[发明专利]一种基于粗糙集的遥感数据处理方法

说明书

针对现有技术不能满足遥感数据的快速属性约简的需求，提出了一种基于粗糙集的遥感数据挖掘方法；采用并行的方法进行属性约简；减少中间结果的输出；从遥感数据挖掘出有用的信息利用粗糙集快速属性约简挖掘遥感数据；本发明能有效地提高遥感数据属性约简速度。

技术领域

本发明属于遥感数据处理领域，具体涉及一种基于粗糙集的遥感数据处理方法。

背景技术

近十几年来，高空间分辨率遥感图像已经广泛用于农业、林业、海洋和环境监测等领域，具有巨大的经济价值和社会效益。然而，由于高空间分辨率遥感图像的体量(Volume) 大，数据类型 (Variety) 多，信息丰富，解译分析过程复杂，迄今为止还难以准确、高效地对高空间分辨率遥感图像进行自动的地物分类。如何对高空间分辨率遥感大数据进行地物分类成为影响其大规模应用的技术难点与瓶颈之一。与中低分辨率遥感图像相比，高空间分辨率遥感图像纹理更加丰富、形状更加明显，空间关系更加复杂。现有的技术常常采用光谱、形状和纹理特征来描述高空间分辨率遥感图像中地类的不同特点。然而，这些特征是底层特征，难以全面描述高空间分辨率图像上地物的几何和结构信息。近几年来，文本分析和场景理解中的词包模型 (Bag-of-Word,BOW)和主题模型 (Topic model) 被引入遥感领域。这些方法通过词包模型来提取局部特征的统计信息或语义信息，并据此来分析高空间分辨率遥感图像中的主题，从而达到分类的目的。现有的特征提取方法大多是统计特征，难以准确地描述地类的本质信息，难于实现高空间分辨率遥感图像自动解译。如何针对传感器的多样性、成像条件的多变性以及地面目标的复杂性，提取高空间分辨率遥感大数据上地物的深层结构信息，尽可能完备地描述地类特性，是高空间分辨率遥感大数据中的地物分类的关键。为了发掘更好的特征，人们不得不投入大量的精力去研究一个好的特征。而好的特征开发往往需要对问题有很深的理解，需要反复摸索。因此当下需要能够自动生成合适的特征。现有的遥感卫星数据处理系统架构，一般由下层数据应用层、数据存储层、数据处理与分析层、上层数据应用层组成，整个系统主要通过单系统计算集群实现数据的处理与分析。但随着遥感卫星发射越来越密集，其载荷数据及应用多样性越来越显著，同时遥感卫星数据存储规模急速增长，尤其是针对近实时处理的遥感应用，需要处理的数据量成倍增加，用户对数据处理及应用的高时效性需求越来越强烈。

发明内容

本发明是针对尤其是针对近实时处理的遥感应用，需要处理的数据量成倍增加，用户对数据处理及应用的高时效性需求越来越强烈，所设计的一种基于粗糙集的遥感数据处理方法。

一种基于粗糙集的遥感数据处理方法，包括以下步骤：

M1，在需要处理遥感信息的地表已知资源点设立GPS定位信息；

M2，遥感数据类型选取多波段数据、全波数据作为一类筛选数据，选取光谱带值作为二类筛选数据，选取地理信息作为特征筛选数据；

M3，根据特征筛选数据，统计所选数据块统计特征；

M4，根据特征筛选数据归类所选数据块统计特征，对比数据块统计特征去除一类筛选数据中相似度低于64%的数据；

M5，对二类筛选数据进行表征处理；

M6，重复步骤M4与M5，去除所有类型的特征筛选数据所代表的所选数据块的冗余特征；

M7，统计M6中所有筛选数据特征为筛选集；

M8，根据二类筛选数据的筛选集，进行数据块的地表特征或海洋资源特性筛选；

M9，对步骤M8中的数据进行一类筛选数据的筛选集筛选，进行数据区块确认；

M10，根据步骤M9结果对二类筛选数据的筛选集筛选结果为1且一类筛选数据的筛选集筛选结果为0的区块进行规制提取；

M11，以步骤M10的规则反向提取剔除步骤M7中的筛选集规则进行一次迭代；