遥感数据智能解析方法及系统与流程

本发明涉及模式识别，尤其涉及遥感数据智能解析方法及系统。

背景技术：

1、模式识别技术领域，这是一种利用计算机技术识别物理数据中的模式和规律的方法。模式识别在遥感数据分析中起着至关重要的作用。在这个技术领域中，主要任务是从遥感图像或数据中提取有用信息。这些数据通常来源于卫星或航空摄影，包含地表、气象、海洋等多种环境信息。通过模式识别，可以将这些复杂的数据转化为有意义的形式，用于环境监测、资源管理、灾害预防等多种应用。

2、其中，遥感数据智能解析方法的主要目的是自动化地识别和处理遥感图像中的特定特征和对象。例如，它可以用于识别地表覆盖类型、监测环境变化、评估自然灾害的影响等。这种方法的目标是提高数据处理的效率和准确性，同时减少对人工分析的依赖。

3、传统遥感数据解析方法在多个方面表现不足。图像处理方面，常见的方法无法充分提升图像质量，导致细节信息丢失，影响后续分析的准确性和效率。在数据结构化方面，缺乏高效的结构化表示，限制了数据处理的深度和广度。聚类分析和模式识别由于缺乏高效算法支持，容易造成分类精度不足，影响整体分析结果的可靠性。此外，特征选择和变化检测方面效率和准确性不足，难以适应复杂多变的环境需求，限制了遥感数据应用的广泛性和有效性。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的遥感数据智能解析方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：遥感数据智能解析方法，包括以下步骤：

3、s1：基于原始遥感数据，采用直方图均衡化算法改善图像的对比度和亮度，接着通过节点相似度创建图结构，将像素点转换成图的节点，并根据相似度建立节点间的连接，生成图结构化遥感数据；

4、s2：基于所述图结构化遥感数据，使用模块度优化方法，识别数据中的自然聚类，对节点进行分组，以挖掘同类模式的集合，进而生成遥感数据聚类图；

5、s3：基于所述遥感数据聚类图，采用深度卷积神经网络对每个聚类进行模式识别，分类并标注差异化的遥感数据类别，包括土地利用类型，生成分类标注遥感图像；

6、s4：基于所述分类标注遥感图像，利用生成对抗网络模型自动进行图像标注，通过生成器产生标注图像，判别器区分真实和生成图像，生成自动标注增强图像；

7、s5：基于所述自动标注增强图像，结合遗传算法和特征选择技术，基于效能自动选择特征组合，提高数据分析的效率和准确性，生成优化特征集；

8、s6：基于所述优化特征集，运用深度信念网络对土地覆盖的变化进行深层特征学习和变化检测，识别包括植被变化或城市扩张特征，生成土地覆盖变化分析图；

9、s7：基于所述土地覆盖变化分析图，应用时间序列分析方法，跟踪长期变化趋势，进行环境变化的综合评估，生成长期环境变化结果。

10、作为本发明的进一步方案，所述图结构化遥感数据包括节点的像素值、边的连接模式和图的拓扑结构，所述遥感数据聚类图包括多个社区的节点集合、社区间的关系和聚类的图形结构，所述分类标注遥感图像包括标注的地表类型、分类的准确度和图像的标注层级，所述自动标注增强图像包括标注的图像细节、边界的清晰度和类别的标识信息，所述优化特征集包括选定的特征变量、特征的权重和特征组合的优化策略，所述土地覆盖变化分析图包括变化区域的识别、变化模式的分析和变化趋势的映射，所述长期环境变化结果包括时间序列的变化分析、趋势的预测模型和环境变化的评估结果。

11、作为本发明的进一步方案，基于原始遥感数据，采用直方图均衡化算法改善图像的对比度和亮度，接着通过节点相似度创建图结构，将像素点转换成图的节点，并根据相似度建立节点间的连接，生成图结构化遥感数据的步骤具体为：

12、s101：基于原始遥感数据，进行直方图均衡化处理，使用opencv库中的cv2.equalizehist函数，对每个像素的灰度值进行调整，通过计算累积分布函数重新分配像素的灰度值，进行图像对比度的均衡化，生成亮度增强遥感图像；

13、s102：基于所述亮度增强遥感图像，进行像素点特征提取，使用局部二值模式算法，通过比较每个像素点与其邻域内8个像素的大小关系，将比较结果转换为二进制数，获取每个像素的纹理特征，生成像素特征数据；

14、s103：基于所述像素特征数据，采用相似度计算方法，通过欧氏距离计算每个像素点与其周围像素点的距离，使用numpy.linalg.norm函数计算两点间的距离，得出每个像素点与其邻域像素点之间的相似度，生成像素相似度矩阵；

15、s104：基于所述像素相似度矩阵，通过图结构构建技术，使用networkx库构建图结构，将每个像素点作为图中的节点，根据像素相似度矩阵中的数据建立节点间的边连接，形成图结构化遥感数据。

16、作为本发明的进一步方案，基于所述图结构化遥感数据，使用模块度优化方法，识别数据中的自然聚类，对节点进行分组，以挖掘同类模式的集合，进而生成遥感数据聚类图的步骤具体为：

17、s201：基于所述图结构化遥感数据，采用k-means算法进行节点特征提取，使用python的scikit-learn库，设置聚类数为10，初始化方法选择k-means++，最大迭代次数设定为300，使用fit方法对每个节点的亮度、颜色和纹理信息进行聚类处理，生成节点特征数据集；

18、s202：基于所述节点特征数据集，应用余弦相似度计算方法，使用numpy库进行计算，设置阈值为0.5，通过计算节点间向量的余弦值确定相似度，根据设定阈值建立或拒绝节点间的连接，生成节点相似度矩阵；

19、s203：基于所述节点相似度矩阵，采用louvain算法进行社区挖掘，使用python的community库，设置模块度优化参数以提高聚类效果，使用best_partition方法对图进行社区分割，将同类节点聚集在同一社区内，生成聚类群组映射图；

20、s204：基于所述聚类群组映射图，进行聚类结果的整合和优化，使用自定义的聚类结果整合函数，调整聚类参数包括社区大小和边的密度，对同类的聚类群组进行合并，生成遥感数据聚类图。

21、作为本发明的进一步方案，基于所述遥感数据聚类图，采用深度卷积神经网络对每个聚类进行模式识别，分类并标注差异化的遥感数据类别，包括土地利用类型，生成分类标注遥感图像的步骤具体为：

22、s301：基于所述遥感数据聚类图，构建深度卷积神经网络，使用tensorflow和keras库，定义模型结构，包括添加多个conv2d层，每层设定64个3x3大小的过滤器，步长设置为1，边界填充方式采用same，限定输出和输入尺寸一致，使用relu激活函数增强非线性表达能力，生成初步神经网络模型；

23、s302：基于所述初步神经网络模型，添加maxpooling2d层，池化窗口设置为2x2，步长为2，边界填充方式仍为same，降低特征维度，减少模型计算量，同时保留关键信息，生成降维后的神经网络模型；

24、s303：基于所述降维后的神经网络模型，添加dropout层，设置丢弃率为0.5，随机断开神经网络中部分连接，规避模型过拟合，生成正则化后的神经网络模型；

25、s304：基于所述正则化后的神经网络模型，添加全连接层dense，设定1024个神经元，激活函数使用softmax，对聚类图中的特征进行分类，使用adam优化器，学习率设置为0.0001，损失函数选用categorical_crossentropy，使用fit方法对模型进行训练，对遥感数据聚类图中的差异化类别进行识别和标注，生成分类标注遥感图像。

26、作为本发明的进一步方案，基于所述分类标注遥感图像，利用生成对抗网络模型自动进行图像标注，通过生成器产生标注图像，判别器区分真实和生成图像，生成自动标注增强图像的步骤具体为：

27、s401：基于所述分类标注遥感图像，构建生成对抗网络的生成器部分，使用tensorflow和keras库，定义生成器的输入层为128维的随机噪声，通过dense层将其映射至匹配维度，接着添加四个卷积逆层，每层过滤器数量分别为512、256、128和64，步长为2，每层后接batchnormalization和relu激活函数，最后一层使用tanh激活函数输出生成图像，进行生成器的初步训练，生成初步生成图像；

28、s402：基于所述初步生成图像，构建生成对抗网络的判别器部分，继续使用tensorflow和keras库，定义判别器的输入层为生成图像，添加四个卷积层，每层过滤器数量分别为64、128、256和512，步长为2，每层后接leakyrelu激活函数和batchnormalization，最后通过一个dense层输出真伪概率，进行判别器的训练，生成判别器训练模型；

29、s403：基于所述判别器训练模型，调整生成对抗网络的整体权重，交替训练生成器和判别器，设置训练批次为1000次，每批次处理64张图像，使用生成器产生标注图像，使用判别器进行真伪判定，优化模型，生成优化后的gan模型；

30、s404：基于所述优化后的gan模型，进行图像生成，使用生成器产生自动标注图像，经过判别器的验证，生成自动标注增强图像。

31、作为本发明的进一步方案，基于所述自动标注增强图像，结合遗传算法和特征选择技术，基于效能自动选择特征组合，提高数据分析的效率和准确性，生成优化特征集的步骤具体为：

32、s501：基于所述自动标注增强图像，采用遗传算法初始化特征组合种群，通过随机生成长度等同于特征数量的二进制字符串来表示每个特征是否被选中，在有10个特征的情况下，若字符串为1010101010，则1代表对应特征被选中，0代表未被选中，生成初始特征组合种群；

33、s502：基于所述初始特征组合种群，采用支持向量机作为适应度函数进行评估，通过计算每个特征组合在svm分类器上的分类准确率评估其适应度，利用交叉验证法对每个特征组合进行评估，生成适应度评估结果；

34、s503：基于所述适应度评估结果，遗传算法执行选择、交叉和变异三个关键操作，选择操作采用轮盘赌选择法基于适应度选择个体，交叉操作以0.8的概率在两个个体间随机选择交叉点进行基因交换，变异操作以0.1的概率在个体的基因串上随机选择位置进行基因反转，生成新一代特征组合种群；

35、s504：基于所述新一代特征组合种群，重复执行适应度评估和遗传操作，直到达到设定的迭代次数50次或适应度收敛，从中基于适应度选择最优特征集，生成优化特征集。

36、作为本发明的进一步方案，基于所述优化特征集，运用深度信念网络对土地覆盖的变化进行深层特征学习和变化检测，识别包括植被变化或城市扩张特征，生成土地覆盖变化分析图的步骤具体为：

37、s601：基于所述优化特征集，使用tensorflow和keras库构建深度信念网络的第一层，该层为受限玻尔兹曼机，节点数设为256，对每个节点的亮度、颜色和纹理信息进行特征提取，使用对比散度算法，学习率设置为0.01，批次大小为50，进行特征提取和非监督学习，生成第一层网络权重；

38、s602：基于所述第一层网络权重，增加深度信念网络的第二层，该层节点数为128，继续使用对比散度算法进行非监督学习，批次大小和学习率保持不变，再次对第一层输出的特征进行抽取，生成第二层网络权重；

39、s603：基于所述第二层网络权重，对整个深度信念网络进行微调，采用反向传播算法优化网络，设置学习率为0.01，批次大小为100，使用交叉熵损失函数，通过调整权重和偏置，提升对土地覆盖变化特征的识别能力，针对植被变化和城市扩张特征，生成微调后的dbn模型；

40、s604：基于所述微调后的dbn模型，输入待分析的遥感数据，通过模型识别土地覆盖的变化特征，对植被变化和城市扩张，进行变化检测，生成土地覆盖变化分析图。

41、作为本发明的进一步方案，基于所述土地覆盖变化分析图，应用时间序列分析方法，跟踪长期变化趋势，进行环境变化的综合评估，生成长期环境变化结果的步骤具体为：

42、s701：基于所述土地覆盖变化分析图，进行时间序列分析，使用python中的statsmodels库执行自回归移动平均模型，选择匹配p、d、q参数以最小化aic值，通过模型拟合历史数据，识别和预测土地覆盖的趋势变化，通过plot_predict方法可视化未来预测，生成变化趋势预测结果；

43、s702：基于所述变化趋势预测结果，应用聚类分析，利用python的scikit-learn库中的kmeans算法，设定聚类数为k，根据轮廓系数选择最优k值，使用fit方法对指标数据进行聚类，通过inertia_属性评估聚类效果，聚类后对每个类别的特征进行分析，生成聚类分析结果；

44、s703：利用所述聚类分析结果，执行影响因素分析，运用线性回归模型，使用python的scipy库中的linregress函数，输入变量为聚类结果的特征值，输出变量为环境变化指标，计算回归系数、p值和标准误差，通过回归模型的统计显著性影响确定关键影响因素，生成影响因素分析结果；

45、s704：结合所述变化趋势预测结果、聚类分析结果、影响因素分析结果，采用决策树算法，使用python的scikit-learn库中的decisiontreeclassifier，设定决策树的最大深度和最小样本切分，利用fit方法基于影响因素分析报告构建模型，通过predict方法对未来环境变化进行分类预测，生成长期环境变化结果。

46、遥感数据智能解析系统，所述遥感数据智能解析系统用于执行上述遥感数据智能解析方法，所述系统包括图像增强模块、图结构化处理模块、聚类识别模块、深度分类模块、标注优化模块、变化检测与分析模块；

47、所述图像增强模块基于原始遥感数据，采用直方图均衡化算法改善图像对比度，随后使用局部二值模式特征提取算法提取像素点的纹理信息，通过结合对比度改善和纹理信息增强，生成亮度纹理增强图像；

48、所述图结构化处理模块基于亮度纹理增强图像，采用欧氏距离计算确定像素点之间的相似度，进而利用图结构构建技术，将每个像素点视为节点，根据相似度建立节点间的连接，形成结构化像素图；

49、所述聚类识别模块基于结构化像素图，运用k-means聚类算法提取节点特征，再利用louvain社区发现算法对节点进行分组，分析数据中的自然聚类，从而生成聚类群组图；

50、所述深度分类模块基于聚类群组图，构建深度卷积神经网络进行模式识别，对差异化聚类进行分类和标注，对遥感数据进行土地覆盖类型识别，生成深度分类图像；

51、所述标注优化模块基于深度分类图像，应用生成对抗网络进行图像标注优化，通过生成器产生细化标注，判别器验证标注质量，进而生成优化标注图像；

52、所述变化检测与分析模块基于优化标注图像，利用深度信念网络对土地覆盖的变化进行深层特征学习，结合时间序列分析方法跟踪长期变化趋势，生成环境变化分析图。

53、与现有技术相比，本发明的优点和积极效果在于：

54、本发明中，通过直方图均衡化算法有效改善图像对比度和亮度，明显提升细节可见性。图结构化处理增强数据表达能力，提高信息提取精确度。模块度优化方法在聚类分析中有效识别自然聚类，提高分类准确性和效率。深度卷积神经网络与生成对抗网络在模式识别和自动图像标注方面大幅提升准确性和质量。遗传算法与特征选择技术相结合的优化特征集，提升数据分析效率和准确性。深度信念网络在变化检测方面实现深层特征学习，提升变化识别准确度。时间序列分析方法有效跟踪和预测环境变化趋势，为综合评估提供坚实数据支撑。