：
[0031]R(Item
i
)＝(ItemWeight(i,1)/ItemWeight(i,total))*R(Item
i,1
)+(ItemW eight(i,2)/ItemWeight(i,total))*R(Item
i,2
)+
…ꢀꢀꢀ
(6)
[0032]其中：R(Item
i
)表示第i个同类组的分量级平均聚集半径，ItemWeight(i,1)是经过训练后的softmax函数为该同类组的1号特征分量确定的权重系数，ItemWeight(i,2)是经过训练后的softmax函数为该同类组的2号特征分量确定的权重系数，ItemWeight(i,total)为该同类组所有权重系数的总和；
[0033]步骤5：计算分量级加权平均聚集半径，计算公式为：
[0034]R(Item)＝W(1)*R(Item1)+W(2)*R(Item2)+
…ꢀꢀꢀ
(7)
[0035]步骤6：对于特征分量，定义分量值与分量中心值的距离|h|的计算公式为：
[0036本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感影像特征质量评价方法，其特征在于，所述方法包括：确定遥感影像特征质量评价指标，所述评价指标包括：类间区分度和类内聚合度；通过计算与特征图可视化确定类间区分度的值域和类内聚合度的值域对所述评价指标进行评价；建立对遥感影像特征质量的定量评价策略用于对遥感影像特征质量进行评价。2.根据权利要求1所述的遥感影像特征质量评价方法，其特征在于，所述确定遥感影像特征质量评价指标，所述评价指标包括：类间区分度和类内聚合度，包括：利用卷积神经网络生成遥感影像的特征图，其中：每一个通道学习不同的特征，根据特征图可视化结果显示，浅层学习获得具体的特征，深层学习获得抽象的特征；利用SoftMax作为分类器，使用特征图作为分类器输入，得到逐像素分类结果，通过对结果的可视化展示，并与人工制作的标记图进行对比确定识别不准确的区域；将图像的每一个像素点的特征值进行输出，并将识别不准确区域的像素的特征值筛选出单独保存；针对所述特征值确定类间区分度与类内聚合度两个评价指标；以像素的类别标记为依据，对像素的特征进行分组，同类像素的特征分为一组。3.根据权利要求2所述的遥感影像特征质量评价方法，其特征在于，获得类内聚合度的评价指标Sim为：Sim＝1/R(F)+1/H(F)+1/R(Item)+1/H(Item)
ꢀꢀ
(1)Sim表示总的类内聚和度：R(F)表示特征级加权平均聚集半径，R(Item)代表分量级加权平均聚集半径，H(F)表示特征级加权平均聚集度，H(Item)表示分量级加权平均聚集度。4.根据权利要求2所述的遥感影像特征质量评价方法，其特征在于，获得类间区分度的评价指标为：Diff＝D(F)+1/C(F)+D(Item)+1/C(Item)
ꢀꢀ
(2)Diff表示类间区分度，D(F)表示特征级加权平均类间距离，C(F)表示特征级加权平均类间覆盖度，D(Item)表示分量级加权平均类间距离，C(Item)表示分量级加权平均类间覆盖度。5.根据权利要求4所述的遥感影像特征质量评价方法，其特征在于，确定类内聚合度的值域，包括：步骤1：计算每一个同类组的权重，对于第i个同类特征组，其权重使用公式(3)确定：W(i)＝Count(i)/Count(total)
ꢀꢀ
(3)其中：W(i)表示第i个同类特征组的权重，Count(i)为该组的特征向量的个数，Count(total)为所有组的特征向量的总个数；步骤2：对每一个同类组的特征向量，为每一个特征分量确定一个分量中心值，特征分量中心值的计算方法为；Item
i,j,center
＝(Item
i,j,high
‑
Item
i,j,low
)/2+Item
i,j,low
ꢀꢀ
(4)Item
i,j,center
表示第i个同类组的第j号特征分量中心值，Item
i,j,high
表示第i个同类组的第j号特征分量的最大值，Item
i,j,low
表示第i个同类组的第j号特征分量的最小值；步骤3：对每一个同类组的特征向量，确定每个特征分量的聚集半径；计算公式为：R(Item
i,j
)＝(Item
i,j,high
‑
Item
i,j,low
)/2
ꢀꢀ
(5)
R(Item
i,j
)表示第i个同类组第j号分量的聚集半径；步骤4：对每一个同类组的特征向量，确定分量级平均聚集半径的公式为：R(Item
i
)＝(ItemWeight(i,1)/ItemWeight(i,total))*R(Item
i,1
)+(ItemWeight(i,2)/ItemWeight(i,total))*R(Item
i,2
)+
…ꢀꢀ
(6)其中：R(Item
i
)表示第i个同类组的分量级平均聚集半径，ItemWeight(i,1)是经过训练后的softmax函数为该同类组的1号特征分量确定的权重系数，ItemWeight(i,2)是经过训练后的softmax函数为该同类组的2号特征分量确定的权重系数，ItemWeight(i,total)为该同类组所有权重系数的总和；步骤5：计算分量级加权平均聚集半径，计算公式为：R(Item)＝W(1)*R(Item1)+W(2)*R(Item2)+
…ꢀꢀ
(7)步骤6：对于特征分量，定义分量值与分量中心值的距离|h|的计算公式为：|h|＝|Item
i,j,x
‑
Item
i,j,center
|
ꢀꢀ
(8)Item
i,j,x
表示第i个同类组j号分量的某个分量值；步骤7：对每一个同类组的特征向量，确定每个特征分量的聚集度,计算公式为：H(Item
i,j
)＝|h
i,j,1
|+|h
i,j,2
|+|h
i,j,3
|+..
ꢀꢀ
(9)其中H(Item
i,j
)表示第i组第j号分量的聚集度；步骤8：对于每一个同类组，计算该组的平均聚集度；H(Item
i
)＝(ItemWeight(i,1)/ItemWeight(i,total))*H(Item
i,1
)+(ItemWeight(i,2)/ItemWeight(i,total))*H(Item
i,2
)+
…ꢀꢀ
(10)；其中H(Item
i
)表示第i组的平均聚集度；步骤9：计算分量级加权平均聚集度，计算公式为(11)：H(Item)＝W(1)*H(Item1)+W(2)*H(Item2)+
…ꢀꢀ
(11)步骤10，对于每一个同类组，确定一个中心特征向量；F_Center＝<Item
i,1,center
,Item
...

【专利技术属性】
技术研发人员：张承明，吴门新，李峰，许夏妃，张继波，张景涵，王梦楠，宋姿睿，张宁，梁晓力，程傲，帅丽华，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：