【技术实现步骤摘要】
本专利技术涉及卫星遥感影像处理，特别涉及一种基于卫星影像的跨域地物分类微调样本自动化选择方法。
技术介绍
1、在土地覆盖、土地分类和土地利用的应用中，卫星遥感影像作为重要的信息获取源，发挥着至关重要的作用。在进行卫星遥感影像解译时，通常需要先利用充足的训练样本库构建预测模型，再利用该模型对目标卫星遥感影像进行解译。在针对新的卫星遥感影像进行解译时，之前构建的模型往往是不适用的。因为之前获取的训练样本可能已经过时，无法满足同分布假设的要求。在这种情况下，如果继续使用这些样本进行预测学习，可能会影响结果的准确性。
2、多种因素如大气吸收与散射、传感器标定、太阳高度角、方位角、物候时相以及数据处理过程等，都会对卫星传感器获取的地物光谱数据造成影响。这些数据随着时间的推移而发生变化，导致训练样本的光谱值与当前影像数据的光谱值服从不同的概率统计分布。因此，已训练的模型无法适用于这种情况。为了满足当前影像解译任务的需求，需要重新标注样本对已有模型进行微调。
3、在卫星遥感影像的智能解译中，样本选择是非常关键的一环。如何能够在最小化时间、人力和物力消耗下选择样本集，高精度完成解译任务是当前遥感智能解译应用中需要解决的问题。当前存在两种方式进行样本选择方式，一种是基于人工筛选，一种是通过多模型对比进行差异性选择。然而，现有的样本选择方法存在一些不足：
4、(1)数据多样性不足：在选择样本时，可能没有充分考虑到卫星遥感影像中的各种情况和变化，导致所选样本过于相似或不够全面，无法覆盖影像中的各种细节和特征。>
5、(2)缺乏动态调整：卫星遥感影像随时间变化，而现有的样本选择方法往往没有考虑到这种时间变化，导致所选样本可能不适应后续的卫星遥感影像。
6、(3)样本代表性不足：以人工挑选为主的样本选择方式，往往会忽视已有模型的效果，造成样本不具备代表性。
7、(4)计算效率低下：由于卫星遥感影像的数据量大，计算复杂度高，现有的自动化样本选择方法需要多个模型相互对比，显著提升计算复杂度。
技术实现思路
1、本专利技术要解决现有技术中的技术问题，提供一种基于卫星影像的跨域地物分类微调样本自动化选择方法。
2、为了解决上述技术问题，本专利技术的技术方案具体如下：
3、一种基于卫星影像的跨域地物分类微调样本自动化选择方法，包括以下步骤：
4、s1：获取初始解译模型、待解译影像和中分辨率地表覆盖分类成果；
5、s2：将待解译影像输入初始解译模型，获取解译结果与解译各类别概率分布；
6、s3：构建高价值样本选择框架，所述样本选择框架包括样本价值度量计算、样本筛选策略与标注、模型微调与评估、筛选准则；
7、s4：根据样本筛选策略从待解译影像中选择候选影像作为待标注样本集，对候选样本进行人工标注获得微调样本集；
8、s5：依据微调样本集对初始解译模型进行微调与模型评估，获取最优解译模型；
9、s6：依据筛选准则，重复s3-s5步骤，待满足筛选准则之后获取最终的微调样本集。
10、在上述技术方案中，步骤s3具体包括：
11、s31：构建样本价值度量体系并计算样本价值；
12、s32：构建样本筛选策略。
13、在上述技术方案中，步骤s31具体包括：
14、单张切片图像作为样本最小计量单位记为image；不确定性由模型输出概率的信息熵计算，地表场景划分由中分辨率地表覆盖中各地表要素类别占比决定，任务前景划分由中分辨率地表覆盖场景与解译目标类型匹配度决定，计算公式如下：
15、h(image)＝-∑(p(image(i，j))*log2(p(image(i，j))))
16、s(image)＝majority(class(image))
17、
18、
19、式中，i代表像素在图像中的行号，j代表像素在图像中的列号，majority()代表计算地表覆盖重分类影像中的众数类别，count()代表计算图像中满足条件的像素数量，target代表解译任务类别列表，f(image)代表image中正样本数目频率；h(image)代表模型不确定性，s(image)代表地表场景划分，t(image)代表任务前景划分，t(image)取值中1代表任务前景，0代表任务背景。
20、在上述技术方案中，步骤s32具体包括：
21、(1)将sample_pool中的所有影像进行计算获取h(image)、s(image)和t(image)；h(image)代表模型不确定性，s(image)代表地表场景划分，t(image)代表任务前景划分；
22、(2)对sample_pool进行分组，首先根据t(image)的值分为两组，其中t(image)为1称为任务前景，记为sample_pool_foreground，和t(image)为0称为任务背景组，记为sample_pool_background分组；之后，根据f(image)中的地表覆盖场景类别再对sample_pool_foreground和sample_pool_background分组，记为sample_pool_foreground_class和sample_pool_background_class；最后对各组别根据h(image)进行排序与分组，先按照从大到小的顺序进行排序，之后根据排名顺序分作三组，其中排名顺序在前5％-50％记为高不确定性组，记为sample_pool_foreground_class_hard或sample_pool_background_class_hard，50％-72.5％记为中等不确定性组，记为sample_pool_foreground_class_middle或sample_pool_background_class_middle，72.5％-95％记为低不确定性组，记为sample_pool_foreground_class_easy或sample_pool_background_class_easy；
23、(3)确定样本总数目与各类别池样本标注数目，模型微调的样本总数需要根据解译任务难度和区域大小进行确定；各类别池的划分比例需要根据解译任务进行确定，首先对sample_pool_foreground与sample_pool_background样本数目进行分配；之后，对sample_pool_foreground和sample_pool_background中的类别池进行数目分配平均分配；最后对sample_pool_foreground_class_hard、sample_pool_foreground_class_middle、sample_pool_foreground_class_easy进行分配；
24、(4)最后根据各样本池和样本数目进行抽本文档来自技高网...
【技术保护点】
1.一种基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，步骤S3具体包括：
3.根据权利要求2所述的基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，步骤S31具体包括：
4.根据权利要求2所述的基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，步骤S32具体包括：
5.根据权利要求1所述的基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，步骤S4具体包括：
6.根据权利要求1所述的基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，步骤S5具体包括：
【技术特征摘要】
1.一种基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，步骤s3具体包括：
3.根据权利要求2所述的基于卫星影像的跨域地物分类微调样本自动化选择方法，其特征在于，步骤s31具体包括：
4....
【专利技术属性】
技术研发人员：易志伟，朱瑞飞，王栋，彭芝珏，程鑫，田峻玮，
申请(专利权)人：长光卫星技术股份有限公司，
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。