一种基于遥感图像的特征数据提取方法及装置与流程

1.本发明涉及遥感测算技术领域，具体涉及一种基于遥感图像的特征数据提取方法及装置。


背景技术：

2.遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空相片和卫星相片。高光谱遥感影像不仅包含地物空间信息，还包含丰富的地物光谱信息，现有的高光谱遥感数据在提取图像特征时，往往忽略相似特征聚类的重要性，降低了分类精度。


技术实现要素：

3.基于现有技术的缺陷，本技术提供一种基于遥感图像的特征数据提取方法、装置、计算机可读存储介质及电子设备。具体地：
4.一方面，本技术提供一种基于遥感图像的特征数据提取方法，其中，包括：
5.获取空间光谱特征数据形成空间光谱矩阵，
6.获取原始数据中所有波段的光谱均值，计算每个像素空间中相似性以形成原始光谱矩阵；
7.通过权值将空间光谱矩阵和原始光谱矩正结合形成超像素光谱矩阵；
8.随机选择训练样本和测试样本形成训练核矩阵与测试核矩阵；
9.对训练核矩阵与测试核矩阵构建分类模型。
10.优选地，上述的一种基于遥感图像的特征数据提取方法，其中，提取空间光谱特征数据形成空间光谱矩阵具体包括：
11.获取一图像模型数据，对所述图像模型数据做降维处理以形成第一参考分量，
12.根据所述第一参考分量分别于多尺度中获取与所述第一参考分量匹配的子处理数据；
13.计算每个尺度下空间光谱矩阵，将所有尺度下的核矩阵做均值运算形成空间光谱矩阵。
14.优选地，上述的一种基于遥感图像的特征数据提取方法，其中，获取一图像模型数据，对所述图像模型数据做降维处理以形成第一参考分量具体包括：
15.获取所述图像模型数据的三维数据，根据所述三维数据处理形成二维基础矩阵数据和二维边缘矩阵数据；
16.根据二维矩阵数据计算形成特征值和特征向量；
17.对所述特征值做排序处理，选取预定数量的特征值以及与所述特征值匹配的特征向量以形成一特征矩正；
18.根据所述特征矩正和二维边缘矩阵数据做转置处理形成所述第一参考分量。
19.优选地，上述的一种基于遥感图像的特征数据提取方法，其中，获取原始数据中所有波段的光谱均值，计算每个像素空间中相似性以形成原始光谱矩阵具体包括：
20.获取一图像模型数据，根据所述图像模型数据获取每个像素于所有波段的光谱均值；
21.计算每个像素之间的相似性，根据所述计算结果形成原始光谱矩阵。
22.另一方面，本技术再提供一种基于遥感图像的特征数据提取装置，其中，包括：
23.空间光谱矩阵形成单元，获取空间光谱特征数据形成空间光谱矩阵，
24.原始光谱矩阵形成单元，获取原始数据中所有波段的光谱均值，计算每个像素空间中相似性以形成原始光谱矩阵；
25.计算单元，通过权值将空间光谱矩阵和原始光谱矩正结合形成超像素光谱矩阵；
26.训练单元，随机选择训练样本和测试样本形成训练核矩阵与测试核矩阵；
27.模型构建单元，对训练核矩阵与测试核矩阵构建分类模型。
28.优选地，上述的一种基于遥感图像的特征数据提取装置，其中，空间光谱矩阵形成单元具体包括：
29.降维处理装置，获取一图像模型数据，对所述图像模型数据做降维处理以形成第一参考分量，
30.子处理数据装置，根据所述第一参考分量分别于多尺度中获取与所述第一参考分量匹配的子处理数据；
31.计算处理装置，计算每个尺度下空间光谱矩阵，将所有尺度下的核矩阵做均值运算形成空间光谱矩阵。
32.优选地，上述的一种基于遥感图像的特征数据提取装置，其中，降维处理装置具体包括：
33.第一处理器，获取所述图像模型数据的三维数据，根据所述三维数据处理形成二维基础矩阵数据和二维边缘矩阵数据；
34.降维计算器，根据二维矩阵数据计算形成特征值和特征向量；
35.特征矩正形成器，对所述特征值做排序处理，选取预定数量的特征值以及与所述特征值匹配的特征向量以形成一特征矩正；
36.降维处理器，根据所述特征矩正和二维边缘矩阵数据做转置处理形成所述第一参考分量。
37.优选地，上述的一种基于遥感图像的特征数据提取装置，其中，原始光谱矩阵形成装置，具体包括：
38.原始光谱均值计算器，获取一图像模型数据，根据所述图像模型数据获取每个像素于所有波段的光谱均值；
39.原始光谱矩正形成器，计算每个像素之间的相似性，根据所述计算结果形成原始光谱矩阵。
40.再一方面，本技术再提供一种计算机可读存储介质，其上存储有计算机程序，其中该程序被处理器执行时实现上述中任一项所述的一种基于遥感图像的特征数据提取方法。
41.再一方面，本技术再提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项所述一种基于遥感图像的特征数据提取方法。
42.与现有技术相比，本发明的有益效果是：
43.通过上述方法能够有效解决图像光谱无法自适应、光谱信息获取不全面的问题，能够显著提升高光谱影像分类精度，有利于遥感数据的进一步处理。
附图说明
44.图1为本技术实施例提供一种基于遥感图像的特征数据提取方法流程示意图；
45.图2为本技术实施例提供一种基于遥感图像的特征数据提取方法流程示意图；
46.图3为本技术实施例提供一种基于遥感图像的特征数据提取方法流程示意图；
47.图4为本技术实施例提供一种电子设备的结构示意图。
具体实施方式
48.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
49.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
50.实施例一
51.一方面，本技术提供一种基于遥感图像的特征数据提取方法，其中，包括：
52.如图1所示，步骤s110、获取空间光谱特征数据形成空间光谱矩阵，具体包括：步骤s1101、获取一图像模型数据，对所述图像模型数据做降维处理以形成第一参考分量，所述图像模型数据的形成方式包括：
53.设置一预置计算掩膜基础窗口；
54.将所述掩膜基础窗口于采集的图像数据中做掩膜处理以使得所述采集图像数据被划分为若干个数据块；
55.对每个数据块做计算处理以形成第一基础数据；
56.对所述第一基础数据做卷积运算处理以形成所述图像模型数据。
57.对所述图像模型数据做降维处理，降维方式可采用现有技术实现，旨在通过降维处理形成与所述图像模型数据匹配的三维数据。
58.步骤s1102、根据所述第一参考分量分别于多尺度中获取与所述第一参考分量匹配的子处理数据具体包括：
59.步骤s11021、获取所述图像模型数据的三维数据，根据所述三维数据处理形成二维基础矩阵数据和二维边缘矩阵数据；
60.步骤s11022、根据二维矩阵数据计算形成特征值和特征向量；
61.步骤s11023、对所述特征值做排序处理，选取预定数量的特征值以及与所述特征值匹配的特征向量以形成一特征矩正；
62.步骤s11024、根据所述特征矩正和二维边缘矩阵数据做转置处理形成所述第一参考分量。
63.步骤s1103、计算每个尺度下空间光谱矩阵，将所有尺度下的核矩阵做均值运算形成空间光谱矩阵。
64.步骤s120、获取原始数据中所有波段的光谱均值，计算每个像素空间中相似性以形成原始光谱矩阵；具体包括：
65.步骤s1201、获取一图像模型数据，根据所述图像模型数据获取每个像素于所有波段的光谱均值；
66.步骤s1202、计算每个像素之间的相似性，根据所述计算结果形成原始光谱矩阵。
67.步骤s130、通过权值将空间光谱矩阵和原始光谱矩正结合形成超像素光谱矩阵；
68.步骤s140、随机选择训练样本和测试样本形成训练核矩阵与测试核矩阵；
69.步骤s150、对训练核矩阵与测试核矩阵构建分类模型。
70.通过构建的分类模型能够有效解决图像光谱无法自适应、光谱信息获取不全面的问题，能够显著提升高光谱影像分类精度，有利于遥感数据的进一步处理。
71.实施例二
72.另一方面，本技术再提供一种基于遥感图像的特征数据提取装置，其中，包括：
73.空间光谱矩阵形成单元，获取空间光谱特征数据形成空间光谱矩阵，
74.原始光谱矩阵形成单元，获取原始数据中所有波段的光谱均值，计算每个像素空间中相似性以形成原始光谱矩阵；
75.计算单元，通过权值将空间光谱矩阵和原始光谱矩正结合形成超像素光谱矩阵；
76.训练单元，随机选择训练样本和测试样本形成训练核矩阵与测试核矩阵；
77.模型构建单元，对训练核矩阵与测试核矩阵构建分类模型。
78.优选地，上述的一种基于遥感图像的特征数据提取装置，其中，空间光谱矩阵形成单元具体包括：
79.降维处理装置，获取一图像模型数据，对所述图像模型数据做降维处理以形成第一参考分量，
80.子处理数据装置，根据所述第一参考分量分别于多尺度中获取与所述第一参考分量匹配的子处理数据；
81.计算处理装置，计算每个尺度下空间光谱矩阵，将所有尺度下的核矩阵做均值运算形成空间光谱矩阵。
82.优选地，上述的一种基于遥感图像的特征数据提取装置，其中，降维处理装置具体包括：
83.第一处理器，获取所述图像模型数据的三维数据，根据所述三维数据处理形成二维基础矩阵数据和二维边缘矩阵数据；
84.降维计算器，根据二维矩阵数据计算形成特征值和特征向量；
85.特征矩正形成器，对所述特征值做排序处理，选取预定数量的特征值以及与所述特征值匹配的特征向量以形成一特征矩正；
86.降维处理器，根据所述特征矩正和二维边缘矩阵数据做转置处理形成所述第一参考分量。
87.作为进一步优选实施方案，上述的一种基于遥感图像的特征数据提取装置，其中，原始光谱矩阵形成装置，具体包括：
88.原始光谱均值计算器，获取一图像模型数据，根据所述图像模型数据获取每个像素于所有波段的光谱均值；
89.原始光谱矩正形成器，计算每个像素之间的相似性，根据所述计算结果形成原始光谱矩阵。
90.实施例三
91.再一方面，本技术再提供一种计算机可读存储介质，其上存储有计算机程序，其中该程序被处理器执行时实现上述中任一项所述的一种基于遥感图像的特征数据提取方法，具体包括：
92.获取空间光谱特征数据形成空间光谱矩阵，
93.获取原始数据中所有波段的光谱均值，计算每个像素空间中相似性以形成原始光谱矩阵；
94.通过权值将空间光谱矩阵和原始光谱矩正结合形成超像素光谱矩阵；
95.随机选择训练样本和测试样本形成训练核矩阵与测试核矩阵；
96.对训练核矩阵与测试核矩阵构建分类模型。
97.存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd
‑
rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddr ram、sram、edoram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质 (例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
98.当然，本技术实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的渲染方法，还可以执行本技术任意实施例所提供的渲染方法中的相关操作。
99.实施例四
100.再一方面，本技术实施例提供了一种电子设备，该电子设备中可集成本技术实施例提供的渲染装置。图4是本技术实施例四提供的一种电子设备的结构示意图。如图4所示，本实施例提供了一种电子设备400，其包括：一个或多个处理器420；存储装置410，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器 420运行，使得所述一个或多个处理器420实现：
101.获取空间光谱特征数据形成空间光谱矩阵，
102.获取原始数据中所有波段的光谱均值，计算每个像素空间中相似性以形成原始光谱矩阵；
103.通过权值将空间光谱矩阵和原始光谱矩正结合形成超像素光谱矩阵；
104.随机选择训练样本和测试样本形成训练核矩阵与测试核矩阵；
105.对训练核矩阵与测试核矩阵构建分类模型。
106.如图4所示，该电子设备400包括处理器420、存储装置410、输入装置430和输出装
置440；电子设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
107.存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可运行程序以及模块单元，如本技术实施例中的渲染方法对应的程序指令。
108.存储装置410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
109.输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等设备。
110.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。