[发明专利]基于超对象信息的遥感图像目标提取方法、装置及介质

权利要求书

1.一种基于超对象信息的遥感图像目标提取方法，应用于电子装置，其特征在于，包括：

获取遥感图像；

对所述遥感图像进行分割，得到所述遥感图像的多个分割基本单元；

提取所述分割基本单元的图像特征，形成第一特征向量，结合所述分割基本单元中待提取目标的超对象特征信息，形成第二特征向量；

将所述第一特征向量和所述第二特征向量融合形成融合特征向量；

将所述融合特征向量输入经过训练的神经网络模型；

通过所述神经网络模型输出与所述分割基本单元相对应的目标类别。

2.根据权利要求1所述的基于超对象信息的遥感图像目标提取方法，其特征在于，提取所述分割基本单元的图像特征，形成第一特征向量的步骤包括：

采用区域生长方法对所述分割基本单元进行分割，得到多个第一子图像；

将多个第一子图像根据多光谱波段顺序进行自底向上地排列；

按照自底向上的顺序分别对多个第一子图像提取图像特征，形成第一特征向量，其中，所述图像特征从原始的光谱-空间联合信息中提取。

3.根据权利要求1或2所述的基于超对象信息的遥感图像目标提取方法，其特征在于，结合所述分割基本单元中待提取目标的超对象特征信息，提取第二特征向量的步骤包括：

通过设定不同的区域生长合并阈值对所述分割基本单元进行多层次分割合并，得到多个层次的第二子图像，根据设定的区域生长合并阈值的不同，将每个过分割级别上待提取目标与相应的超对象分别关联起来；

将多个层次的第二子图像按照所述区域生长合并阈值从大到小的顺序进行自顶向下地排列；

分别确定每个层次的第二子图像中与所述待提取目标对应的超对象特征信息；

将多个层次的第二子图像中相同位置的超对象特征信息自顶向下地进行特征融合，融合至最底层的第二子图像上；

根据最底层的第二子图像提取形成第二特征向量。

4.根据权利要求1所述的基于超对象信息的遥感图像目标提取方法，其特征在于，所述神经网络模型是堆叠式降噪自动编码器模型，包括输入层、多个隐藏层和输出层。

5.根据权利要求4所述的基于超对象信息的遥感图像目标提取方法，其特征在于，所述神经网络模型的训练步骤包括：

选取训练样本，所述训练样本从将所述遥感图像进行分割后得到的多个分割基本单元中选取；

获取所述训练样本的融合特征向量；

将所述训练样本的融合特征向量输入所述神经网络模型，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数；

根据所述初始参数对所述神经网络模型进行反向调优训练。

6.根据权利要求5所述的基于超对象信息的遥感图像目标提取方法，其特征在于，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数的步骤包括：

将所述神经网络模型划分为多个自动编码器单元；

对每个自动编码器单元分别进行预训练；

通过预训练结果获取各个自动编码器单元的参数；

对所述神经网络模型的输出层与上一层连接层之间的参数进行随机初始化；

将预训练结果和随机初始化得到的参数作为所述神经网络模型的初始参数。

7.根据权利要求6所述的基于超对象信息的遥感图像目标提取方法，其特征在于，将所述神经网络模型划分为多个自动编码器单元包括：所述神经网络模型中的每个隐藏层与所述隐藏层的上一层构成一个自动编码器单元；

对每个自动编码器单元分别进行预训练包括：

对每个自动编码器单元添加一层连接层作为所述自动编码器单元的相对输出层，构建形成多个神经网络单元，每个神经网络单元均包括相对输入层、相对隐藏层和相对输出层；

对第一个神经网络单元进行预训练；

将经过预训练的第一个神经网络单元的相对隐藏层作为下一个神经网络单元的相对输入层，依次完成每个自动编码器单元的预训练。