申请/专利权人：广州蓝图地理信息技术有限公司

申请日：2023-12-15

公开（公告）日：2024-04-02

公开（公告）号：CN117422936B

主分类号：G06V10/764

分类号：G06V10/764;G06N3/0464;G06N3/0499;G06N3/098;G06V10/20;G06V10/80;G06V10/82;G06V20/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.02.06#实质审查的生效;2024.01.19#公开

摘要：本发明涉及遥感图像技术领域，具体为一种遥感图像分类方法及系统，包括以下步骤：通过自适应图像预处理技术处理遥感数据，使用高级灰度共生矩阵和深度卷积神经网络提取特征，应用多模态数据融合技术分析这些特征，生成时空分析特征数据集，利用集成学习算法和增强BP神经网络训练优化分类模型，实现遥感图像的高效分类。本发明中，自适应图像预处理显著提升数据质量，高级灰度共生矩阵与深度卷积神经网络深入提取纹理和特征，多模态数据融合丰富信息源，助力全面分析，时空分析方法捕捉动态变化，为环境预测提供关键依据，集成学习和增强BP神经网络优化模型训练，提高遥感图像分类的准确性和效率，实现强大的特征表达和高效的数据处理。

主权项：1.一种遥感图像分类方法，其特征在于，包括以下步骤：基于预处理需求，采用自适应图像预处理技术，进行噪声滤除、云层遮挡处理和光照条件校正，生成预处理后遥感数据集；基于所述预处理后遥感数据集，采用高级灰度共生矩阵和深度卷积神经网络，提取纹理和高级特征，生成特征提取数据集；基于所述特征提取数据集，采用多模态数据融合技术，分析特征相互关系，生成融合特征数据集；基于所述融合特征数据集，采用时间序列分析和基于时间窗口的特征提取方法，捕捉动态变化特征，生成时空分析特征数据集；基于所述时空分析特征数据集，采用集成学习算法和增强BP神经网络，进行模型训练，生成优化分类模型；基于所述优化分类模型，采用数据适应性策略，对遥感图像进行分类，生成遥感图像分类结果；所述预处理后遥感数据集具体为清晰度、对比度调整后的图像，所述特征提取数据集具体为提取纹理、边缘、形状特征的数据，所述融合特征数据集具体为多遥感数据源特征的综合数据集，所述时空分析特征数据集包括季节性变化、城市发展时间特征，所述优化分类模型具体为用于遥感图像分类的机器学习模型；基于预处理需求，采用自适应图像预处理技术，进行噪声滤除、云层遮挡处理和光照条件校正，生成预处理后遥感数据集的具体步骤如下：基于原始遥感数据，采用自适应滤波算法，动态调整滤波器参数，生成噪声滤除数据；基于所述噪声滤除数据，采用云层检测与遮挡处理技术，分析特征差异，生成云层处理数据；基于所述云层处理数据，采用光照均衡化技术，分析调整光照条件，生成光照条件调整数据；基于所述光照条件调整数据，进行色彩校正和清晰度增强处理，生成预处理后遥感数据集；基于所述预处理后遥感数据集，采用高级灰度共生矩阵和深度卷积神经网络，提取纹理和高级特征，生成特征提取数据集的具体步骤如下：基于所述预处理后遥感数据集，采用灰度共生矩阵技术，分析图像的纹理特征，生成纹理特征数据；基于所述纹理特征数据，采用小波变换方法，对图像进行多尺度分解，生成多尺度纹理分析数据；基于所述多尺度纹理分析数据，采用深度卷积神经网络，提取深层次特征，生成高级特征提取数据；基于所述高级特征提取数据，进行特征融合、优化，生成特征提取数据集；基于所述特征提取数据集，采用多模态数据融合技术，分析特征相互关系，生成融合特征数据集的具体步骤如下：基于所述特征提取数据集，采用数据标准化方法，生成标准化特征数据；基于所述标准化特征数据，采用主成分分析，降低数据维度，生成降维特征数据；基于所述降维特征数据，采用多模态融合技术，生成初步融合特征数据；基于所述初步融合特征数据，进行相关性分析和特征优化，生成融合特征数据集。

全文数据：

权利要求：

百度查询： 广州蓝图地理信息技术有限公司 一种遥感图像分类方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD