[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

说明书

本发明实施例公开了一种最优尺度选择方法、装置及计算机可读存储介质，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并训练得到多尺度分类模型，然后进行待分类遥感图像的多尺度分类，生成不同尺度参数下的分类结果图；从分类结果图中选取多个目标分类结果图，分别计算关联于各目标分类结果图的分类精度；对分类精度统计后进行最优尺度选择。通过本发明的实施，利用多尺度分类结果来进行精度评价，根据精度评价统计结果来选择最优尺度，适用性更为广泛，可以满足更多场景下的分析需求，并实现了最优分割尺度到最优分类尺度的转变，避免了在分割阶段选择分析尺度的低效率、效果差的弊端。

技术领域

本发明涉及遥感影像处理领域，尤其涉及一种最优尺度选择方法、装置及计算机可读存储介质。

背景技术

尺度是人类认识事物的窗户，在对地观测中，由于地表类型的复杂多样，不同尺度的地物共生共存，同一区域从不同尺度观测也展现出不同的属性，因此尺度问题是对地观测的主要挑战之一，也是基于对象的影像分析(Object-Based Image Analysis,OBIA)方法的关键问题之一。在许多应用中，OBIA方法分析的尺度被具体化为分割算法的尺度参数。尺度作为分割算法的核心参数，决定了所获取的分析基元的尺度，而选择合适的分割尺度是许多应用面临的首要问题。

目前，在进行尺度选择时，通常所采用的方法可以分为两类，一类是利用分割过程中所表现的整体性质进行无监督尺度选择的方法，如最优尺度选择方法；另一类是利用样本进行训练，选择与样本匹配最好的尺度，如尺度综合、最优尺度计算模型、模糊分析、经验模型等方法。这些方法均是从所获取的多个尺度分析结果中，挑选出最优的尺度，然而，通常仅在某些特定的应用场景下，近似给出单一最优尺度的方式能够满足分析需求，而在实际应用中，由于地表覆盖的多尺度特性，OBIA方法不可避免的要进行多尺度的分析，那么在这种情况下，上述挑选出单一最优尺度的方式则无法再满足分析需求，由此可见，相关技术中所提供的尺度选择方法的适用性较为局限。

发明内容

本发明实施例的主要目的在于提供一种最优尺度选择方法、装置及计算机可读存储介质，至少能够解决相关技术中在进行OBIA的尺度选择时，是从所获取的多个尺度分析结果中挑选出单一最优尺度，仅能满足部分特定应用场景下的需求，适用性较为局限的问题。

为实现上述目的，本发明实施例第一方面提供了一种最优尺度选择方法，该方法包括：

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。

为实现上述目的，本发明实施例第二方面提供了一种最优尺度选择装置，该装置包括：

生成模块，用于基于输入的遥感图像生成不同尺度参数下的分割结果图；

训练模块，用于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；

分类模块，用于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；