[发明专利]一种基于立体遥感数据库的地貌特征聚类分析方法

说明书

本发明公开了一种基于立体遥感数据库的地貌特征聚类分析方法，其实现步骤是：调用图像待测样品、还原立体遥感地貌、特征粗提取、选取训练样本和测试样本、求解特征距离、细节特征点提取、利用训练样本训练神经网络、聚类分析。本发明采用逐层化方式训练连续傅里叶神经网络，避免了网络层数较多时出现梯度扩散的问题，并且能够提取出反映数据本质特性，刻画数据细节特征，突出不同地物类型之间差别的高维特征。由于本发明利用连续傅里叶神经网络提取数据的深层高维特征，避免了分类技术中存在的特征数较少或者特征学习不充分、不合理的问题，提高了无人机搭载遥感传感器遥感地貌图像的聚类精度。

技术领域

本发明属于遥感地貌识别技术领域，具体涉及一种基于立体遥感数据库的地貌特征聚类分析方法。

背景技术

遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线等，对目标进行探测和识别的技术，具有可获取大范围数据资料，获取信息的速度快、周期短及信息量大等特点。根据获取方式的不同，可将其分为光学遥感和微波遥感两类。其中，光学遥感对应的设备简单，所获取图像空间几何分辨率高，图像易于解译，不过只能在白天使用，受天气条件影响较严重；由于微波具有很好的穿透能力，微波遥感(SAR)可全天时、全天候对地成像，但相干成像特性使得其图像存在乘性相干斑噪声。两者各有特点，相互补充，在国民经济和国防建设中正发挥着越来越重要的作用。

随着传感器技术、空间技术和计算机技术的不断发展，众多机/星载遥感平台投入运营，所搭载的新型、高分辨率传感器可对地球表面进行不间断、持续观测，获取了大量的宽幅、高分辨率遥感数据。但面对日益增长的获取能力，与之不相宜的是对遥感图像处理与解译技术的研发相对滞后，不能满足实际应用的迫切需求。其中，多时相遥感图像变化检测作为处理与解译的基础和关键技术之一，是指通过对同一区域、不同时期获取的两幅或多幅遥感图像进行比较分析，进而根据图像之间差异来获取所感兴趣地物、场景或目标的变化信息，受制于人类活动加剧以及自然灾害频发，其研发越来越受到人们重视，逐渐成为遥感领域的研究热点。

近年来，国内外学者提出了很多有效的变化检测方法，概括起来可分为有监督变化检测和无监督变化检测。限于有监督变化检测所需地面真实变化类别样本难以获取，目前工作主要集中于无监督变换检测类，其大致分为：(1)基于分布模型差异的多时相遥感图像变化检测；(2)基于差异图像分析的多时相遥感图像变化检测；以及(3)基于马尔科夫融合的多时相遥感图像变化检测。特别是对第二类算法的研究最为普遍，核心思想是将变化检测问题视为图像的二元分类/分割问题，又可细分为聚类分析、智能优化、阈值分割、有限混合模型、马尔科夫随机场、主动轮廓和水平集等策略。其中，聚类分析由其简单、有效而受到普遍认可。

随着航天技术和传感器技术的发展，遥感数据的获取方式越来越多。遥感数据通常数据量巨大，信息相互交织，如何把这些数据有效合理的组织起来是充分利用这些数据的关键。

传统的数据组织是简单地入库，根据应用需求来对数据库进行查找和信息获取，一方面查找效率和信息获取的能力受到限制，另一方面不能直观地查看数据库中的信息，极大地限制了数据的利用价值。因此，高效的数据组织技术是遥感信息处理的基础，是当前需要解决的一个关键技术。

不同于通常的数据，遥感数据具有自己的特点。一方面，军事遥感应用中关注的目标类型较为固定，如某空军基地、某型舰船等。另一方面，目标本身也具有很强的层次语义特性，例如某航母编队隶属于某海军部队。所以，这些数据适合用多层分类体系进行描述。

另外，多数GIS与遥感应用软件所能描述的目标都是静态的，而实际上，很多需要表达与处理的目标都不是一成不变的，而是包含很强的时间空间信息。随着数据量的积累与态势的发展，分类体系也可能随时面临修改。因此必须关注能对时空过程和时空目标进行描述的数据组织模型。