一种基于边缘精度评价的分类结果优化方法技术

本发明专利技术公开了一种基于边缘精度评价的分类结果优化方法，具体包括以下步骤：S1、对输入影像的分类类型进行判断，区分单分类和多分类，若为多分类则进行分类提取转换为单分类；S2、对单分类影像进行像元统计分析，判断影像类型；S3、使用二值影像进行地物边缘精度评价，若影像为概率影像，则先对概率影像二值化，再进行地物边缘精度评价；S4、对概率影像分值提取地物轮廓，若影像为二值影像则先进行对象分割、影像概率化将二值影像转换为概率影像；S5、基于边缘精度评价结果对分类结果进行优化；S6、对多分类影像的优化结果进行合并；本发明专利技术提出了一种基于边缘精度评价的分类结果优化方法，通过对遥感地物分类影像的边缘精度评价结果分析实现了自动化优化地物分类结果，并进一步提高影像地物边缘的分类精度。一步提高影像地物边缘的分类精度。一步提高影像地物边缘的分类精度。

【技术实现步骤摘要】
一种基于边缘精度评价的分类结果优化方法


[0001]本专利技术属于遥感分类
，尤其涉及一种基于边缘精度评价的分类结果优化方法。

技术介绍

[0002]随着遥感领域分类技术的发展，越来越多的精度评价方法和分类优化算法被提出和应用。当前分类精度的评价指标有许多，比如基于像元的Kappa系数、F1分数等。分类优化方法有传统的数学统计方法、经典的机器学习方法和新兴的深度学习方法等。但现有的研究多针对单一尺度的整体的分类结果进行精度评价，这无法同时体现出地物边缘的局部特征和全局特征。同时，现有的研究很少将精度评价方法与分类优化方法结合使用。因此，本专利技术针对以上需求提出了一种基于边缘精度评价的分类结果优化方法。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供了一种基于边缘精度评价的分类结果优化方法，解决了上述问题。
[0004]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于边缘精度评价的分类结果优化方法，包括：
[0005]S1、对输入影像的分类类型进行判断，区分单分类和多分类，若为多分类则进行分类提取转换为单分类；
[0006]S2、对单分类影像进行像元统计分析，判断影像类型；
[0007]S3、使用二值影像进行地物边缘精度评价，若影像为概率影像，则先对概率影像二值化，再进行地物边缘精度评价；
[0008]S4、对概率影像分值提取地物轮廓，若影像为二值影像则先进行对象分割、二值影像概率化将二值影像转换为概率影像；
[0009]S5、基于边缘精度评价结果对分类结果进行优化；
[0010]S6、对多分类影像的优化结果进行合并。
[0011]在上述技术方案的基础上，本专利技术还提供以下可选技术方案：
[0012]进一步的技术方案：所述S1中：
[0013]判断影像分类类型，若为多分类影像，则将多分类影像分类提取为多张单分类影像；
[0014]进一步的技术方案：所述S2中：
[0015]对单分类影像使用像元统计分析结果将其区分为概率影像或二值影像；
[0016]进一步的技术方案：所述S3的具体步骤为：
[0017]S301、若影像为概率影像，则先对概率影像二值化，再进行地物边缘精度评价；
[0018]S302、使用二值影像提取地物轮廓进行地物边缘精度评价，精度评价公式如下：
[0019][0020]其中，N表示地物轮廓的像元数量，T表示样本影像，C表示分类影像；
[0021]进一步的技术方案：所述S4的具体步骤为：
[0022]S401、对概率影像逐值提取地物轮廓；
[0023]S402、若影像为二值影像则先进行对象分割、二值影像概率化将二值影像转换为概率影像；
[0024]S403、对象分割采用的方法是提取地物轮廓、对原影像进行裁剪，最终得到影像中所有的地物对象；
[0025]S404、二值影像概率化是在S403的基础上进行，采用的方法是参考样本地物将地物对象等比例放缩，放缩因子大小由已有样本影像与分类影像地物的大小比例决定。然后以地物重心点为中心，概率赋为0，以地物轮廓为边缘，概率赋为1，地物内部像元值则按照以下公式赋值：
[0026][0027]其中，d为当前像元与地物重心点像元的距离，a为当前像元相对于重心点像元的方位角，D为当前方位角下的轮廓上的像元与重心点像元的距离；
[0028]进一步的技术方案：所述S5中：
[0029]基于边缘精度评价结果对分类结果进行优化,其主要原理为迭代寻找影像分类的局部最优阈值，最终找到全局最优阈值，然后根据最优阈值对分类结果进行优化。
[0030]进一步的技术方案：所述S6中：
[0031]若分类影像为多分类影像，在S1中已将其转换为单分类影像，因此在优化结束后需对单分类影像的优化结果进行合并；
[0032]有益效果
[0033]本专利技术提供了一种基于边缘精度评价的分类结果优化方法，与现有技术相比具备以下有益效果：
[0034]1、本专利技术通过对分类结果的精度评价，提出了一种基于像元和基于对象相结合的利用地物边缘精度评价结果寻求最优阈值进行分类结果优化的方法。利用该分类优化方法对各种分类情形进行判断和转换处理，实现了自动化优化分类结果，同时它结合了地物边缘精度评价方法进一步提高了分类结果中地物边缘的分类精度。
附图说明
[0035]图1本专利技术精度评价及分类结果优化流程图；
[0036]图2多分类影像分类提取示意图；
[0037]图3概率影像二值化示意图；
[0038]图4逐值提取地物轮廓示意图；
[0039]图5二值影像概率化示意图。
具体实施方式
[0040]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0041]以下结合具体实施例对本专利技术的具体实现进行详细描述。
[0042]请参阅图1～5，为本专利技术一种实施例提供的，本专利技术公开了一种基于边缘精度评价的分类结果优化方法，具体包括以下步骤：
[0043]S1、对输入影像的分类类型进行判断，区分单分类和多分类，若为多分类则进行分类提取转换为单分类；
[0044]S2、对单分类影像进行像元统计分析，判断影像类型；
[0045]S3、使用二值影像进行地物边缘精度评价，若影像为概率影像，则先对概率影像二值化，再进行地物边缘精度评价；
[0046]S4、对概率影像分值提取地物轮廓，若影像为二值影像则先进行对象分割、二值影像概率化将二值影像转换为概率影像；
[0047]S5、基于边缘精度评价结果对分类结果进行优化；
[0048]S6、对多分类影像的优化结果进行合并。
[0049]具体地，如图2所示，关于分类提取本专利技术使用了GDAL库对输入的多分类影像按不同的方式进行提取：如果多分类影像的像元为单一值，则通过读取影像的每一个像元值来确定地物的类别数量，并按照像元值将每一类别分别进行提取并保存为二值影像，新影像中地物的像元值赋为1，其余像元值赋为0，至此多分类影像分类提取完成；如果多分类影像的像元为包含该像元属于某类地物的概率的多维数组，则逐类逐像元提取数组中的值，并生成概率影像。
[0050]具体地，关于判断影像类型是根据像元统计分析结果，若样本影像的不同像元值的数量与分类结果影像的不同像元值的数量不一致，即两者类别数量对不上则判定为概率影像，否则为二值影像。
[0051]具体地，如图3所示，关于精度评价时若影像为概率影像，则先对概率影像二值化，二值化的阈值选取的是地物的轮廓像元值，再进行地物边缘精度评价。使用二值影像提取地物轮廓进行地物边缘精度评价，精度评价公式如下：
[0052][0053]其中，N表示地物轮廓的像元数量，T表示样本影像，C表示分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘精度评价的分类结果优化方法，其特征在于，包括以下步骤：S1、对输入影像的分类类型进行判断，区分单分类和多分类，若为多分类则进行分类提取转换为单分类；S2、对单分类影像进行像元统计分析，判断影像类型；S3、使用二值影像进行地物边缘精度评价，若影像为概率影像，则先对概率影像二值化，再进行地物边缘精度评价；S4、对概率影像分值提取地物轮廓，若影像为二值影像则先进行对象分割、二值影像概率化将二值影像转换为概率影像；S5、基于边缘精度评价结果对分类结果进行优化；S6、对多分类影像的优化结果进行合并。2.根据权利要求1所述的一种基于边缘精度评价的分类结果优化方法，其特征在于，所述S1的具体操作步骤为：输入影像，判断影像分类类型，若为多分类影像，则将多分类影像分类提取为多张单分类影像。3.根据权利要求1所述的一种基于边缘精度评价的分类结果优化方法，其特征在于，所述S2的具体步骤包括：对单分类影像使用像元统计分析结果将其区分为概率影像或二值影像。4.根据权利要求1所述的一种基于边缘精度评价的分类结果优化方法，其特征在于，所述S3的具体操作步骤为：S301、若影像为概率影像，则先对概率影像二值化，再进行地物边缘精度评价；S302、使用二值影像提取地物轮廓进行地物边缘精度评价，精度评价公式如下：其中，N表示地物轮廓的像元数量，T表示样本影像，C...

【专利技术属性】
技术研发人员：张震，李国龙，徐良骥，刘潇鹏，张坤，丁静，郭晓慧，邓超，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：