基于深度置信网络的城市不透水层提取方法
阅读：1003发布：2020-08-25
专利汇可以提供基于深度置信网络的城市不透水层提取方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于深度置信网络的城市不透 水 层提取方法，方法包括：100、获取配准后的全极化SAR数据和多 光谱 图像数据；101、对全极化SAR数据进行预处理，获取预处理后的全极化SAR数据的极化特征；102、对多光谱图像数据进行预处理；提取预处理后的多光谱图像数据的光学特征；103、将所述极化特征和所述光学特征组合为 特征向量 ；104、将所述特征向量输入训练后的分类器中，获取地物分类结果；105、根据地物分类结果，将地物分类结果中的地物类型进行合并，获得不透水层分布图；其中，分类器为采用训练样本预先训练深度置信网络获得的分类器。本发明的方法提高了地表 覆盖 类型分类的正确率，有效地提高了城市不透水层提取的 精度 。，下面是基于深度置信网络的城市不透水层提取方法专利的具体信息内容。
1.一种基于深度置信网络的城市不透水层提取方法，其特征在于，包括：
100、获取配准后的全极化SAR数据和多光谱图像数据；
101、对全极化SAR数据进行预处理，获取预处理后的全极化SAR数据的极化特征；
102、对多光谱图像数据进行预处理；提取预处理后的多光谱图像数据的光学特征；
103、将所述极化特征和所述光学特征组合为特征向量；
104、将所述特征向量输入训练后的分类器中，获取地物分类结果；
105、根据地物分类结果，将地物分类结果中的地物类型进行合并，获得不透水层分布图；
其中，所述分类器为采用训练样本预先训练深度置信网络获得的分类器。
2.根据权利要求1所述的方法，其特征在于，所述步骤101包括：
S1、对所述全极化SAR数据进行格式转换和/或定标处理，得到处理后的矩阵；
S2、判断处理后的矩阵是否为全极化SAR协方差矩阵；
S3、若处理后的矩阵为复极化散射矩阵，则将所述复极化散射矩阵转换为全极化SAR协方差矩阵；
S4、对所述全极化SAR协方差矩阵进行多视处理、精致极化Lee滤波，获取相干矩阵和Stokes向量；所述全极化SAR协方差矩阵为所述步骤S3中的转换后的全极化SAR协方差矩阵，或者为处理后的全极化SAR协方差矩阵；
S5、对所述全极化SAR协方差矩阵、所述相干矩阵、所述Stokes向量提取极化特征，得到所述全极化SAR数据的极化特征。
3.根据权利要求1所述的方法，其特征在于，所述步骤102包括：
对多光谱图像数据依次进行大气校正、几何校正、辐射校正和/或地理编码的预处理，获得预处理后的多光谱图像数据。
4.根据权利要求3所述的方法，其特征在于，所述步骤102还包括：
提取预处理后的多光谱图像数据中各波段信息；
根据所述各波段信息，获取预处理后的多光谱图像数据的辐射强度信息；
提取预处理后的多光谱图像数据的纹理信息和植被覆盖指数信息；
所述各波段信息、辐射强度信息、纹理信息、植被覆盖指数信息组成所述光学特征。
5.根据权利要求1至4任一所述的方法，其特征在于，在所述步骤104之前，所述方法还包括：
104a、采用训练样本训练所述深度置信网络，获取训练后的分类器。
6.根据权利要求5所述的方法，其特征在于，所述步骤104a包括：
所述训练样本为包括有地面验证信息/标签的样本，所述训练样本的类型包括：亮不透水面类型、暗不透水面类型、植被类型、裸土类型、水体类型、阴影类型；
基于训练样本，利用对比散度算法对串联的受限玻尔兹曼机进行逐层非监督预训练，获取预训练后的DBN网络；
将预训练后的DBN网络最后一层增加softmax分类器，并利用反向传播算法对所述DBN网络权重进行调整，得到高准确度的地物类型分类器。
7.根据权利要求1所述的方法，其特征在于，所述步骤105包括：
对所述地物分类结果的分类精度进行定量化评估；
若定量化评估结果满足预设阈值，则将地物分类结果中的地物类型中的亮不透水面和暗不透水面归为不透水层类，其他类型归为一类，获得不透水层分布图。
8.根据权利要求1所述的方法，其特征在于，所述步骤100包括：
获取微波遥感卫星的一组全极化SAR数据和光学遥感卫星的一组多光谱图像；
基于人工选择地面控制点的方法，对一组全极化SAR数据和多光谱图像进行配准，采用多项式差值算法，获得配准后的全极化SAR数据和多光谱图像数据。
基于深度置信网络的城市不透水层提取方法
技术领域
背景技术
[0002] 城市化是剧烈的人类活动改变大自然的集中表现之一，城市化的一个集中表现便是大量不透水表面的增加，而城市化对环境的影响，则是大量不透水表面对环境造成的影响。尽管各种污水、废气和固体废物的处理都保持达标的水平，但持续高速的城市发展，势必大大增加了各种污染处理的压力，此外，城市所积累的各类污染物，进入大气循环和水循环，造成了整个城市的大气和水体的非点源污染，更是难于监测和管理。
[0003] 城市不透水层监测对城市化及其环境影响的准确、及时评估，对整个社会制定经济、社会和科技可持续发展战略具有重要的意义。已有研究表明，不透水层的面积和分布，是一个城市的城市化对环境造成影响的重要影响因子，能为城市管理、环境监测的决策分析提供有效的支持。
[0004] 一直以来，城市不透水层信息的准确获取是一项具有挑战性的课题。传统的实地测量，结合GPS进行测量，以及利用航空拍摄的摄影测量方法，都由于昂贵的成本而无法用于大范围估算和及时更新。利用光学卫星遥感影像进行不透水层的提取，由于价格低廉而成为大面积估算不透水层的主要方法。光学遥感卫星获取地物在可见光及近红外波段的地表反射信息，因此地物种类的复杂度是一个关键因素，它既影响了地物分类的准确性，同时影响检测不透水层的准确率。首先，裸土层很容易混淆亮不透水层(e.g.空旷的房顶，新水泥路面)，阴影区和水体很容易混淆暗不透水层(e.g.柏油马路和旧的水泥路面)，混淆的原因是这些地物的布拉格散射相似。另外天气原因，随机出现的云层和气候这些因素同时导致了地物类型识别的低准确度。光学遥感图像中覆盖的不同厚度的云层，大大增加了不透水层提取的难度，而微波遥感具有穿透云层，全天候工作的优点，在遥感监测中具有独特的优势；此外，由于微波与地表水分的有一定的作用关系，微波遥感常被用于反演土壤水分和空气中的水分，而地表水分含量对不透水层的提取也提供重要的信息。因此结合光学遥感和微波遥感提取城市不透水层，对城市不透水层提取监测可以大大提高其精确度。
[0005] 目前，合成孔径雷达(SAR)是主要的微波遥感手段之一，被较为广泛地用于地表环境监测。SAR与光学遥感的显著差异是其反应的是地物的介电特性与几何结构(包括朝向)，因此能够提供对于地物分类任务非常有益的互补信息。与单极化SAR相比，全极化SAR系统不仅能够获取地物的后向散射截面，还能够获得地物在任意不同极化电磁波照射下的后向散射信息，从而更加有助于对地物的类型进行区分。
[0006] 从分类器模型来看，目前常用的分类器有监督的支持向量机(SVM)、随机森林(RF)以及人工神经网络(ANN)等。相比浅层网络，深度神经网络模型具有多层神经元，在描述复杂结构方面具有非常强大的能力。然而，当权重随机初始化时，随着网络深度的增加，梯度(从输出层到网络的初始层)的幅度急剧下降，整体损失函数相对于前几层的权重的梯度非常小，即第一层的权重变化非常缓慢，以至于深度神经网络无法从样本中有效地学习，这个问题通常被称为“梯度弥散”。为此，业内人士提出了深度置信网络(DBN)，DBN可以一次一层地学习由受限玻尔兹曼机(RBM)组成的信念网络，以便利用数据的互补先验。
[0007] 为此，如何通过光学图像、全极化SAR图像，结合深度置信网络技术，提高地表覆盖类型分类的正确率，以提高城市不透水层的提取精度成为当前需要解决的技术问题。
发明内容
[0008] 针对现有技术中的问题，本发明提供一种基于深度置信网络的城市不透水层提取方法，该方法结合深度置信网络技术，提高地表覆盖类型分类的正确率，从而有效地提高城市不透水层提取的精度。
[0009] 第一方面，本发明提供一种基于深度置信网络的城市不透水层提取方法，包括：
[0010] 100、获取配准后的全极化SAR数据和多光谱图像数据；
[0011] 101、对全极化SAR数据进行预处理，获取预处理后的全极化SAR数据的极化特征；
[0012] 102、对多光谱图像数据进行预处理；提取预处理后的多光谱图像数据的光学特征；
[0013] 103、将所述极化特征和所述光学特征组合为特征向量；
[0014] 104、将所述特征向量输入训练后的分类器中，获取地物分类结果；
[0015] 105、根据地物分类结果，将地物分类结果中的地物类型进行合并，获得不透水层分布图；
[0016] 其中，所述分类器为采用训练样本预先训练深度置信网络获得的分类器。
[0017] 可选地，所述步骤101包括：
[0018] S1、对所述全极化SAR数据进行格式转换和/或定标处理，得到处理后的矩阵；
[0019] S2、判断处理后的矩阵是否为全极化SAR协方差矩阵C；
[0020] S3、若处理后的矩阵为复极化散射矩阵S，则将所述复极化散射矩阵S转换为全极化SAR协方差矩阵C；
[0021] S4、对所述全极化SAR协方差矩阵C进行多视处理、精致极化Lee滤波，获取相干矩阵T和Stokes向量；所述全极化SAR协方差矩阵C为所述步骤S3中的转换后的全极化SAR协方差矩阵C，或者为处理后的全极化SAR协方差矩阵C；
[0022] S5、对所述全极化SAR协方差矩阵C、所述相干矩阵T、所述Stokes向量提取极化特征，得到所述全极化SAR数据的极化特征。
[0023] 可选地，所述步骤102包括：
[0025] 可选地，所述步骤102还包括：
[0026] 提取预处理后的多光谱图像数据中各波段信息；
[0027] 根据所述各波段信息，获取预处理后的多光谱图像数据的辐射强度信息；
[0028] 提取预处理后的多光谱图像数据的纹理信息和植被覆盖指数信息；
[0029] 所述各波段信息、辐射强度信息、纹理信息、植被覆盖指数信息组成所述光学特征。
[0030] 可选地，在所述步骤104之前，所述方法还包括：
[0031] 104a、采用训练样本训练所述深度置信网络，获取训练后的分类器。
[0032] 可选地，所述步骤104a包括：
[0033] 所述训练样本为包括有地面验证信息/标签的样本，所述训练样本的类型包括：亮不透水面类型、暗不透水面类型、植被类型、裸土类型、水体类型、阴影类型；
[0035] 将预训练后的DBN网络最后一层增加softmax分类器，并利用反向传播算法对所述DBN网络权重进行调整，得到高准确度的地物类型分类器。
[0036] 可选地，所述步骤105包括：
[0037] 对所述地物分类结果的分类精度进行定量化评估；
[0038] 若定量化评估结果满足预设阈值，则将地物分类结果中的地物类型中的亮不透水面和暗不透水面归为不透水层类，其他类型归为一类，获得不透水层分布图。
[0039] 可选地，所述步骤100包括：
[0040] 获取微波遥感卫星的一组全极化SAR数据和光学遥感卫星的一组多光谱图像；
[0041] 基于人工选择地面控制点的方法，对一组全极化SAR数据和多光谱图像进行配准，采用多项式差值算法，获得配准后的全极化SAR数据和多光谱图像数据。
[0042] 本发明具有的有益效果如下：
[0043] 1)本发明的方法通过融合SAR图像和光学遥感图像的互补信息，有效地提高了不透水层监测的正确率。
[0044] 2)本发明的方法利用全极化遥感图像进行不透水面提取，相比单极化图像，可以获得地物更加丰富的地物信息，为地表类型的精确分类提供支持。
[0045] 3)本发明的方法采用基于深度置信网络对光学和SAR图像进行分类，利用非监督预训练对特征进行优化，使分类网络具有更佳的初始化权值即DBN网络的初始化参数，从而在有效训练样本的基础上取得更佳的分类性能。附图说明
[0046] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0047] 图1为本发明一实施例提供的基于深度置信网络的城市不透水层提取方法的流程示意图；
[0048] 图2为本发明一实施例提供的光学图像的示意图；
[0049] 图3为本发明一实施例提供的基于光学图像配准的SAR图像(VV通道)的示意图；
[0050] 图4为采用本发明实施例的方法处理的标注的六大类地物的示意图；
[0051] 图5为图4中的六分类合并为两类的示意图；
[0052] 图6为深度置信网络的结构示意图。
具体实施方式
[0053] 为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
[0054] 在以下的描述中，将描述本发明的多个不同的方面，然而，对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其它情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
[0055] 如图1所示，图1示出了本实施例中的基于深度置信网络的城市不透水层提取方法的流程实体图，本实施例的包括：
[0056] 100、获取配准后的全极化SAR数据(如图3所示)和多光谱图像数据。
[0057] 举例来说，获取微波遥感卫星的一组全极化SAR数据和光学遥感卫星的一组多光谱图像，如图2所示；
[0058] 基于人工选择地面控制点的方法，对一组全极化SAR数据和多光谱图像进行配准，采用多项式差值算法，获得配准后的全极化SAR数据和多光谱图像数据。本实施例中多项式差值算法的误差在一个像素以内。
[0059] 本实施例中可购买各个地面站接收的微波遥感卫星的全极化SAR数据，或者购买各个地面站接收的光学遥感卫星的光谱图像。
[0060] 目前，光学遥感与微波遥感的工作波段不同，成像原理不同，为此，本实施例将其结合配准，可较好的获取地物分类结果。
[0061] 进一步地，在实际应用中在配准之前，也可以对全极化SAR数据和多光谱图像数据进行预处理，进而实现配准，以使最后结果更准确。
[0062] 101、对全极化SAR数据进行预处理，获取预处理后的全极化SAR数据的极化特征。
[0063] 举例来说，极化特征可包括下述的一项或多项：多视极化SAR协方差矩阵特征、Cloude-Pottier分解特征、Freeman-Cloude三分量分解特征、极化度，椭圆率，同极化相位差标准差、相关系数，相干系数，一致性系数、GLCM特征等。
[0064] 102、对多光谱图像数据进行预处理；提取预处理后的多光谱图像数据的光学特征。
[0065] 举例来说，预处理后的多光谱图像数据的各波段信息、辐射强度信息、纹理信息、植被覆盖指数信息等组成所述光学特征。
[0066] 103、将所述极化特征和所述光学特征组合为特征向量。
[0067] 举例来说，特征向量可理解为从配准后的全极化SAR数据和多光谱图像数据中提取的特征构成。本实施例的特征向量包括：多光谱图像数据的各个波段特征(n个，n为波段数)，多光谱图像某一重要波段(如红色R波段)的图像灰度共生矩阵特征(7个)，NDVI指数，全极化SAR数据的协方差矩阵特征(6个)，Cloude-Pottier分解特征(3个)，Freeman-Cloude三分量分解特征(3个)，极化度，椭圆率，同极化相位差标准差，相关系数，相干系数，一致性系数等。也就是说，对于配准后全极化SAR数据和多光谱图像数据的每一个像素点，所有特征组合，构成特征向量。
[0068] 104、将所述特征向量输入训练后的分类器中，获取地物分类结果，如图4所示。
[0069] 105、根据地物分类结果，将地物分类结果中的地物类型进行合并，获得不透水层分布图，如图5所示。
[0070] 可理解的是，在应用时，在对地物类型进行合并之前，可对所述地物分类结果的分类精度进行定量化评估；例如，采用混淆矩阵计算地物分类结果的总体精度、制图精度、用户精度和Kappa系数等。
[0071] 若定量化评估结果满足预设阈值，则将地物分类结果中的地物类型中的亮不透水面和暗不透水面归为不透水层类，其他类型归为一类，获得不透水层分布图。
[0072] 前述步骤104中的分类器为采用训练样本预先训练深度置信网络获得的分类器。本实施例中的训练样本的类型可包括：亮不透水面类型、暗不透水面类型、植被类型、裸土类型、水体类型、阴影类型等类型，本实施例不限定，根据需要选择。
[0073] 特别地，训练样本是根据地面验证信息，或者高分辨率的参考影像而人工划定的。
[0074] 本实施例的方法通过融合SAR图像和光学遥感图像的互补信息，有效地提高了不透水层监测的正确率。
[0075] 此外，本实施例中利用全极化遥感图像进行不透水面提取，相比单极化图像，可以获得地物更加丰富的地物信息，为地表类型的精确分类提供支持。
[0076] 在具体应用中，在所述步骤104之前，上述图1所示的方法还包括下述的图中未示出的步骤104a：
[0077] 104a、采用训练样本训练所述深度置信网络，获取训练后的分类器。
[0078] 具体地，基于训练样本，利用对比散度算法对串联的受限玻尔兹曼机进行逐层非监督预训练，获取预训练后的DBN网络；
[0079] 将预训练后的DBN网络最后一层增加softmax分类器，并利用反向传播算法对所述DBN网络权重进行调整，得到高准确度的地物类型分类器。
[0080] 为方便理解上述步骤104a，以下对深度置信网络进行说明。
[0081] 深度置信网络(DBN)作为一种监督分类器，DBN通过输入的训练样本的特征向量和标签不断迭代优化自身的网络参数，以达到给定输入的测试样本，能够自动输出正确的标签信息，实现样本的分类。
[0082] 深度置信网络(DBN)由若干层受限玻尔兹曼机构成，一个受限玻尔兹曼机由一个显层(visible units)和一个隐层(hidden units)构成。其中，显层与隐层的神经元之间为双向全连接，如图6所示。
[0083] 在RBM中，任意两个相连的神经元之间有一个权值w表示其连接强度，每个神经元自身有一个偏置系数b(显层神经元)和c(隐层神经元)来表示其自身权重。
[0084] 基于样本数据通过对比散度方法迭代逐层训练RBM。若干次训练后，隐层不仅能较为精准的显示显层的特征，同时还能还原显层，当隐层神经元数量小于显层时，则会产生一种“数据压缩”的效果。
[0085] 在本实施例中，将若干个RBM“串联”起来则构成了一个DBN，其中，上一个RBM的隐层即为下一个RBM的显层，上一个RBM的输出即为下一个RBM的输入。
[0086] 利用将DBM初始化W，对神经网络的预训练，在此基础上通过BP算法进行调优。训练过程中，需要充分训练上一层的RBM后才能训练当前层的RBM，直至最后一层。在最后一层RBM后，可根据实际模式识别应用的需要加入全连接层，本实施例中使用softmax全连接层，输出层为六个神经元，分别代表亮不透水面(BIS)，暗不透水面(DIS)，植被(VEG),裸土(SOI),水体(WAT)，阴影六类(SHA)，以实现分类结果的最终输出。
[0087] 也就是说，本实施例中基于深度置信网络对光学和SAR图像进行分类，利用非监督预训练对特征进行优化，使分类网络具有更佳的初始化权值即DBN网络的初始化参数，从而在有效训练样本的基础上取得更佳的分类性能。
[0088] 在一种可选的实现方式中，上述的步骤101可包括下述的图中未示出的子步骤：
[0089] S1、对所述全极化SAR数据进行格式转换和/或定标处理，得到处理后的矩阵。
[0090] 例如，可以基于DEM的几何校正，辐射校正，地理编码。由四通道SAR复极化散射矩阵(S)计算协方差矩阵(C)。
[0092] S2、判断处理后的矩阵是否为全极化SAR协方差矩阵C；
[0093] S3、若不是，即处理后的矩阵为复极化散射矩阵S，则将所述复极化散射矩阵S转换为全极化SAR协方差矩阵C。
[0094] 复极化散射矩阵S形式如下：
[0095]
[0096] 其中S**代表某种极化发射和接收时的后向散射系数，如Shv即为水平极化发射，垂直极化接收。
[0097] 例如，可采用下述公式(1)将其S转换为C：
[0098]
[0099] 其中，下标h表示水平极化的极化方式，v表示垂直极化的极化方式。
[0100] S4、若是，对所述全极化SAR协方差矩阵C进行多视处理、精致极化Lee滤波，获取相干矩阵T和Stokes向量。
[0101] 该步骤中多视处理的全极化SAR协方差矩阵C可为上述步骤S3中转换后的C，也可以是处理后的直接为C的矩阵。
[0102] S5、对全极化SAR协方差矩阵C、相干矩阵T、Stokes向量提取极化特征，得到所述全极化SAR数据的极化特征。
[0103] 针对上述的子步骤S4和S5举例说明如下：
[0104] 为了减小单视全极化SAR数据所受到的相干斑噪声影响，需要对全极化SAR协方差矩阵做多视处理。多视处理是一个常用的方法，空域滤波代替时域平均，即用一个n×n的窗口对图像做平均，赋给窗口中间的像素。
[0105] 其中，
[0106] 极化协方差矩阵C：
[0107]
[0108] 其中， *T代表共轭转置。
[0109] 代表散射向量(假设对于单站系统，互易定理成立，即Shv＝Svh)，T代表矩阵转置。
[0110] Pauli散射基向量由下式计算：
[0111]
[0112] 多视图像的极化相干矩阵：
[0113] 即：
[0114]
[0116]
[0117] 其中Eih和Eiv分别为某一极化发射状态下水平和极化接收的后向散射矩阵。本申请中发射极化方式i为垂直(V)发射，因此Eih和Eiv就对应为Svh和Svv。
[0118] 此外，为了进一步降低斑点噪声对全极化SAR数据目标解译的影响，对协方差矩阵进行精致极化Lee滤波，例如，可在SPAN图像上进行边缘模板匹配，选取方向窗口；以及在该方向窗口内应用局部统计滤波器对协方差矩阵进行滤波处理。
[0119] 极化SAR特征提取：
[0120] 基于滤波后的协方差矩阵和相干矩阵，或通过其计算出的Stokes向量，提取如下极化特征构成特征组合：
[0121] 1.多视极化SAR协方差矩阵特征：C11，C22，C33，C12，C13，C23
[0122] 2.Cloude-Pottier分解特征
[0124] 3.Freeman-Cloude三分量分解特征
[0125] 对多视极化SAR协方差矩阵实施Freeman-Cloude分解，得到一次面散射成分fs，二面角散射成分fd,体散射成分fv。
[0126] 4.极化度，椭圆率，同极化相位差标准差
[0127] 由水平(或者垂直)发射极化波信号的Stokes向量计算能衡量电磁波极化成分纯度的极化度P：
[0128]
[0129] gi1,gi2,gi3,gi0分别为Stokes向量中的元素。
[0130] 其中发射极化i为水平(H)极化，利用Stokes向量分量和计算度计算极化信号极化椭圆的椭圆率：
[0131]
[0132] gi3,gi0分别为Stokes向量中的元素，P为极化度。
[0133] 计算同极化相位差 并在n×n窗口中计算其标准差。
[0134] 5.相关系数，相干系数，一致性系数
[0135] 由协方差矩阵计算HH和VV通道相关系数：
[0136]
[0137] 由相关矩阵计算相干系数：
[0138]
[0139] 其中T12，T11和T22分别为相干矩阵中的元素。
[0140] 计算全极化SAR图像的一致性系数
[0141]
[0142] 6.基于后向散射截面，提取各个极化通道强度图像GLCM特征。
[0143] 可理解的是，上述的多视极化SAR协方差矩阵特征、Cloude-Pottier分解特征、Freeman-Cloude三分量分解特征、极化度，椭圆率，同极化相位差标准差、相关系数，相干系数，一致性系数、GLCM特征均属于极化特征。
[0144] 另外，在具体实现过程中，还需要对上述步骤102包括：
[0145] 对多光谱图像数据依次进行大气校正、几何校正、辐射校正和/或地理编码的预处理，获得预处理后的多光谱图像数据。
[0146] 此外，上述步骤中的步骤102还包括下述的图中未示出的子步骤：
[0147] 1021、提取预处理后的多光谱图像数据中各波段信息；
[0148] 1022、根据所述各波段信息，获取预处理后的多光谱图像数据的辐射强度信息。
[0149] 举例来说，各波段的辐射强度信息包括：band1，band2至bandn；
[0150] 对预处理后的多光谱图像数据各个通道强度进行加权求和，得到辐射强度信息:A＝c1·band1+c2·band2...cn·bandn系数ci由经验选取。
[0151] 1023、提取预处理后的多光谱图像数据的纹理信息和植被覆盖指数信息。
[0152] 举例来说，可利用灰度共生矩阵提取纹理信息，例如，均值(Mean)，相关系数(Correlation)，方差(Variance)，同质性(Homogeneity)，对比度(Contrast)，差异性(Dissimilarity)，熵(Entropy)等。
[0153] 此外，对提取的植被覆盖指数信息进行归一化处理。
[0154] NDVI指数表征地表植被的覆盖情况，可以经多光谱图像不同波段信息计算而得到：
[0155] NDVI＝(NIR-R)/(NIR+R)
[0156] NDWI＝(G-NIR)/(G+NIR)
[0157] 其中R，G，NIR代表红，绿，近红外波段的地表反射率。
[0158] 在本实施例中，上述的各波段信息、辐射强度信息、纹理信息、植被覆盖指数信息组成所述光学特征。
[0159] 最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 多变量时间序列深度信念网络的低压铸造模温预测方法 | 2020-05-12 | 381 |
| 描述驱油剂在多孔介质中变形运移的力学模拟方法 | 2020-05-12 | 339 |
| 一种基于低场磁共振T2弛豫的磁纳米粒子温度计算方法 | 2020-05-12 | 626 |
| 基于改进的层次分析法评价生猪养殖工艺的方法 | 2020-05-13 | 292 |
| 一种链路预测模型的建立及链路预测方法 | 2020-05-14 | 466 |
| 一种复合材料薄膜三维多相同步生长的模拟方法及系统 | 2020-05-16 | 211 |
| 多源无标签数据学习建模的传动系统性能退化评估方法 | 2020-05-08 | 487 |
| 基于差分温度补偿的分布式光纤拉曼双端温度解调方法 | 2020-05-11 | 407 |
| 小数据库条件下正常语音流中耳语音的识别方法 | 2020-05-16 | 691 |
| 基于径向基函数神经网络的气体标志物检测方法及应用 | 2020-05-16 | 744 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
玻尔兹曼机热门专利
QQ群二维码
意见反馈
意见反馈