[发明专利]一种最优尺度选择方法、装置及计算机可读存储介质

权利要求书

1.一种最优尺度选择方法，其特征在于，包括：

基于输入的遥感图像生成不同尺度参数下的分割结果图；

从所生成的分割结果图中选取训练样本构建训练样本集，并基于机器学习算法，利用所述训练样本集训练得到多尺度分类模型；所述训练样本包括分类标签和对应于所述分类标签的特征指标；

利用所述多尺度分类模型，对待分类遥感图像进行多尺度分类，并基于分类结果与所述分割结果图，生成所述不同尺度参数下的分类结果图；

从所生成的分类结果图中选取多个目标分类结果图，并将所述多个目标分类结果图分别与对应尺度参数的训练样本真值图进行对比，分别计算关联于各目标分类结果图的分类精度；

对所述关联于各目标分类结果图的分类精度进行统计，并根据统计结果进行最优尺度参数的选择。

2.如权利要求1所述的最优尺度选择方法，其特征在于，所述基于输入的遥感图像生成不同尺度参数下的分割结果图包括：

将输入的遥感图像初始化分割为多个超像素块，对所述多个超像素块中的相邻超像素块进行逐级合并，构建树状层次结构；所述相邻超像素块的合并代价为合并后节点的尺度标记；

基于不同尺度参数以及所述树状层次结构，分别生成所述不同尺度参数下的分割结果图。

3.如权利要求2所述的最优尺度选择方法，其特征在于，所述基于不同尺度参数以及所述树状层次结构，分别生成所述不同尺度参数下的分割结果图包括：

根据不同尺度参数分别遍历所述树状层次结构中所有节点的尺度标记；

将尺度标记小于或等于所述尺度参数的节点所对应的图像区域作为可视化图像区域；

将所述可视化图像区域进行可视化显示，分别生成所述不同尺度参数下的分割结果图。

4.如权利要求1所述的最优尺度选择方法，其特征在于，所述利用所述多尺度分类模型，对待分类遥感图像进行多尺度分类包括：

分别获取所述待分类遥感图像在所述不同尺度参数下的分割结果图；

计算最小尺度参数下的分割结果图中每个节点区域的特征指标，并基于所述最小尺度参数下所述分割结果图中的特征指标，加权计算得到其它尺度参数下的分割结果图中每个节点区域的特征指标；

分别将所述不同尺度下的分割结果图中所有节点区域的特征指标输入至所述多尺度分类模型，得到所述待分类遥感图像在所述不同尺度参数下所对应的分类标签。

5.如权利要求1至4中任一项所述的最优尺度选择方法，其特征在于，所述将所述多个目标分类结果图分别与对应尺度参数的训练样本真值图进行对比，分别计算关联于各目标分类结果图的分类精度包括：

将所述多个目标分类结果图分别与对应尺度参数的训练样本真值图进行对比，分别计算出各目标分类结果图中每类地物的生产者精度PA和使用者精度UA；

基于所述PA和UA计算所述各目标分类结果图中每类地物的分类精度F-measure；

所述对所述关联于各目标分类结果图的分类精度进行统计，并根据统计结果进行最优尺度参数的选择包括：

对所述各目标分类结果图中每类地物的所述F-measure进行统计，得到在不同尺度参数下所述每类地物的分类精度变化情况，并根据所述每类地物的分类精度变化情况进行所述每类地物的最优尺度参数的选择。

6.如权利要求1至4中任一项所述的最优尺度选择方法，其特征在于，所述将所述多个目标分类结果图分别与对应尺度参数的训练样本真值图进行对比，分别计算关联于各目标分类结果图的分类精度包括：

将所述多个目标分类结果图分别与对应尺度参数的训练样本真值图进行对比，分别计算出各目标分类结果图的整体分类精度；

所述对所述关联于各目标分类结果图的分类精度进行统计，并根据统计结果进行最优尺度参数的选择包括：

对所述各目标分类结果图的整体分类精度进行统计，得到在不同尺度参数下所述整体分类精度变化情况，并根据所述整体分类精度变化情况进行整体最优尺度参数的选择。