专利摘要

本发明公开了一种多模态多粒度遥感影像面向对象自动机器学习方法及系统，将初始的云样本数据，依次通过光谱‑纹理‑形状特征、地理信息特征、时间变化特征及尺度特征四种不同模态的粒度划分方案，将每类样本组细化至I级粒度样本、II级粒度样本、III级粒度样本和IV级粒度样本，并赋予对应的代号标签。按照适当的比例分层抽样划分训练、验证和测试样本集后，对各类样本进行扩充后，针对不同样本组的特征选择合适的机器学习方法进行模型训练及调优，将所有训练好的分类器模型集成为分类模型库，再输入测试样本集，根据尺度和特征自动优选模型进行分流预测，将预测结果依据初始样本集标签规则归类合并，最后再进行精度验证及评价。

权利要求

1.一种多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于，包括以下步骤：

步骤1：将已标注属性标签的面向对象的遥感影像云样本数据作为初始样本集S；

步骤2：将初始样本集S按初始标签依次分为n类样本组，即S={S1, S2, …, Sn}；

步骤3：对每个样本组进行云控制的多模态多粒度面向对象样本细化处理，根据样本的具体特征及判断，依次通过四种不同模态的粒度划分方案，将每类样本组细化至I级粒度样本、II级粒度样本、III级粒度样本和IV级粒度样本，并赋予代号标签；其中，所述四种不同模态包括光谱-纹理-形状特征、云控制地理信息特征、时间变化特征和尺度特征四种模态；

步骤4：经过步骤3的多模态多粒度样本细化后，得到IV级粒度样本集，并依据预设比例分层抽样，将其分别划分为训练样本集、验证样本集和测试样本集；

步骤5：分别对步骤4划分的训练样本集、验证样本集和测试样本集进行样本扩充，生成新的样本；

步骤6：根据步骤5扩充后的训练、验证样本集数量差异，选择机器学习分类模型，并对分类模型进行训练和超参数调优；

其中，对于尺度大于阈值、数量少于阈值且特征差异明显的样本集，使用针对小样本集的集成学习分类模型；对于其他样本集，使用深度神经网络分类模型；其中，所述特征差异明显，即计算的类间分离度大于阈值；

步骤7：将步骤6已经训练好的分类模型集成为分类模型库，输入测试样本集，其自动根据尺度大小和特征选择分类模型库中的优选模型进行分流预测，预测结果标签根据初始样本集的初始标签进行合并归类为{S1, S2, …, Sn},其中n为大于1的自然数。

2.根据权利要求1所述的多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于：步骤2中，所述将每类样本组细化至I级粒度样本，采用光谱-纹理-形状特征，设定类内凝聚度阈值q1，类间分离度阈值t1，通过提取样本的光谱、纹理和结构特征，通过聚类算法，对各样本组的初始样本进行粒度划分，使所有聚类样本集的类内凝聚度和类间分离度达到阈值；然后根据聚类结果赋上I级标签，即Sij = I(Si) = {Si1, Si2, …, Sim}, 1<=i<=n, 1<=j<=m,其中n, m均为大于1的自然数。

3.根据权利要求2所述的多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于：所述样本光谱特征，采用计算样本各波段像元灰度值的均值、标准差进行提取；样本纹理特征，通过统计灰度对出现频率构建经典的灰度共生矩阵，来提取并获取特征参；样本形状特征，通过计算像元形状指数、紧凑度来提取；将提取出的各种特征叠加为多维特征向量，依据初始样本的先验认知，分别赋予样本光谱、纹理和形状特征向量以不同的权重，再利用isodata算法对该加权后的向量空间进行特征点聚类。

4.根据权利要求2所述的多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于：所述通过聚类算法对各样本组的初始样本进行粒度划分，若某一聚类集合的类内凝聚度和同其他聚类集合的类间分离度达到阈值，则保留该聚类集合；若未达到阈值，则继续对不合格的聚类集合统一进行新一轮的聚类，直至所有聚类样本集的类内凝聚度和类间分离度均满足阈值。

5. 根据权利要求1所述的多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于：步骤2中，所述将每类样本组细化至II级粒度样本，采用云控制地理信息特征，根据部分样本的高度海拔、所处环境，结合云控制下的已有的地理信息产品，对I级粒度样本进一步叠加以辅助判别并划分粒度；然后根据判别结果附上II级标签，即Sijk = II(Sij) ={Sij1, Sij2, …, Sija}, 1<=i<=n, 1<=j<=m, 1<=k<=a,其中n, m, a均为大于1的自然数；无需此模态判别的样本该级粒度标签值为0，标记为Sij0。

6.根据权利要求5所述的多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于：首先对用于辅助判别的云控制地理信息产品数据和待辅助样本数据进行配准和几何校正，获取样本的地理定位信息，来查询辅助数据对应定位范围内的属性信息，提取所有待辅助样本的对应辅助属性，并进行统计和k-means聚类；依据聚类结果，将I级粒度样本进行新一轮的划分组和类别，并按照每组样本数量由多至少依次附上II级标签。

7.根据权利要求1所述的多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于：步骤2中，所述将每类样本组细化至III级粒度样本，采用时间变化特征，根据部分样本在时间上的变化特征，结合不同时相的影像数据辅助判别，即通过计算样本时间变化特征属性并赋值后加入特征向量，对II级粒度样本进一步划分粒度；根据判别结果附上III级标签，即Sijkl = III(Sijk) = {Sijk1, Sijk2, …, Sijkb} 1<=i<=n, 1<=j<=m, 1<=k<=a,1<=l<=b,其中n,m,a,b均为大于1的自然数；无需此模态判别的样本该级粒度标签值为0，标记为Sijk0。

8.根据权利要求1所述的多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于：步骤2中，所述将每类样本组细化至IV级粒度样本，采用尺度特征，设定类内凝聚度阈值q4和类间分离度阈值t4，根据样本的尺寸大小差异进行尺度聚类，即获取每个样本长宽(x，y)；利用聚类算法，对样本尺寸点集进行聚类，当所有聚类样本集的类内凝聚度和类间分离度达到阈值，获取尺寸上限和下限值，作为其尺度划分区间，获取区间中值作为后续处理的重采样标准，对样本进行尺度模态的粒度划分，并附上IV级标签，即Sijklw = IV(Sijkl)= {Sijkl1, Sijkl2, …, Sijklc} 1<=i<=n, 1<=j<=m, 1<=k<=a, 1<=l<=b, 1<=w<=c,其中n,m,a,b,c均为大于1的自然数。

9.根据权利要求1-8任意一项所述的多模态多粒度遥感影像面向对象自动机器学习方法，其特征在于：对步骤7的结果，通过混淆矩阵、总体精度、kappa系数等进行精度验证及评价。

10.一种多模态多粒度遥感影像面向对象自动机器学习系统，其特征在于，包括以下模块：

模块1，用于将已标注属性标签的面向对象的遥感影像云样本数据作为初始样本集S；

模块2，用于将初始样本集S按初始标签依次分为n类样本组，即S={S1, S2, …, Sn},其中n为大于1的自然数；

模块3，用于对每个样本组进行云控制的多模态多粒度面向对象样本细化处理，根据样本的具体特征及判断，依次通过四种不同模态的粒度划分方案，将每类样本组细化至I级粒度样本、II级粒度样本、III级粒度样本和IV级粒度样本，并赋予代号标签；其中，所述四种不同模态包括光谱-纹理-形状特征、云控制地理信息特征、时间变化特征和尺度特征四种模态；

模块4，用于经过模块3的多模态多粒度样本细化后，得到IV级粒度样本集，并依据预设比例分层抽样，将其分别划分为训练样本集、验证样本集和测试样本集；

模块5，用于分别对模块4划分的训练样本集、验证样本集和测试样本集进行样本扩充，生成新的样本；

模块6，用于根据模块5扩充后的训练、验证样本集数量差异，选择机器学习分类模型，并对分类模型进行训练和超参数调优；

其中，对于尺度大于阈值、数量少于阈值且特征差异明显的样本集，使用针对小样本集的集成学习分类模型；对于其他样本集，使用深度神经网络分类模型；其中，所述特征差异明显，即计算的类间分离度大于阈值；

模块7，用于将模块6已经训练好的分类模型集成为分类模型库，输入测试样本集，其自动根据尺度大小和特征选择分类模型库中的优选模型进行分流预测，预测结果标签根据初始样本集的初始标签进行合并归类为{S1, S2, …, Sn},其中n为大于1的自然数。

多模态多粒度遥感影像面向对象自动机器学习方法及系统专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。