本发明专利技术公开了一种基于多源数据融合的机器视觉遥感图像场景分类方法，涉及遥感图像场景分类技术领域。所述方法包括以下步骤：首先，本发明专利技术对目标域遥感图像数据集合进行预处理，得到处理后的预分类图像数据集合。接着，采用源域的数据训练深度学习模型，提取相关特征，并通过交叉熵损失函数对训练模型中神经元权重进行更新。随后，调整训练模型的权重和结构，从而对训练模型结构进行优化。通过分布差异度量源域和目标域，再根据量化的分布差异对预分类图像数据集合进行数据拟合分析，生成训练模型融合指数，最后，通过与融合评估阈值进行对比，确定训练模型的训练状态，从而能尽快将模型投入使用，以保证遥感图像场景分类的准确性和使用效率。
1、遥感图像分类是一项使用遥感技术对地球表面或大气中的图像数据进行分类和分割的任务，涉及将遥感图像中的不同地理场景或地物类别进行自动分类，以识别和标记图像中的不同区域，这一工作对于地理信息系统、土地利用规划、资源管理、环境监测、军事情报以及许多其他应用领域具有重要价值。
2、机器视觉是计算机科学领域的一部分，涉及开发和训练计算机程序，使计算机能够理解、解释和处理视觉信息，类似人类的视觉系统。机器视觉旨在使计算机能够模拟和执行各种视觉任务，包括图像分析、物体识别、图像处理、场景理解、目标检测、人脸识别和图像分类等。
3、现有技术存在以下不足：实际应用中，在机器学习或深度学习中，训练好的训练模型在面对新、未见过的数据时表现不佳，即在很多场景分类任务中，通过收集训练数据进行模型训练，模型在训练数据上表现良好，但应用到与训练数据不同的环境、场景或数据集上时，由于类别的样本分布不平衡，容易导致模型偏向于频繁出现的训练数据类别，训练数据和测试数据之间的分布差异会导致泛化问题的产生，使得模型的泛化方向偏向模型训练的数据类别，影响遥感图像场景的分类准确性，而过多的测试数据进行训练，缺少场景分类边界，同样影响遥感图像快速分类的效率，无法快速的进行图像场景的分类。
>技术实现思路1、本专利技术的目的是提供基于多源数据融合的机器视觉遥感图像场景分类方法，以解决
技术介绍
中的不足。
2、为了实现上述目的，本专利技术提供如下技术方案：基于多源数据融合的机器视觉遥感图像场景分类方法，包括以下步骤；
3、获取源域的遥感图像数据与未进行场景分类的目标域的遥感图像数据集合，对目标域遥感图像数据集合进行预处理，得到处理后的预分类图像数据集合；
4、使用源域的数据训练深度学习模型，提取特征并学习有关不同地物和场景的知识，通过交叉熵损失函数对训练模型中神经元权重进行更新，调整训练模型的权重和结构；
5、使用分布差异度量化源域和目标域的分布差异，根据量化的分布差异对预分类图像数据集合进行数据拟合分析，得到训练模型在训练期间的训练分析结果；
6、根据训练分析结果对训练模型的图像场景进行分类，得到遥感图像场景分类结果。
7、优选的，对目标域遥感图像数据集合进行预处理，得到处理后的预分类图像数据集合，包括：
8、通过对去噪、辐射校正、几何校正、配准、波段对齐，缩放具体图像，将图像缩放至同等像素值，进行减均值除方差，移除图像的平均亮度值，剔除相同部分，增加差异化对比，图像在进行变换和处理生成新的图像样本作为处理后的预分类图像数据集合。
9、优选的，提取特征并学习有关不同地物和场景的知识，通过交叉熵损失函数对训练模型中神经元权重进行更新，调整训练模型的权重和结构，包括：
10、提取特征包括前向传播、损失计算和反向传播，前向传播生成的预测值，将真实标签和训练模型的预测概率分布之间进行交叉熵损失计算，计算公式为：式中，是损失值，表示真实标签y和训练模型的预测概率分布之间的交叉熵损失，yi表示样本的真实标签中第i个类别的标签值，表示训练模型的预测概率分布中第i个类别的概率，n表示类别的数量，反向传播计算最后输出值，再通过链式法计算梯度值，根据梯度值更新每个神经元的权重。
11、优选的，根据梯度值更新每个神经元的权重，包括：
12、将目标域与源域的数据使用相对熵进行差异计算，根据差异计算的量化结果得到目标域与源域之间的分布差异程度，根据分布差异程度确定数据拟合情况，计算公式为：式中，θ是训练模型的参数，是目标域任务的损失函数，是源域和目标域之间的kl散度，λ表示权重参数，当目标域与源域存在拟合时，对训练模型的超参数进行分析，确定训练模型的训练情况。
13、优选的，根据量化的分布差异对预分类图像数据集合进行数据拟合分析，得到训练模型在训练期间的训练分析结果，包括：
14、对具有空城抑制效应的神经元进行能量函数计算，计算公式为：式中，wt和bt分别为权重和偏移量，m为能量函数，表示能量函数最小化等价于训练同一通道内神经元t与其他神经元之间的线性可分性，使用正则项得到最小能量式，公式为：式中，γ为权重值，xgi为特征输入，再使用激活函数进行处理输入图像得到图像特征；
15、在进行激活函数对输入图像的特征提取前，对图像进行中长距离空间细化特征进行二次提取，将中长距离空间拍摄图像与近距离拍摄图像进行相似分类。
16、优选的，将中长距离空间拍摄图像与近距离拍摄图像进行相似分类，包括：
17、根据拍摄图像中的构造顶点集v与边集ea构造出邻接图；
18、通过邻接矩阵描述图像各顶点之间的关系，邻接矩阵中边的权重ai,j的获取表达式为：式中，xi、xj分别表示顶点vi与vj相关的特征向量，为函数的宽度函数，得到邻接矩阵中边的权重；
19、在迭代前进行随机结点采样，根据采样结果生成子图，子图g表示如下：p为随机结点采样器大小，n表示采样图中顶点，s表示是第s个子图和网络训练的第s个批次；
20、将子图输入神经网络再次进行处理，使用自连接的邻接矩阵和度矩阵，对聚合顶点和所有顶点之间的特征实现邻域关系的传递，再将所有子图的输入结果通过级联操作得到局部最优结果，根据局部最优结果确定拍摄图像相似情况。
21、优选的，对训练模型的超参数进行分析，确定训练模型的训练情况，包括：
22、将训练模型在训练期间产生的总体波动信息进行分析，将总体波动信息中的误差稳定信息、泛化覆盖信息进行综合处理得到训练模型融合指数，获取到训练模型融合指数后，并与融合评估阈值进行比较，确定训练模型的状态。
23、优选的，其特征在于，将总体波动信息中的误差稳定信息、泛化覆盖信息进行综合处理得到训练模型融合指数，是将误差稳定信息中的验证误差稳定系数与泛化覆盖信息中的交叉覆盖类别相关值进行联立得到训练模型融合指数，验证误差稳定系数、交叉覆盖类别相关值与训练模型融合指数成正比关系。
24、优选的，将训练模型融合指数与融合评估阈值进行比较，确定训练模型的状态，包括：
25、将生成的训练模型融合指数与融合评估阈值进行对比；
26、若训练模型融合指数大于融合评估阈值，则标记训练模型为可使用场景分类训练模型；
27、若训练模型融合指数小于等于融合评估阈值，则标记训练模型为不投入场景分类训练模型。
28、在上述技术方案中，本专利技术提供的技术效果和优点：
29、本专利技术通过目标域遥感图像数据集合进行预处理，得到处理后的预分类图像数据集合，使用源域的数据训练深度学习训练模型本文档来自技高网...
【技术保护点】
1.基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，对目标域遥感图像数据集合进行预处理，得到处理后的预分类图像数据集合，包括：
3.根据权利要求2所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，提取特征并学习有关不同地物和场景的知识，通过交叉熵损失函数对训练模型中神经元权重进行更新，调整训练模型的权重和结构，包括：
4.根据权利要求3所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，根据梯度值更新每个神经元的权重，包括：
5.根据权利要求4所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，根据量化的分布差异对预分类图像数据集合进行数据拟合分析，得到训练模型在训练期间的训练分析结果，包括：
6.根据权利要求5所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，将中长距离空间拍摄图像与近距离拍摄图像进行相似分类，包括：
7.根据权利要求6所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，对训练模型的超参数进行分析，确定训练模型的训练情况，包括：
8.根据权利要求7所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，将总体波动信息中的误差稳定信息、泛化覆盖信息进行综合处理得到训练模型融合指数是指将误差稳定信息中的验证误差稳定系数与泛化覆盖信息中的交叉覆盖类别相关值进行联立得到训练模型融合指数，验证误差稳定系数、交叉覆盖类别相关值与训练模型融合指数成正比关系。
9.根据权利要求8所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，将训练模型融合指数与融合评估阈值进行比较，确定训练模型的状态，包括：
...
【技术特征摘要】
1.基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，对目标域遥感图像数据集合进行预处理，得到处理后的预分类图像数据集合，包括：
3.根据权利要求2所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，提取特征并学习有关不同地物和场景的知识，通过交叉熵损失函数对训练模型中神经元权重进行更新，调整训练模型的权重和结构，包括：
4.根据权利要求3所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，根据梯度值更新每个神经元的权重，包括：
5.根据权利要求4所述的基于多源数据融合的机器视觉遥感图像场景分类方法，其特征在于，根据量化的分布差异对预分类图像数据集合进行数据拟合分析，得到训练模型在训练期间的训练分析结果，包括：
<...
【专利技术属性】
技术研发人员：陈燕，邓运生，夏宏兵，王艳春，杨艳，刘国永，
申请(专利权)人：蚌埠学院，
类型：发明
国别省市：
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。