本发明涉及遥感图像处理技术领域，更具体地说，本发明具体为一种遥感图像处理后自动分类系统。
背景技术：
随着空间技术和传感器技术的飞速发展，遥感影像数据已经成为人们获取信息的重要手段，在军事侦察、环境监测、资源调查、土地利用和城市规划等领域发挥越来越重要的作用，然而，受光照条件、大气状况、传感器等诸多因素的影响，成像设备所获取的遥感图像的与被拍摄地物往往存在一定的偏差，图像失真难免会影响后续分析和解译结果的正确性和稳定性。面对目前呈指数级增长的海量遥感图像，如何自动、快速、稳定地处理遥感图像，成为人们关心和研究的热点问题，也是具有高度挑战性的难点问题，因此，研发准确、实用的遥感图像处理方法，变得尤为迫切和必要。
在遥感图像处理方面，国内外研究者和技术人员已进行了一定的探讨和研究，并取得了初步的成果，其中比较有代表性的遥感软件包括：美国erdas公司的erdasimagine和德国inpho公司的orthovista，这些软件可改善遥感影像的状况；通用的商用图像处理软件，主要有adobe公司的photoshop，这些软件经大量的人工交互和确认操作，包括参数设置、方法选择、是否进行后续增强的选择等，根据待处理遥感图像，之后选定与其相近或相似的参考遥感图像，之后对待匀色遥感图像和参考遥感图像进行匹配，之后根据匹配结果拼接待处理遥感图像和参考遥感图像。其中，在进行图像匹配时，主要采用地理坐标配准和特征配准两种方案，使得处理结果已经能够有效改进图像质量，并且可以对图像处理效果进行完备、准确、客观的检验。
图像分类，核心是从给定的分类集合中给图像分配一个标签的任务，实际上由分析一个输入图像并返回一个将图像分类的标签，标签总是来自预定义的可能类别集，传统的图像分类主要是处理图像或对象的变化因素，包括视点变化、缩放变化、变形、闭合变化、光照变化、背景杂乱、内变化以及对这些多个变化进行联合处理，处理算法较为繁重，无法应对大量的遥感图像处理，随着多平台、多空间分辨率、多时相遥感图像的出现，每天需要处理的遥感图像数据量急剧增加，为对遥感图像进行分类比对达到充分运用遥感图像信息、提取信息的目的，对于经初步处理后的遥感图像进行分类比对也迫切需要自动、高效的处理分类技术，而现有的技术在自动化程度、处理速度和稳定性方面难以适应社会发展的需要。
因此亟需提供一种自动化的遥感图像处理后自动分类系统。
技术实现要素：
为了克服现有技术的上述缺陷，本发明的实施例提供一种遥感图像处理后自动分类系统，通过设置图像转化、特征提取以及结果比对，实现对遥感图像集的自动转化识别和分类功能，整个算法系统在深度学习网络的干预下通过人为干预与优化算法升级，实现对大量遥感图像集的的分类标签，基于深度学习网络技术的控制，实现全自动化，无需依赖于操作人员的经验知识并无需通过多次调整参数反复操作，处理过程简单效率较高；另外，本发明通过深度学习的方式，该算法最初由现有的人为分析和建立逻辑构建传统逻辑研究和认知模型，再对预测和正确输出之间得差异做出记录，并且调谐输入的权重以提高其预测的准确性，待该图像识别系统随着使用时长得增加，从学习简单特征、建立复杂特征、学习映射训练过程中所有层级都会被不断优化，使得图像识别系统智能化准确性逐渐提高，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种遥感图像处理后自动分类系统，包括图像获取预处理模块、图像识别模块和图像比对分类模块，所述图像获取预处理模块包括遥感图像集获取、遥感图像转化，所述遥感图像集获取的输出端与遥感图像转化的输入端电性连接，所述遥感图像转化的内部设置有模数转化模块，所述图像识别模块包括矩阵信息提取器、特征提取，所述矩阵信息提取器的输入端与遥感图像转化的输出端电性连接，所述特征提取的内部设置有信息分析模块、数据分析模块，所述图像比对分类模块包括结果比对、标签分类，所述图像比对分类模块的输出端设置有结果输出模块。
在一个优选地实施方式中，所述信息分析模块的算法包括图像识别，所述图像识别由视点变化处理、缩放变化、内变化、联合处理构成，所述联合处理为视点变化处理、缩放变化、内变化中任意一个以上的算法联合构成。
在一个优选地实施方式中，所述深度学习网络的算法包括传统逻辑研究、认知模型、理论分析。
在一个优选地实施方式中，所述传统逻辑研究由辅助深度学习模型构成，所述传统逻辑研究被配置为将第一分数分配给未被标记的观察，所述认知模型由目标深度学习模型构成，所述认知模型被配置为将第二分数给所述未被标记的观察，所述传统逻辑研究和认知模型来自不同的深度学习模型类别，所述认知模型为有限容量的深度学习模型，所述理论分析由比较部件构成，所述理论分析被配置为比较所述第一分数和所述第二分数，以确定认知模型已经返回假肯定或假否定的结果的概率，所述第一分数和第二分数的比较部件还被配置为执行包括以下操作的比较：确定所述第一分数和所述第二分数之间的差的幅度；在所述幅度为负时，确定所述目标深度学习模型已经返回假肯定；以及在所述幅度为正时，确定所述目标深度学习模型已经返回假否定。
在一个优选地实施方式中，所述数据分析模块的算法结构包括人为变量赋值、算法分析、深度神经网络，所述深度神经网络可通过人为变量赋值进行变量赋值与算法分析，所述人为变量赋值、算法分析、深度神经网络由概率论算法、统计学算法、逼近论算法、凸分析算法、算法复杂度理论等计算或模拟预测的算法构成。
在一个优选地实施方式中，所述人为变量赋值、算法分析构成深度神经网络，所述人为变量赋值、算法分析通过概率论算法、统计学算法、逼近论算法、凸分析算法、算法复杂度理论以及模拟预测进行运算。
在一个优选地实施方式中，所述数据分析模块的运算结果分别为两份，所述数据分析模块的运算结果一份导出至结果比对进行信息输出，所述数据分析模块的运算结果另一份导出至深度学习网络。
在一个优选地实施方式中，所述深度学习网络用于对数据分析模块的运算结果进行传统逻辑研究以及理论分析，所述传统逻辑研究、认知模型、理论分析的运算结果用于反馈调节深度神经网络的运行。
本发明的技术效果和优点：
1、本发明通过设置图像转化、特征提取以及结果比对，实现对遥感图像集的自动转化识别和分类功能，整个算法系统在深度学习网络的干预下通过人为干预与优化算法升级，实现对大量遥感图像集的的分类标签，基于深度学习网络技术的控制，实现全自动化，无需依赖于操作人员的经验知识并无需通过多次调整参数反复操作，处理过程简单效率较高；
2、本发明通过深度学习的方式，该算法最初由现有的人为分析和建立逻辑构建传统逻辑研究和认知模型，再对预测和正确输出之间得差异做出记录，并且调谐输入的权重以提高其预测的准确性，待该图像识别系统随着使用时长得增加，从学习简单特征、建立复杂特征、学习映射训练过程中所有层级都会被不断优化，使得图像识别系统智能化准确性逐渐提高。
3、本发明通过优选视点变化、缩放变化、内变化以及联合处理即可实现对遥感图像的变化因素识别，从而进行特征提取来量化图像的内容，优选的变化因素识别足以应对遥感图像的量化，通过优化的算法步骤有利于加快对遥感图像的识别速度从而进行标签分类，运算量显著减少，大大提高遥感图像处理后的自动分类。
附图说明
图1为本发明的整体结构示意图。
图2为本发明的信息分析模块结构示意图。
图3为本发明的深度学习网络构建结构示意图。
图4为本发明的深度神经网络算法结构示意图。
附图标记为：1、遥感图像集获取；2、遥感图像转化；3、矩阵信息提取器；4、特征提取；5、结果比对；6、标签分类；7、信息分析模块；71、图像识别；711、视点变化处理；712、缩放变化；713、内变化；714、联合处理；8、数据分析模块；81、人为变量赋值；82、算法分析；83、深度神经网络；9、深度学习网络；91、传统逻辑研究；92、认知模型；93、理论分析。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如附图1-4所示的一种遥感图像处理后自动分类系统，包括图像获取预处理模块、图像识别模块和图像比对分类模块，图像获取预处理模块包括遥感图像集获取1、遥感图像转化2，遥感图像集获取1的输出端与遥感图像转化2的输入端电性连接，遥感图像转化2的内部设置有模数转化模块，图像识别模块包括矩阵信息提取器3、特征提取4，矩阵信息提取器3的输入端与遥感图像转化2的输出端电性连接，特征提取4的内部设置有信息分析模块7、数据分析模块8，图像比对分类模块包括结果比对5、标签分类6，图像比对分类模块的输出端设置有结果输出模块。
实施方式具体为：通过设置图像转化、特征提取以及结果比对，实现对遥感图像集的自动转化识别和分类功能，整个算法系统在深度学习网络9的干预下通过人为干预与优化算法升级，实现对大量遥感图像集的的分类标签，基于深度学习网络技术的控制，实现全自动化，无需依赖于操作人员的经验知识并无需通过多次调整参数反复操作，处理过程简单效率较高；另外，本发明通过深度学习的方式，该算法最初由现有的人为分析和建立逻辑构建传统逻辑研究和认知模型，再对预测和正确输出之间得差异做出记录，并且调谐输入的权重以提高其预测的准确性，待该图像识别系统随着使用时长得增加，从学习简单特征、建立复杂特征、学习映射训练过程中所有层级都会被不断优化，使得图像识别系统智能化准确性逐渐提高。
其中，信息分析模块7的算法包括图像识别71，图像识别71由视点变化处理711、缩放变化712、内变化713、联合处理714构成，联合处理714为视点变化处理711、缩放变化712、内变化713中任意一个以上的算法联合构成，优选的变化因素识别足以应对遥感图像的量化，通过优化的算法步骤有利于加快对遥感图像的识别速度从而进行标签分类。
其中，深度学习网络9的算法包括传统逻辑研究91、认知模型92、理论分析93，利用深度学习网络9调谐输入的权重以提高其预测的准确性。
其中，传统逻辑研究91由辅助深度学习模型构成，传统逻辑研究91被配置为将第一分数分配给未被标记的观察，认知模型92由目标深度学习模型构成，认知模型92被配置为将第二分数给未被标记的观察，传统逻辑研究91和认知模型92来自不同的深度学习模型类别，认知模型92为有限容量的深度学习模型，理论分析93由比较部件构成，理论分析93被配置为比较第一分数和第二分数，以确定认知模型92已经返回假肯定或假否定的结果的概率，第一分数和第二分数的比较部件还被配置为执行包括以下操作的比较：确定第一分数和第二分数之间的差的幅度；在幅度为负时，确定目标深度学习模型已经返回假肯定；以及在幅度为正时，确定目标深度学习模型已经返回假否定，从学习简单特征、建立复杂特征、学习映射训练过程中所有层级都会被不断优化，使得图像识别系统智能化准确性逐渐提高。
其中，数据分析模块8的算法结构包括人为变量赋值81、算法分析82、深度神经网络83，深度神经网络83可通过人为变量赋值81进行变量赋值与算法分析82，人为变量赋值81、算法分析82、深度神经网络83由概率论算法、统计学算法、逼近论算法、凸分析算法、算法复杂度理论等计算或模拟预测的算法构成，整个算法系统在深度神经网络83的干预下通过人为干预与优化算法升级。
其中，人为变量赋值81、算法分析82构成深度神经网络83，人为变量赋值81、算法分析82通过概率论算法、统计学算法、逼近论算法、凸分析算法、算法复杂度理论以及模拟预测进行运算，由人为变量赋值81、算法分析82构成深度神经网络83可实现实时人为干预。
其中，数据分析模块8的运算结果分别为两份，数据分析模块8的运算结果一份导出至结果比对5进行信息输出，数据分析模块8的运算结果另一份导出至深度学习网络9，进行结果导出并反馈优化深度学习网络9。
其中，深度学习网络9用于对数据分析模块8的运算结果进行传统逻辑研究91以及理论分析93，传统逻辑研究91、认知模型92、理论分析93的运算结果用于反馈调节深度神经网络83的运行，实现对深度神经网络83反馈调节干预。
本发明工作原理：
第一步：首先将遥感图像集输入该系统内，由转化模块自动转化为28*28的灰度图像从而形成像素矩阵，完成计算机能够理解图像过程，便于算法对其识别分析，之后在深度学习网络的干预下处理图像或对象的变化因素，实现图像识别，通过一系列的传统变化因素进行特征提取；
第二步：视点变化，即识别物体对应于是如何被拍照或获取的造成是原始还是多维度旋转的图像；缩放变化，即无论遥感测量对象如何缩放除了大小尺寸不同，识别是否是同一对象；内变化，识别出所有同一遥感对象的所有正确的种类，进行种类区分；联合处理，即对以上多个变化的联合进行算法分析识别；
第三步：接着运用以上变化因素处理得到的特征信息，对图像信息进行比对分析，最后标签分类即可，基于深度学习网络技术的控制，实现全自动化，无需依赖于操作人员的经验知识并无需通过多次调整参数反复操作，处理过程简单效率较高。
最后应说明的几点是：首先，在本申请的描述中，需要说明的是，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变，则相对位置关系可能发生改变；
其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种遥感图像处理后自动分类系统，包括图像获取预处理模块、图像识别模块和图像比对分类模块，其特征在于：所述图像获取预处理模块包括遥感图像集获取(1)、遥感图像转化(2)，所述遥感图像集获取(1)的输出端与遥感图像转化(2)的输入端电性连接，所述遥感图像转化(2)的内部设置有模数转化模块，所述图像识别模块包括矩阵信息提取器(3)、特征提取(4)，所述矩阵信息提取器(3)的输入端与遥感图像转化(2)的输出端电性连接，所述特征提取(4)的内部设置有信息分析模块(7)、数据分析模块(8)，所述图像比对分类模块包括结果比对(5)、标签分类(6)，所述图像比对分类模块的输出端设置有结果输出模块。
2.根据权利要求1所述的一种遥感图像处理后自动分类系统，其特征在于：所述信息分析模块(7)的算法包括图像识别(71)，所述图像识别(71)由视点变化处理(711)、缩放变化(712)、内变化(713)、联合处理(714)构成，所述联合处理(714)为视点变化处理(711)、缩放变化(712)、内变化(713)中任意一个以上的算法联合构成。
3.根据权利要求1所述的一种遥感图像处理后自动分类系统，其特征在于：所述深度学习网络(9)的算法包括传统逻辑研究(91)、认知模型(92)、理论分析(93)。
4.根据权利要求3所述的一种遥感图像处理后自动分类系统，其特征在于：所述传统逻辑研究(91)由辅助深度学习模型构成，所述传统逻辑研究(91)被配置为将第一分数分配给未被标记的观察，所述认知模型(92)由目标深度学习模型构成，所述认知模型(92)被配置为将第二分数给所述未被标记的观察，所述传统逻辑研究(91)和认知模型(92)来自不同的深度学习模型类别，所述认知模型(92)为有限容量的深度学习模型，所述理论分析(93)由比较部件构成，所述理论分析(93)被配置为比较所述第一分数和所述第二分数，以确定认知模型(92)已经返回假肯定或假否定的结果的概率，所述第一分数和第二分数的比较部件还被配置为执行包括以下操作的比较：确定所述第一分数和所述第二分数之间的差的幅度；在所述幅度为负时，确定所述目标深度学习模型已经返回假肯定；以及在所述幅度为正时，确定所述目标深度学习模型已经返回假否定。
5.根据权利要求1所述的一种遥感图像处理后自动分类系统，其特征在于：所述数据分析模块(8)的算法结构包括人为变量赋值(81)、算法分析(82)、深度神经网络(83)，所述深度神经网络(83)可通过人为变量赋值(81)进行变量赋值与算法分析(82)，所述人为变量赋值(81)、算法分析(82)、深度神经网络(83)由概率论算法、统计学算法、逼近论算法、凸分析算法、算法复杂度理论等计算或模拟预测的算法构成。
6.根据权利要求5所述的一种遥感图像处理后自动分类系统，其特征在于：所述人为变量赋值(81)、算法分析(82)构成深度神经网络(83)，所述人为变量赋值(81)、算法分析(82)通过概率论算法、统计学算法、逼近论算法、凸分析算法、算法复杂度理论以及模拟预测进行运算。
7.根据权利要求1所述的一种遥感图像处理后自动分类系统，其特征在于：所述数据分析模块(8)的运算结果分别为两份，所述数据分析模块(8)的运算结果一份导出至结果比对(5)进行信息输出，所述数据分析模块(8)的运算结果另一份导出至深度学习网络(9)。
8.根据权利要求3、5所述的一种遥感图像处理后自动分类系统，其特征在于：所述深度学习网络(9)用于对数据分析模块(8)的运算结果进行传统逻辑研究(91)以及理论分析(93)，所述传统逻辑研究(91)、认知模型(92)、理论分析(93)的运算结果用于反馈调节深度神经网络(83)的运行。
技术总结