[发明专利]一种基于AT-EnFCM-SCNN的灾害环境特征提取方法

权利要求书

1.一种基于AT-EnFCM-SCNN的灾害环境特征提取方法，特征在于：(1)确定梯度图像的多尺度开重建，(2)确定聚类中心，(3)计算隶属度，(4)确定是否达到迭代条件，(5)确定卷积神经网络的损失函数，具体包括以下五个步骤：

步骤一：确定梯度图像的多尺度开重建R^rec(g,r₁,r₂)；

首先，对梯度图像进行开重建操作，确定R^o(g)：

R^o(g)＝R^d(R^e(g))；

式中，g为初始梯度图像，R^o为开重建运算，R^d为膨胀操作，R^e为腐蚀操作；对开重建结果进行多尺度操作，选用不同的尺度半径进行梯度图像的重建，同时对这些梯度图像进行融合，得到梯度图像的多尺度开重建R^rec(g,r₁,r₂)：

式中，r₁为最小尺度半径，r₂为最大尺度半径，R^rec为尺度重建运算；采用分水岭进行分割，确定原始灾情信息的超像素图像；

步骤二：确定聚类中心v_k；

根据上一步骤得到的超像素图像，确定更新聚类中心的方式：

式中，Q是超像素区域的个数，l代表区域的次数，k是区域的类别数，N_l为第l个区域的R_l中的像素数，x_p为具有d维特征像素点，p为具有特征的点，u_lk为第l个区域属于k类的隶属度，m为模糊权重指数；之后计算聚类中心和各个像素点间的距离；

步骤三：计算隶属度u_lk；

式中，C为总的聚类中心数，j为计算单位，v_j为j计算单位对应的位置，||*||²为任意表示距离的度量；

步骤四：确定是否达到迭代条件：

式中，n为迭代步数，δ为误差阈值，直到达到迭代条件，否则继续确定聚类中心和隶属度，继续进行迭代条件的判断，获取每个图像区域所属的类型标签，将标签进行再次聚类，得到两个区域，用两个区域的平均值代表该区域的内容，输出分割结果；

步骤五：确定卷积神经网络的损失函数F(W)；

式中，W是卷积层中所有权重的集合，F_D(W)是经验风险，代表了真实值和预测值之间的误差，R(·)为结构风险，为应用在每个权重上的L1范数正则化项，通过惩罚权重绝对值的总和来缩小甚至清零权重值，减少模型计算量；λ为结构风险对应的常数，λ_g为结构稀疏正则化项对应的常数，L为区域的总个数；R_g(·)为结构稀疏正则化项，使用Group Lasso正则化，有效的使卷积层中的大量参数为零，实现各卷积层的高度稀疏化，展开式为：

式中，G为总体权重划分的组数，w^(g)为g个权重组；搭建卷积层、池化层、全连接层，使用上述损失函数，进行模型的训练，实现对灾情环境信息的特征提取。