(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210354060.8 (22)申请日 2022.04.02 (71)申请人 滁州学院 地址 239000 安徽省滁州市南谯区会峰西 路1号 (72)发明人 黄骁力　江岭　王春　苏旭　 赵明伟　陈西　杨灿灿　黄丹妮　 (74)专利代理 机构 芜湖思诚知识产权代理有限 公司 34138 专利代理师 项磊 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/26(2022.01)G06V 10/54(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种融合地形特征的黄土陷穴面向对象提 取方法 (57)摘要 本发明公开了一种融合地形特征的黄土陷 穴面向对象提取方法， 以全局莫兰指数MI描 述分 割后相邻对象的空间自相关性作为衡量对象间 异质性的标准； 以灰度共生矩阵熵GE描述对象内 部纹理复杂程度作为衡量对象内部同质性的标 准； 将MI与GE的计算式进行归一化处理统一量 纲， 并以综合评价指标的方式进行融合计算， 得 到综合评价指标峰值对应的最优分割尺度。 采用 分组试错法确定最优分割尺度的均质标准， 进而 提取出相应影像对象 的特征信息， 将特征信息输 入卷积神经网络模型提取相应影像对象。 本发明 兼顾对象间异质性与对象内部同质性， 且融合地 形特征， 具有较好的提取效果。 权利要求书2页 说明书8页 附图9页 CN 114648074 A 2022.06.21 CN 114648074 A 1.一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在于： 以全局莫兰指数MI 描述分割后相 邻对象的空间自相关性作为衡量对象间异质性的标准； 以灰度共生矩阵熵GE 描述对象内部纹理复杂程度作为衡量对象内部同质性的标准； 将 MI与GE的计算式进 行归一 化处理统一量纲， 并以综合评价指标的方式进行融合计算， 得到综合评价指标峰值所对应 的最优分割尺度， 采用分组试错法确定最优分割尺度的均质标准， 进而提取出相应影像对 象的特征信息， 将特 征信息输入卷积神经网络模型提取相应 影像对象。 2.根据权利要求1所述的一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在 于： MI与GE的计算式如下： 式(1)中， n代表对象个数， wij代表i对象与j对象的空间权重， 表示 空间上两个对象的相 邻程度， xi、 xj分别为i对象与j对象的对象内部光谱均值， 为整个图像的光谱均值， MI值越 小代表相邻对象的相似度越低， 即异质性越 大； 式(2)中， p(i， j)为灰度共生矩阵中第i行， j 列的概率值， N为共生矩阵行列数。 研究通过计算影像层中所有对象的灰度共生矩阵熵的平 均值以衡量该层总体同质性的效果， 其值越小代表对 象内部纹理复杂度越小， 即对 象同质 性越高。 3.根据权利要求2所述的一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在 于： 以综合评价指标的方式进行融合计算的具体公式如下 所示： 式(3)中， a代表重要性指数， 当取1时代表重要性相同， MInorm代表归一化后莫兰指数， 为归一化对象灰度共生矩阵平均值。 4.根据权利要求3所述的一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在 于： 根据黄土陷穴对象形态设定分割区间、 起点和步长， 并设定相应的形状因子的默认值、 光谱因子、 紧致度因子和光滑度因子， 利用eCognit ion软件进行影像 分割， 并对针对于每个 分割尺度计算并统计归一化GLCM熵平均值、 归一化莫兰指数MI值和综合评价指标F ‑ Measure值。 5.根据权利要求1 ‑4中任一所述的一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在于： 所述均质标准包括光谱因子与形状因子， 形状因子又 由紧致度 因子和光滑度 因子共同组成， 由于光谱因子与形状因子互补， 紧致度因子与光滑度因子互补， 两两 贡献率 为1， 只要确定其中的两个即确定剩下两个， 本方法根据确定的最优分割尺度， 首先固定形 状因子大小， 采用分组试错法确定最优紧致度因子， 再固定最优紧致度因子， 采用分组试错 法确定出最优形状因子 。 6.根据权利要求5所述的一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在 于： 提取出相应影像对象的特征包括光谱特征、 形状特征、 纹理特征和地形特征， 将光谱、 形 状、 纹理、 地形特征进行组合制作融合地形特征训练样本集对卷积神经网络进行训练得到权　利　要　求　书 1/2 页 2 CN 114648074 A 2提取黄土陷穴的模型。 7.根据权利要求6所述的一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在 于： 所述光谱特征包括： 基于遥感影像提取对象的R、 G、 B波段的均值、 标准差、 波段最大差 分以及亮度值； 所述形状特征包括： 基于遥感影像提取对象的面积、 不对称性、 边界指数、 边界长度、 紧 致度、 密度、 椭圆拟合度、 长度、 宽度、 长 宽比、 形状指数以及圆度； 所述纹理特征包括： 基于遥感影像提取对象全方位灰度共生矩阵的同质性、 对比度、 均 值、 非相似性、 熵以及标准差； 所述地形特征包括： 基于DE M提取对象的高程、 坡度及山体阴影三 者的均值与标准差 。 8.根据权利要求7所述的一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在 于： 所述卷积神经网络模型以提取出影像对 象的特征信息作为输入， 采用一维卷积的形式 构建1D‑CNN模型对影像对象进行分类， 模型结构包括2个卷积层、 2个池化层、 2个全连接层 以及1个二分类输出层， 同时为防止过拟合在模型中分别设置2个Dr opout层， 输出层激函数 为Sigmoid， 进行二分类提取黄 土陷穴对象， 除输出层以外其 他激活函数均设置为ReLu。 9.根据权利要求8所述的一种融合地形特征的黄土陷穴面向对象提取方法， 其特征在 于： 所述卷积神经网络模 型中输入层为提取出的特征信息， 卷积层C1 中滤波器个数为64个， 大小为3， 步长为1； 卷积层C2中滤波器个数为128个， 大小为3， 步长为1； 池化层P1、 P2均选用 最大池化方法， 池 大小为2， 步长为1； 全 连接层F1 中神经元个数为256个， 后连接Dr opout层， 参数为0.5， 使神经元随机失活； 全 连接层F2中神经元个数为128个， 后连接Dropout层， 参数 为0.5， 使神经 元随机失活。权　利　要　求　书 2/2 页 3 CN 114648074 A 3