本發(fā)明涉及遙感影像處理，更具體地說，本發(fā)明涉及一種遙感影像地物信息智能提取分析系統(tǒng)。

背景技術(shù)：

1、遙感影像變化檢測是一項重要技術(shù)，用于觀測地表變化情況，該技術(shù)在全球土地利用監(jiān)測、生態(tài)環(huán)境監(jiān)測、自然災害應急響應以及自然資源普查等多個關(guān)鍵領(lǐng)域得到廣泛應用，遙感影像作為系統(tǒng)、動態(tài)描述陸地表面演變的核心數(shù)據(jù)來源，其廣泛的空間覆蓋、大量的空間分辨率和光譜分辨率變化，極大地推動了環(huán)境和土地利用監(jiān)測等應用的發(fā)展，現(xiàn)有技術(shù)中，已經(jīng)出現(xiàn)了基于光譜信息對遙感影像進行處理，從而有效地分析植被變化等地表動態(tài)。

2、例如，公開號為cn107564016a的專利申請?zhí)峁┝艘环N集成地物光譜信息的多波段遙感圖像分割及標記方法，該專利通過計算多波段遙感圖像的大氣層頂表觀反射率，提取光譜特征并進行地物分類，得到分類結(jié)果圖，接著，利用區(qū)域增長法對j值圖像進行分割，并統(tǒng)計每個分割區(qū)域內(nèi)的地物分類類別及比例，公開號為cn109191482a的專利申請?zhí)峁┝艘环N基于區(qū)域自適應光譜角閾值的圖像合并分割方法，該專利采用光譜角作為全局梯度計算、通過分割產(chǎn)生、全局地物相似性初始判斷以及產(chǎn)生區(qū)域自適應的光譜角閾值的重要且唯一輸入?yún)?shù)。

3、盡管現(xiàn)有技術(shù)已經(jīng)基于光譜信息對遙感影像進行分割處理，但在林地管理場景中，特別是不同樹林之間邊界的監(jiān)測時，由于不同光譜特征對植被圖像分類的準確性和精度存在差異，且現(xiàn)有技術(shù)無法選擇最優(yōu)的光譜特征，此外，對于植被圖像中邊界模糊的區(qū)域，精確劃分的能力較弱，導致監(jiān)測植被變化的效果不理想。

4、鑒于此，本發(fā)明提出一種遙感影像地物信息智能提取分析系統(tǒng)以解決上述問題。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供一種遙感影像地物信息智能提取分析系統(tǒng)。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、第一方面，提供了一種遙感影像地物信息智能提取分析系統(tǒng)，包括：

4、信息篩選模塊：用于獲取初始地物信息以及對應的光譜特征信息，根據(jù)逐步特征分析法從光譜特征信息中篩選出m個子特征信息，所述初始地物信息為遙感圖像信息；

5、信息優(yōu)化模塊：用于遍歷m個子特征信息，獲取每個子特征信息對應的統(tǒng)計系數(shù)，基于統(tǒng)計系數(shù)以及預設(shè)智能優(yōu)化算法從m個子特征信息中，確定最優(yōu)特征信息；

6、信息調(diào)整模塊：用于根據(jù)最優(yōu)特征信息對初始地物信息進行初步區(qū)域分類，得到中間地物信息，獲取中間地物信息對應的特征相似度集合，根據(jù)特征相似度集合對中間地物信息進行校正，得到目標地物信息。

7、進一步地，根據(jù)逐步特征分析法從光譜特征信息中篩選出m個子特征信息的方法包括：

8、從光譜特征信息任意選出n個元素，將n個元素組合為初始特征信息，計算初始特征信息對應的內(nèi)部偏差矩陣，計算內(nèi)部偏差矩陣對應的內(nèi)部行列式，將內(nèi)部行列式的倒數(shù)作為統(tǒng)計系數(shù)，判斷統(tǒng)計系數(shù)是否小于預設(shè)系數(shù)閾值，若小于則將初始特征信息作為子特征信息，若不小于則將初始特征信息剔除，重復上述步驟，直至篩選出m個子特征信息。

9、進一步地，計算初始特征信息對應的內(nèi)部偏差矩陣的方法包括：

10、wsx=;

11、式中，wsx為內(nèi)部偏差矩陣，為初始特征信息中元素總個數(shù)，為第個類別的第個特征值，為第個類別的第個特征上的平均值，為第個類別的第個特征值，第個類別的第個特征上的平均值。

12、進一步地，智能優(yōu)化算法為鯨魚優(yōu)化算法，基于統(tǒng)計系數(shù)以及預設(shè)智能優(yōu)化算法從m個子特征信息中，確定最優(yōu)特征信息的方法包括：

13、初始化單元：用于定義初始鯨魚數(shù)量為y、最大迭代次數(shù)，每一個初始鯨魚個體表征為一個子特征信息，隨機值rand是從[0,?1]的均勻分布中采樣的一個隨機數(shù)；

14、適應度計算單元：用于獲取子特征信息對應的統(tǒng)計系數(shù)，將統(tǒng)計系數(shù)作為初始鯨魚個體的目標適應度值；

15、策略模擬單元：用于當隨機值rand＜0.5，則進行收縮包圍策略，當隨機值rand≥0.5時，則進行螺旋捕獵策略；

16、循環(huán)輸出單元：用于重復上述策略模擬單元，不斷更新子特征信息，直至達到最大迭代次數(shù)時，輸出當前最優(yōu)的子特征信息，將當前最優(yōu)的子特征信息作為最優(yōu)特征信息。

17、進一步地，進行收縮包圍策略的方法包括：

18、;

19、其中，為下一代鯨魚位置，為當前鯨魚位置，為追逐目標位置，為收縮包圍策略的收縮系數(shù)，為收縮包圍策略的控制因子，為當前迭代次數(shù)。

20、進一步地，進行螺旋捕獵策略的方法包括：

21、=;

22、其中，為螺旋捕獵策略的螺旋收縮系數(shù)，為[-1,?1]范圍內(nèi)隨機值。

23、進一步地，根據(jù)最優(yōu)特征信息對初始地物信息進行初步區(qū)域分類，得到中間地物信息的方法包括：

24、將最優(yōu)特征信息和初始地物信息輸入到預構(gòu)建的區(qū)域分類模型中，獲得中間地物信息；

25、區(qū)域分類模型的構(gòu)建方法包括：

26、獲取g組訓練數(shù)據(jù)，g為大于1的正整數(shù)，訓練數(shù)據(jù)包括歷史最優(yōu)特征信息、歷史初始地物信息和歷史中間地物信息；

27、將歷史最優(yōu)特征信息、歷史初始地物信息和歷史中間地物信息作為樣本集，將樣本集劃分為訓練集和測試集，構(gòu)建分類器；

28、將訓練集中的歷史最優(yōu)特征信息和歷史初始地物信息作為輸入數(shù)據(jù)，將訓練集中的歷史中間地物信息作為輸出數(shù)據(jù)，對分類器進行訓練，得到初始分類器；

29、利用測試集對初始分類器進行測試，輸出滿足預設(shè)準確度的分類器作為區(qū)域分類模型。

30、進一步地，獲取中間地物信息對應的特征相似度集合的方法包括：

31、確定中間地物信息中的分割線，獲取分割線中的最大特征點，根據(jù)最大特征點確定分割線對應的最小包圍框，計算最小包圍框中每個像素點與鄰近像素點之間的光譜特征相似度，將所有像素點對應的光譜特征相似度進行整合，從而獲得特征相似度集合。

32、相比于現(xiàn)有技術(shù)，本發(fā)明的有益效果為：

33、本發(fā)明先根據(jù)逐步特征分析法從光譜特征信息中篩選出m個子特征信息，再獲取每個子特征信息對應的統(tǒng)計系數(shù)，基于統(tǒng)計系數(shù)以及預設(shè)智能優(yōu)化算法從m個子特征信息中，確定最優(yōu)特征信息，最后根據(jù)最優(yōu)特征信息對初始地物信息進行初步區(qū)域分類，得到中間地物信息，獲取中間地物信息對應的特征相似度集合，根據(jù)特征相似度集合對中間地物信息進行校正，得到目標地物信息，這樣本發(fā)明通過逐步特征分析法篩選出具有最佳區(qū)分能力的子特征信息，并利用智能優(yōu)化算法進一步優(yōu)化，確保提取的最優(yōu)特征信息能夠精確反映不同地物類別的光譜差異，從根本上提升了分類的準確性，再通過對初始地物信息的分割線調(diào)整和特征相似度集合的校正，有效解決了現(xiàn)有技術(shù)中不同樹林邊界模糊、分類精度不高的問題，使得分割線更貼合實際邊界。

技術(shù)特征：

1.一種遙感影像地物信息智能提取分析系統(tǒng)，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種遙感影像地物信息智能提取分析系統(tǒng)，其特征在于，所述根據(jù)逐步特征分析法從光譜特征信息中篩選出m個子特征信息的方法包括：

3.根據(jù)權(quán)利要求2所述的一種遙感影像地物信息智能提取分析系統(tǒng)，其特征在于，所述計算初始特征信息對應的內(nèi)部偏差矩陣的方法包括：

4.根據(jù)權(quán)利要求2所述的一種遙感影像地物信息智能提取分析系統(tǒng)，其特征在于，所述智能優(yōu)化算法為鯨魚優(yōu)化算法，基于統(tǒng)計系數(shù)以及預設(shè)智能優(yōu)化算法從m個子特征信息中，確定最優(yōu)特征信息的方法包括：

5.根據(jù)權(quán)利要求4所述的一種遙感影像地物信息智能提取分析系統(tǒng)，其特征在于，所述進行收縮包圍策略的方法包括：

6.根據(jù)權(quán)利要求4所述的一種遙感影像地物信息智能提取分析系統(tǒng)，其特征在于，所述進行螺旋捕獵策略的方法包括：

7.根據(jù)權(quán)利要求4所述的一種遙感影像地物信息智能提取分析系統(tǒng)，其特征在于，所述根據(jù)最優(yōu)特征信息對初始地物信息進行初步區(qū)域分類，得到中間地物信息的方法包括：

8.根據(jù)權(quán)利要求1所述的一種遙感影像地物信息智能提取分析系統(tǒng)，其特征在于，所述獲取中間地物信息對應的特征相似度集合的方法包括：

技術(shù)總結(jié)
本發(fā)明涉及遙感影像處理技術(shù)領(lǐng)域，本發(fā)明公開了一種遙感影像地物信息智能提取分析系統(tǒng)，包括根據(jù)逐步特征分析法從光譜特征信息中篩選出M個子特征信息，再獲取每個子特征信息對應的統(tǒng)計系數(shù)，基于統(tǒng)計系數(shù)以及預設(shè)智能優(yōu)化算法從M個子特征信息中，確定最優(yōu)特征信息，最后根據(jù)最優(yōu)特征信息對初始地物信息進行初步區(qū)域分類，得到中間地物信息，根據(jù)特征相似度集合對中間地物信息進行校正，得到目標地物信息，這樣本發(fā)明通過逐步特征分析法篩選出具有最佳區(qū)分能力的子特征信息，并利用智能優(yōu)化算法進一步優(yōu)化，確保提取的最優(yōu)特征信息能夠精確反映不同地物類別的光譜差異，從根本上提升了分類的準確性，使得分割線更貼合實際邊界。

技術(shù)研發(fā)人員：宋秦鋒,趙萍,鄧向陽,孫進文,李智飛
受保護的技術(shù)使用者：中量設(shè)計集團有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/20