专利交易市场

本发明涉及无人机影像对湿地植被物种和地物分类的评估方法，包括：获取不同空间分辨率的航拍影像，对所述航拍影像进行处理，获得不同空间分辨率的重采样影像；通过所述航拍影像和所述重采样影像进行湿地植被物种和地物分类以及分类精度的评估。本发明提供的无人机影像对湿地植被物种和地物分类的评估方法，能够正确认识和发挥湿地的资源优势，为湿地植被恢复技术和区域生物多样性及其形成机制研究提供数据支持。

本发明公开了一种融合多特征的支持向量机面向对象遥感影像分类方法，包括以下步骤：(1)利用分水岭算法分割遥感影像，提取像元级的Gabor纹理和GMRF纹理，在此基础上提取各个分割对象的特征值；(2)建立对象的空间邻接关系矩阵，根据相邻对象间的公共边界长度改进莫兰指数，利用莫兰指数计算各个对象特征的空间自相关性，以特征的空间自相关性计算特征的权重；(3)通过改进SVM的核函数，构建特征加权的自适应SVM面向对象分类模型；(4)选取训练样本，结合对象的光谱特征、Gabor纹理和GMRF纹理，应用加权SVM进行对象分类。本发明通过特征融合的面向对象分类提高了遥感影像分类结果精度。

本发明公开了一种遥感影像分类结果验证方法，利用遥感影像分类技术对遥感影像数据进行分类，根据遥感影像分类结果在遥感影像中提取目标地貌与其他区域的分类边界线，并在提取出的分类边界线上采样选取若干边界勘察预选点，地面人员在边界勘察预选点处进行勘察得到目标地貌与其他区域之间的实际分界点坐标，计算得到每个实际分界点与对应的距离最近分界点的矢量距离，构建得到矢量距离序列，采用T‑test检验矢量距离序列与0值的差异显著性，若结果不显著，则说明遥感影像分类结果准确，否则说明分类结果不准确。本发明考虑边界样本信息，结合T‑test检验，实现对遥感影像分类效果的验证。

本发明公开了一种基于双网络的遥感影像分类模型样本增量学习方法，属于数据识别领域，包括用D0训练分类模型，得到识别N种遥感影像类别的分类模型M0；构造样本增量学习的数据流D1~Dt，Dt中训练样本的类别集和D0相同；依次进行增量学习，第t次增量学习的过程为：构造一双网络模型，包括第一网络模型Mt1和第二网络模型Mt2，Mt1与上次学习得到的模型Mt‑1间采用知识蒸馏，用于维护Mt‑1输出中包含的旧知识，缓解知识遗忘问题，Mt2将学习Dt得到的输出作为Mt1的学习目标，并在每个训练步骤对两个网络的输出做一致性损失，使模型能有效学习新知识，并通过知识协同算法来更新网络参数，提高模型的分类性能。