[发明专利]多模态多粒度遥感影像面向对象全自动机器学习方法及系统

权利要求书

1.一种多模态多粒度遥感影像面向对象全自动机器学习方法，其特征在于，包括以下步骤：

步骤1：将已标注属性标签的面向对象的遥感影像云样本数据作为初始样本集S；

步骤2：将初始样本集S按初始标签依次分为n类样本组，即S={S₁, S₂, …, S_n}；

步骤3：对每个样本组进行云控制的多模态多粒度面向对象样本细化处理，根据样本的具体特征及判断，依次通过四种不同模态的粒度划分方案，将每类样本组细化至I级粒度样本、II级粒度样本、III级粒度样本和IV级粒度样本，并赋予代号标签；其中，所述四种不同模态包括光谱-纹理-形状特征、云控制地理信息特征、时间变化特征和尺度特征四种模态；

步骤4：经过步骤3的多模态多粒度样本细化后，得到IV级粒度样本集，并依据预设比例分层抽样，将其分别划分为训练样本集、验证样本集和测试样本集；

步骤5：分别对步骤4划分的训练样本集、验证样本集和测试样本集进行样本扩充，生成新的样本；

步骤6：根据步骤5扩充后的训练、验证样本集数量差异，选择机器学习分类模型，并对分类模型进行训练和超参数调优；

其中，对于尺度大于阈值、数量少于阈值且特征差异明显的样本集，使用针对小样本集的集成学习分类模型；对于其他样本集，使用深度神经网络分类模型；其中，所述特征差异明显，即计算的类间分离度大于阈值；

步骤7：将步骤6已经训练好的分类模型集成为分类模型库，输入测试样本集，其自动根据尺度大小和特征选择分类模型库中的优选模型进行分流预测，预测结果标签根据初始样本集的初始标签进行合并归类为{S₁, S₂, …, S_n},其中n为大于1的自然数。

2.根据权利要求1所述的多模态多粒度遥感影像面向对象全自动机器学习方法，其特征在于：步骤3中，所述将每类样本组细化至I级粒度样本，采用光谱-纹理-形状特征，设定类内凝聚度阈值q₁，类间分离度阈值t₁，通过提取样本的光谱、纹理和结构特征，通过聚类算法，对各样本组的初始样本进行粒度划分，使所有聚类样本集的类内凝聚度和类间分离度达到阈值；然后根据聚类结果赋上I级标签，即S_ij = I(S_i) = {S_i1, S_i2, …, S_im}, 1=i=n, 1=j=m,其中n, m均为大于1的自然数。

3.根据权利要求2所述的多模态多粒度遥感影像面向对象全自动机器学习方法，其特征在于：所述样本光谱特征，采用计算样本各波段像元灰度值的均值、标准差进行提取；样本纹理特征，通过统计灰度对出现频率构建经典的灰度共生矩阵，来提取并获取特征参；样本形状特征，通过计算像元形状指数、紧凑度来提取；将提取出的各种特征叠加为多维特征向量，依据初始样本的先验认知，分别赋予样本光谱、纹理和形状特征向量以不同的权重，再利用isodata算法对加权后的多维特征向量进行特征点聚类。