[发明专利]基于深度学习的水域特征提取方法及系统

权利要求书

1.一种基于深度学习的水域特征提取方法，其特征在于，所述方法包括：

获取待分类识别的图像，并将所述待分类识别的图像输入水域识别模型以生成水域二值图；

将所述水域二值图处理为适合输入到随机森林模型的测试特征集合；

获取已有的水域分类数据集，并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合；

将所述训练特征集合输入所述随机森林模型，训练得到已训练随机森林模型；

将所述测试特征集合输入到所述已训练随机森林模型，得到初始分类结果集合；

添加先验约束规则，采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化，得到水域分类结果。

2.如权利要求1所述的基于深度学习的水域特征提取方法，其特征在于，还包括，利用公开数据集训练水域识别模型。

3.如权利要求2所述的基于深度学习的水域特征提取方法，其特征在于，所述水域识别模型为VGG16模型。

4.如权利要求2所述的基于深度学习的水域特征提取方法，其特征在于，所述水域二值图包括测试水域集合；所述将所述水域二值图处理为适合输入到随机森林模型的测试特征集合，包括：

根据联通域标记方法对测试水域集合中各测试水域进行标记，得到测试联通域集合；

提取所述测试联通域集合中各测试联通域的特征，将所述测试联通域的特征合并为测试特征，得到适合输入到随机森林模型的测试特征集合。

5.如权利要求4所述的基于深度学习的水域特征提取方法，其特征在于，所述测试联通域的特征包括：直接特征和间接特征；所述将所述测试联通域的特征合并为测试特征，包括：将所述测试联通域的直接特征和间接特征合并为测试特征。

6.如权利要求2所述的基于深度学习的水域特征提取方法，其特征在于，所述获取已有的水域分类数据集，并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合，包括：

获取已有的水域分类数据集，提取所述分类数据集中的训练水域集合；

根据联通域标记方法对所述训练水域集合进行标记，生成训练联通域集合；

提取所述训练联通域集合中各训练联通域的直接特征和间接特征，将所述训练联通域的直接特征和间接特征合并为训练特征，得到适合输入到随机森林模型的训练特征集合。

7.一种基于深度学习的水域特征提取系统，其特征在于，包括：

水域图像识别模块，用于获取待分类识别的图像，并将所述待分类识别的图像输入水域识别模型以生成水域二值图；

水域数据处理模块，用于将所述水域二值图处理为适合输入到随机森林模型的测试特征集合；获取已有的水域分类数据集，并将所述已有的水域分类数据集处理为适合输入所述随机森林模型的训练特征集合；

模型训练模块，用于将所述训练特征集合输入所述随机森林模型，训练得到已训练随机森林模型；

水域分类与优化模块，用于将所述测试特征集合输入到所述已训练随机森林模型，得到初始分类结果集合；添加先验约束规则，采用测试特征集合对初始分类结果集合中的每一个测试特征进行优化，得到水域分类结果。

8.如权利要求7所述的基于深度学习的水域特征提取系统，其特征在于，所述水域图像识别模块中采用的水域识别模型为VGG16模型。

9.一种水域特征提取装置，其特征在于，所述装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的基于深度学习的水域特征提取程序，所述基于深度学习的水域特征提取程序被所述处理器执行时实现如权利要求1-6任一项所述的基于深度学习的水域特征提取方法的各个步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于深度学习的水域特征提取程序，所述基于深度学习的水域特征提取程序被处理器执行时实现如权利要求1-6任一项所述的基于深度学习的水域特征提取方法的各个步骤。