CN102945550B - 一种基于高斯尺度空间构建遥感影像语义的方法 - Google Patents

Abstract

本发明涉及一种基于高斯尺度空间构建遥感影像语义的方法，包括以下步骤：首先构建遥感影像的高斯尺度空间；然后分别建立包括同一尺度下的遥感影像不同空间区域和同一遥感影像空间区域下的不同尺度的二维高斯尺度树形层次结构；基于两个不同类型的高斯尺度树形层次结构分别构建非结构性语义和结构性语义，完成基于高斯尺度空间构建遥感影像语义。

Description

一种基于高斯尺度空间构建遥感影像语义的方法

技术领域

本发明涉及遥感影像处理与遥感影像识别领域，特别涉及一种基于高斯尺度空间构建遥感影像语义的方法。

背景技术

与自然数字图像不同，遥感影像本身具有许多特有的特征，包括：丰富的光谱信息（多光谱影像、高光谱影像）、基于不同光谱下明显的地物反射率差别、影像拍摄的角度效应、大气辐射影响、持续变化的太阳反射角，等等。因此，遥感影像所具有的这些独有特性使得该领域很难直接利用针对自然数字图像的语义信息进行提取的方法。

高斯尺度空间可有效地对人类视觉认知进行拟合，随着尺度的增加，遥感影像逐渐模糊，直至整个全局影像的空间梯度渐渐归于零值。遥感影像通过高斯函数构建的高斯尺度空间，具有每一个尺度下的影像灰度值为正值、每一尺度下的影像大小不变、尺度变化线性可增减，以及尺度不变这四个重要特征，与传统的二维遥感影像空间（如影像金字塔）相比，高斯尺度空间的特征可为遥感影像语义的挖掘提供更多层次的信息源。

发明内容

本发明利用遥感影像高斯尺度空间的构建，为遥感影像语义基于影像空间特征、影像时序特征，以及不同波段下影像特征提供一种便捷的实现途径。

本发明的技术方案为一种基于高斯尺度空间构建遥感影像语义的方法，包括以下步骤：

步骤1，基于遥感影像的内容，通过高斯函数建立遥感影像的高斯尺度空间；

步骤2，提取遥感影像的稳定特征区域和尺度特征区域，

所述提取遥感影像的稳定特征区域，包括在步骤1所得遥感影像的高斯尺度空间中，对每一个高斯尺度分别执行以下子步骤，

步骤21.1，将同一高斯尺度下影像内容划分为不同的影像空间区域；

步骤21.2，根据步骤21.1所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点；

步骤21.3，基于步骤21.2所得的稳定特征点，提取该高斯尺度的稳定特征区域；

所述提取遥感影像的尺度特征区域，包括在步骤1所得遥感影像的高斯尺度空间中执行以下子步骤，

步骤22.1，将不同对每个高斯尺度下影像内容划分不同的为相应的影像空间区域；

步骤22.2，根据步骤22.1所划分各高斯尺度下影像的影像空间区域，基于各个不同尺度之间具有的尺度不变特征提取相应影像空间区域下不同高斯尺度的尺度特征点；

步骤22.3，基于步骤22.2所得的尺度特征点，提取遥感影像的尺度特征区域；

步骤3，根据步骤2所得稳定特征区域建立高斯尺度的树形层次结构，根据步骤2所得尺度特征区域建立高斯尺度的树形层次结构，得到一个二维高斯尺度空间的树形层次结构；

步骤4，基于步骤3根据稳定特征区域建立的高斯尺度的树形层次结构，建立非结构性层次语义；基于步骤3中根据尺度特征区域建立的高斯尺度的树形层次结构，建立结构性层次语义。

而且，步骤1中，遥感影像为单波段遥感影像、多波段遥感影像或全色遥感影像。

而且，步骤21.1中，通过QaR树将同一遥感影像尺度下影像内容划分为不同的影像空间区域，基于QaR树的计算包括以下步骤，

首先，计算基于Quad树的分解结果和基于R*-树的分解结果的差值，如下所示：

I＝Rφ(f)-Qφ(f)

其中，I表示基于Quad树的分解结果和基于R*-树的分解结果的影像差值空间区域，，f表示待分解的某一高斯尺度的遥感影像，Rφ(.)表示基于R*-树的分解，Qφ(.)表示基于Quad树的分解；

然后，对式（2）中所得的影像差值空间区域I中的每一个像素同基于R*-树分解所得影像的最大值和最小值进行差值计算，如果和最大值或者最小值的差值任意一个小于两者之间的Kullback-Leibler距离，则将该像素归为影像粒的一部分，公式如下：

$\left\{\begin{array}{c}|\max \left(\mathrm{Q\&phi;}\left(f(i,j,r)\right)\right)-I(i,j,r)|<\mathrm{KL}\&DoubleRightArrow;\mathrm{\&theta;}(i,j,r)=I(i,j,r)\\ |\min \left(\mathrm{Q\&phi;}\left(f(i,j,r)\right)\right)-I(i,j,r)|<\mathrm{KL}\&DoubleRightArrow;\mathrm{\&theta;}(i,j,r)=I(i,j,r)\end{array}\right.$

其中，max(.)和min(.)分别代表最大值和最小值的计算，I(i,j,τ)表示影像差值空间区域I，θ(i,j,τ)表示归为影像粒的某个像素，i、j和r分别表示影像粒的某个像素在遥感影像f的x坐标、y坐标和光谱维中的波段信息，f(i,j,r)表示遥感影像f的坐标(i,j)处像素，KL表示Kullback-Leibler距离，计算公式如下：

$\mathrm{KL}=\frac{{(\max \left(\mathrm{Q\&phi;}\left(f\right)\right)-\min \left(\mathrm{Q\&phi;}\left(f\right)\right))}^2}{\max \left(\mathrm{Q\&phi;}\left(f\right)\right)+\min \left(\mathrm{Q\&phi;}\left(f\right)\right)}$

最后，将归为影像粒的结果同基于Quad树的分解结果进行合并，如下所示：

IA＝Qφ(f)+θ，0≤θ≤I

其中，IA表示对遥感影像f基于R*-树的分解结果和基于Quad树的分解结果融合后的影像，θ表示计算所得归为影像粒的某个像素θ(i,j,τ)。

而且，步骤21.2中所述根据步骤21.1所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点，包括提取该高斯尺度下影像的全局最大值像素坐标点、全局最小值像素坐标点、局部最大值像素坐标点、局部最大值像素坐标点、全局鞍值像素坐标点和局部鞍值像素坐标点，所述全局是指该高斯尺度下影像，所述局部是指步骤21.1所划分得到的任一影像空间区域。

而且，步骤21.3中，基于步骤21.2所得的稳定特征点，采用全角度空间梯度算法提取该高斯尺度的稳定特征区域；步骤22.3中，基于步骤22.2所得的尺度特征点，采用全角度空间梯度算法提取遥感影像的尺度特征区域；

所述全角度空间梯度算法基于影像中某坐标点(x,y)，对该坐标点周围所有像素基于360°的空间梯度进行计算，计算公式如下：

其中，参数a、b、c和d分别为：

$\left\{\begin{array}{c}a=\min (x-1,y-1)\\ b=\min (x_t-x-1,y-1)\\ c=\min (x-1,y_t-y-1)\\ d=\min (x_t-x-1,y_t-y-1)\end{array}\right.$

上式中，I、II、III和IV分别对应于坐标点(x,y)的左上、右上、左下、右下四个区间，x₁、x₂、x₃和x₄分别表示四个区间中影像横坐标的范围，y₁、y₂、y₃和y₄分别表示四个区间中影像纵坐标的范围，x_t和y_t分别表示影像的最大横坐标和最大纵坐标，Sg₁、Sg₂、Sg₃和Sg₄分别表示四个区间符合梯度区域的影像坐标点集合，和分别表示四个区间影像坐标点的变化范围。

而且，步骤22.2中，提取相应影像空间区域下不同高斯尺度的尺度特征点，由下式计算得到：

$\left\{\begin{array}{c}f(x,y,r,g_{\mathrm{low}})=\max \left(\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{low}})\right)\\ f(x,y,r,g_{\mathrm{low}})>\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{high}})\end{array}\right.,\mathrm{\&mu;}\&Element;\left[\mathrm{1,3}\right]$

$\left\{\begin{array}{c}f(x,y,r,g_{\mathrm{low}})=\min \left(\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{low}})\right)\\ f(x,y,r,g_{\mathrm{low}})<\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{high}})\end{array}\right.,\mathrm{\&mu;}\&Element;\left[\mathrm{1,3}\right]$

其中，f(x,y,r,g_low)和f(x,y,r,g_high)分别表示本层尺度影像坐标点和上一层尺度影像的坐标点，g_low表示本层高斯尺度，g_high表示上一层高斯尺度，m、n表示判断某一像素坐标点是否为尺度特征点所需要进行计算的邻域像素的坐标，μ表示由邻域像素所构成的区域大小。

遥感影像语义属于遥感研究中的高级阶段，是研究人类自身在对遥感影像的理解和判别过程中所产生的语义描述。这种语义不仅包括直接以语言、文字为载体的形式，也包括所产生的意识、情感等等非直接的载体形式。而语义信息是基于人体识别和遥感影像内容进行综合的研究，该研究的目的是提取或挖掘人体对遥感影像的理解而产生的语义结果。研究的目标是基于遥感影像的底层视觉特征以及人体理解模拟，将所选取的影像数据进行建模以挖掘其所代表的语义信息，并对所挖掘的语义信息进行组织。遥感影像语义研究的核心在于影像语义的构建，并通过语义完成语义信息的模拟。于此同时，由于遥感影像包含丰富的空间信息、光谱信息、时间信息以及属性信息，使得遥感影像的语义具有动态性、多维性、海量性的特点，这些特点决定了采用基于底层特征或面向对象的方法进行遥感语义的研究具有相当的局限性。本发明提出一种基于高斯尺度空间构建遥感影像语义的方法，可避免遥感影像语义建模中基于像素的语义提取所带来的语义精度较低，以及面向对象的语义提取中所面临的计算复杂和对象拟合度低的缺陷。遥感影像语义的成果，可为遥感影像检索、遥感影像信息分类、遥感影像识别、遥感影像地学情感等等提供直接的参考和支持。

附图说明

图1为本发明实施例的原理图。

图2为本发明实施例中全角度空间梯度算法所包括的空间梯度计算的示例图。

图3为本发明实施例中全角度空间梯度算法所包括的全角度计算的示例图。

图4为本发明实施例的尺度特征点计算的示例图。

图5为本发明实施例的构建高斯尺度树形层次结构的流程图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

本发明提出的一种基于高斯尺度空间构建遥感影像语义的方法，具体实施时可采用计算机软件技术实现自动运行。为了更为详细的阐述本发明的具体实施方案，下面基于附图进行进一步的叙述，实施例流程如下：

步骤1，基于遥感影像的内容，通过高斯函数建立遥感影像的高斯尺度空间.

实施例建立遥感影像尺度空间的高斯函数g(x,y,n,ε)如下所示：

$\left\{\begin{array}{c}g(x,y,n,\mathrm{\&epsiv;})=\frac{e^{(-\frac{x^{2+y^2}}{{{2\mathrm{\&epsiv;}}_n}^2})}}{{{2\mathrm{\&pi;\&epsiv;}}_n}^2}\\ {\mathrm{\&epsiv;}}_{n+1}=2^{n\left(\frac{n}{\mathrm{\&tau;}}\right){\mathrm{\&epsiv;}}_n},n\&Element;(\mathrm{1,2},...,\mathrm{\&tau;})\end{array}\right.---\left(1\right)$

上式中，x和y分别表示遥感影像的影像坐标，ε表示高斯尺度的方差，且ε_n表示高斯尺度空间中第n个尺度的方差，n的取值为1,2,...,τ，τ表示高斯尺度空间中最大的尺度。

特别地，遥感影像的高斯尺度空间为一个四维结构。将遥感影像的高斯尺度空间定义为f(x,y,r,g)，其中，r表示光谱维中的波段信息，g表示式（1）中的高斯函数g(x,y,n,ε)。则若f(x,y,r)表示遥感影像，将遥感影像同高斯函数的卷积处理用表示，则遥感影像的高斯尺度空间可由下式卷积得到：

$f(x,y,r,g)=f(x,y,r)\&CircleTimes;g(x,y,n,\mathrm{\&epsiv;})---\left(2\right)$

卷积后可以得到的每一个高斯尺度空间包含多个尺度，尺度的数量根据遥感影像的内容而确定，可包括遥感影像的空间分辨率、遥感影像所包含的地物场景复杂程度、遥感影像的质量、遥感影像的图幅大小等等任何对遥感影像的信息提取产生影响的因素。

步骤2，提取遥感影像的稳定特征区域和尺度特征区域，

所述提取遥感影像的稳定特征区域，包括在步骤1所得遥感影像的高斯尺度空间中，对每一个高斯尺度分别执行以下子步骤。

步骤21.1，将同一高斯尺度下影像内容划分为不同的影像空间区域：

为了对遥感影像内容和遥感影像空间进行最优划分，目前有Quads树、R树及其各种扩展（如：R-树、R+树、R*-树等等）、BqR树等等。基于遥感影像的地学特征，本发明提供一种QaR（Quad and R*-Tree）树的算法，该算法是一个将Quad树（或四叉树）和R树进行融合的树形结构，如下所示：

上式中，f表示待分解的某一高斯尺度的遥感影像，Rφ(.)表示基于R*-树的分解，Qφ(.)表示基于Quad树的分解，IA₁表示对遥感影像f基于R*-树的分解结果，IA₂表示对遥感影像f基于Quad树的分解结果，IA表示对遥感影像f基于R*-树的分解结果和基于Quad树的分解结果融合后的影像。

实施例中基于QaR树的计算分为三个步骤：

首先，计算基于Quad树的分解结果和基于R*-树的分解结果的差值，如下所示：

I＝Rφ(f)-Qφ(f)    （4）

上式中，I表示基于Quad树的分解结果和基于R*-树的分解结果的影像差值空间区域，即I中所包含的像素属于基于Quad树的分解结果但不属于基于R*-树的分解结果。

然后，对式（4）中所得的影像差值空间区域I中的每一个像素同基于R*-树分解所得影像的最大值和最小值进行差值计算，如果和最大值或者最小值的差值任意一个小于两者之间的Kullback-Leibler距离（KL距离），则该像素归为影像粒的一部分，即表示“则对该像素不再进一步分解”，否则就不归为图像粒。公式如下：

$\left\{\begin{array}{c}|\max \left(\mathrm{Q\&phi;}\left(f(i,j,r)\right)\right)-I(i,j,r)|<\mathrm{KL}\&DoubleRightArrow;\mathrm{\&theta;}(i,j,r)=I(i,j,r)\\ |\min \left(\mathrm{Q\&phi;}\left(f(i,j,r)\right)\right)-I(i,j,r)|<\mathrm{KL}\&DoubleRightArrow;\mathrm{\&theta;}(i,j,r)=I(i,j,r)\end{array}\right.---\left(5\right)$

特别地，本发明中的影像粒是指：基于遥感影像空间和遥感影像数据，所具有的最小且不可再分的影像单元。特别地，遥感影像空间指遥感影像所反映的空间范围，遥感影像数据指遥感影像所具有的内容特征，不可再分是指同时基于遥感影像数据和遥感影像空间的不可再分。所提出的影像粒即包含遥感影像对象图形和遥感影像像素的概念，又模糊了对象提取的依赖以及减少了纯像素提取的需求。同影像对象关注的是影像中感兴趣的特定对象不同，影像粒关注的是遥感影像空间和遥感影像数据的最小单元。

公式（5）中，max(.)和min(.)分别代表最大值和最小值的计算，I(i,j,τ)表示公式（4）中基于Quad树的分解结果和基于R*-树的分解结果的影像差值空间区域I，θ(i,j,τ)表示归为影像粒的某个像素，其中i、j和r分别表示影像粒的某个像素在该高斯尺度下的遥感影像f的x坐标、y坐标和光谱维中的波段信息，f(i,j,r)表示遥感影像f的坐标(i,j)处像素，KL表示Kullback-Leibler距离，计算公式如下：

$\mathrm{KL}=\frac{{(\max \left(\mathrm{Q\&phi;}\left(f\right)\right)-\min \left(\mathrm{Q\&phi;}\left(f\right)\right))}^2}{\max \left(\mathrm{Q\&phi;}\left(f\right)\right)+\min \left(\mathrm{Q\&phi;}\left(f\right)\right)}---\left(6\right)$

最后，将归为影像粒的结果同基于Quad树的分解结果进行合并，如下所示：

IA＝Qφ(f)+θ，0≤θ≤I    （7）

θ表示式（5）中计算所得θ(i,j,τ)。

本发明先提取特征点，然后基于特征点来提取特征区域。但是如果将算法直接运用于特征点，那么提取出来的有些特征区域不属于特征点。因此，实施例通过图像粒的判断，来确定特征点到特征区域的计算范围。

步骤21.2，根据步骤21.1所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点：

稳定的特征点分别包括：遥感影像的全局最大值像素坐标点、全局最小值像素坐标点、局部最大值像素坐标点、局部最大值像素坐标点、全局鞍值像素坐标点、局部鞍值像素坐标点，共六个。具体计算可采用现有技术。

其中，前四种稳定特征点可由下式计算得到：

$\left\{\begin{array}{c}f(x_{\max },y_{\max },r,g)=\max \left(\underset{x=1}{\overset{i}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{j}{\mathrm{\&Sigma;}}}f(x,y,r,g)\right)\\ f(x_{\min },y_{\min },r,g)=\min \left(\underset{x=1}{\overset{i}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{j}{\mathrm{\&Sigma;}}}f(x,y,r,g)\right)\end{array}\right.---\left(8\right)$

公式（8）中，(x_max,y_max)表示遥感影像的全局或局部最大值像素坐标点，(x_min,y_min)表示遥感影像的全局或局部最小值像素坐标点，f(x_max,y_max,r,g)表示遥感影像的全局或局部最大像素值，f(x_min,y_min,r,g)表示遥感影像的全局或局部最小像素值。并且，全局遥感影像是指整个遥感影像，局部遥感影像是指步骤21.1中所划分得到的任一影像空间区域。

而后两种稳定特征点的概念实质为所有鞍点的集合，可视为一个由鞍点所构成的连续的空间区域。其计算原理如图2所示：

$\left\{\begin{array}{c}\mathrm{\&beta;}=\arctan \left(\frac{|f(i_1,j_1,r,g)-f(i,j,r,g)|}{\sqrt{{(i_1-i)}^2+{(j_1-j)}^2}}\right)\\ \mathrm{\&alpha;}=\arctan \left(\frac{|f(i_2,j_2,r,g)-f(i,j,r,g)|}{\sqrt{{(i_2-i)}^2+{(j_2-j)}^2}}\right)\end{array}\right.---\left(9\right)$

上式中,(i,j)表示全局遥感影像或局部遥感影像中待判断是否为稳定特征点的影像坐标点,以(i,j)为坐标基点，(i₁,j₁)表示与坐标基点(i,j)同一方向的前一个坐标点，β表示前一个坐标点(i₁,j₁)与坐标基点(i,j)之间的夹角；(i₂,j₂)表示与坐标基点(i，j)同一方向的后一个坐标点，α表示坐标基点(i,j)与后一个坐标点(i₂,j₂)之间的夹角；Δsg为β和α之间差值的绝对值，Sp为空间梯度。η为空间距离最近的局域最大值的坐标点（表示为(i_max,j_max)）以及空间距离最近的局域最小值的坐标点（表示为(i_min,j_min)）之间的距离。该距离通过下式进行计算：

$\mathrm{\&eta;}=\mathrm{\&Lambda;}\&times;\mathrm{\&gamma;}=\mathrm{\&Lambda;}\&times;\arctan \left(\frac{|f(i_{\max },j_{\max },r,g)-f(i_{\min },j_{\min },r,g)|}{\sqrt{{(i_{\max }-i_{\min })}^2+{(i_{\max }-j_{\min })}^2}}\right)---\left(11\right)$

该式基于对角度γ的计算，特别地，Λ是一个满足0＜Λ＜1条件的阈值，Λ的设置主要基于遥感影像数据中噪点的影响。即η的值既不可能为零甚至负值，也不可能超过坐标点之间的欧氏距离，而是处于零到坐标点之间的欧氏距离值之间。具体实施时，可以由本领域技术人员自行根据情况取值。并且，当得到同一尺度下不同遥感影像空间区域的所有鞍点时，这些鞍点聚集为宽度为一个像素的线性空间区域，且将该空间区域定义为鞍点空间区域，表示为：

$\mathrm{Sr}=\{{\mathrm{Sp}}_k/{\mathrm{Sp}}_k\&Subset;[(i_{\min },j_{\min }):(i_{\max },j_{\max })\left]\right\};k\&Element;(\mathrm{1,2},...,m)---\left(12\right)$

上式中，Sr表示鞍点空间区域，Sp_k表示所有鞍点的集合，m表示所有鞍点的数量。

步骤21.3，基于步骤21.2所得的稳定特征点，提取该高斯尺度的稳定特征区域：

具体实施时，提取影像的稳定空间区域可以采用现有技术的区域增长算法和Canny算子等。实施例采用本发明提出的全角度空间梯度算法，效果更佳。

全角度空间梯度算法的原理为：基于步骤21.2所得的稳定特征点，可实现对该坐标点周围所有像素基于360°的空间梯度进行计算，如图3所示。全角度空间梯度算法中的空间梯度包括遥感影像的全局灰度值、遥感影像的局域灰度值、遥感影像的像素坐标、遥感影像的像素值以及遥感影像的空间尺度。实施例将稳定特征点的坐标(x,y)代入下式计算：

上式中，I、II、III和IV分别对应于图3中的左上、右上、左下、右下四个区间，x₁、x₂、x₃和x₄分别表示四个区间中影像横坐标的范围，y₁、y₂、y₃和y₄分别表示四个区间中影像纵坐标的范围，x_t和y_t分别表示影像的最大横坐标和最大纵坐标，Sg₁、Sg₂、Sg₃和Sg₄分别表示四个区间符合梯度区域的影像坐标点集合，和分别表示四个区间影像坐标点的变化范围，其中参数a、b、c和d分别为：

$\left\{\begin{array}{c}a=\min (x-1,y-1)\\ b=\min (x_t-x-1,y-1)\\ c=\min (x-1,y_t-y-1)\\ d=\min (x_t-x-1,y_t-y-1)\end{array}\right.---\left(14\right)$

针对每个尺度执行以上子步骤，即可得到每个尺度的稳定特征点提取该尺度的稳定特征区域。

所述提取遥感影像的尺度特征区域，包括在步骤1所得遥感影像的高斯尺度空间中执行以下子步骤：

步骤22.1，对每个高斯尺度下影像内容划分不同的影像空间区域：

步骤22.1中的空间划分方法同步骤21.1中的方法一致。为节约资源，提高效率起见，可以直接利用提取遥感影像的稳定特征区域时，将同一高斯尺度下影像内容划分为不同的影像空间区域的结果。

步骤22.2，根据步骤22.1所划分各高斯尺度下影像的影像空间区域，基于各个不同尺度之间具有的尺度不变特征提取影像空间区域下的尺度特征点：

在步骤1所得不同高斯尺度空间中，不同尺度遥感影像的同一空间区域，通过本发明提出的尺度特征算法来建立遥感影像在不同尺度下同一空间区域的尺度特征点。其中，尺度特征点是指：在所建立的遥感影像高斯尺度空间中，基于各个不同尺度之间具有的尺度不变特征而提取的特征点。

尺度特征点为满足以下所有性质的遥感影像坐标点：

●基于特定尺度中遥感影像坐标的稳定特征点，在本尺度低一级尺度的同一坐标点仍然为稳定特征点；

●基于特定尺度中遥感影像坐标的稳定特征点，在本尺度高一级尺度的同一坐标点不再是为稳定特征点。

实施例中尺度特征点的计算原理如图4所示，且由下式计算得到：

$\left\{\begin{array}{c}f(x,y,r,g_{\mathrm{low}})=\max \left(\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{low}})\right)\\ f(x,y,r,g_{\mathrm{low}})>\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{high}})\end{array}\right.,\mathrm{\&mu;}\&Element;\left[\mathrm{1,3}\right]---\left(15\right)$

$\left\{\begin{array}{c}f(x,y,r,g_{\mathrm{low}})=\min \left(\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{low}})\right)\\ f(x,y,r,g_{\mathrm{low}})<\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{high}})\end{array}\right.,\mathrm{\&mu;}\&Element;\left[\mathrm{1,3}\right]---\left(16\right)$

式（15）和（16）中，f(x,y,r,g_low)和f(x,y,r,g_high)分别表示图4中的本层尺度影像坐标点和上一层尺度影像的坐标点，其中，g_low表示图4中的本层高斯尺度，g_high表示图4中的上一层高斯尺度。m、n表示判断某一像素坐标点是否为尺度特征点而所需要进行计算的邻域像素的坐标，μ表示由邻域像素所构成的区域大小，具体实施时可由用户自行指定，图4中领域像素采用所构成的区域大小为3*3。

步骤22.3，基于步骤22.2所得的尺度特征点，提取遥感影像的尺度特征区域：

基于尺度特征点提取特征空间区域中所应用到的全角度空间梯度算法，同步骤21.3中的全角度空间梯度算法一致。将尺度特征点的坐标(x,y)代入公式（13）计算即可。

步骤3，根据步骤2所得稳定特征区域建立高斯尺度的树形层次结构，根据步骤2所得尺度特征区域建立高斯尺度的树形层次结构，得到一个二维高斯尺度空间的树形层次结构。

实施例将步骤21.3和步骤22.3的特征空间区域提取结果进行融合，建立一个二维高斯尺度空间的树形层次结构；所述二维高斯尺度空间的树形层次结构，包括根据步骤21.3所得特征空间区域建立的高斯尺度的树形层次结构，及根据步骤22.3所得特征空间区域建立的高斯尺度的树形层次结构。

通过融合所建立的一个二维高斯尺度的树形层次结构，包括：同一高斯尺度下不同的影像空间区域所建立的树形层次结构以及同一影像空间区域下不同的高斯尺度所建立的树形层次结构两个部分。所建立的尺度树如图5所示。

步骤4，基于步骤3根据稳定特征区域建立的高斯尺度的树形层次结构，建立非结构性层次语义；基于步骤3中根据尺度特征区域建立的高斯尺度的树形层次结构，建立结构性层次语义。

实施例建立非结构性层次语义的实现如下：

由于步骤21.3中基于同一遥感影像尺度下不同的影像空间区域所建立的高斯尺度的树形层次结构不具有尺度层次性质，因此所建立的语义为非结构性语义。从高斯尺度的树形层次结构到非结构性语义的过程，实质是语义自适应标注的过程，涉及的语义自适应标注核心为语义的匹配和度量，匹配和度量的内容包括文本语义和数值语义两大类。

其中，文本语义匹配度量如下式所示：

式中，Ms₁与Ms₂表示两个不同的元语义，SB表示语义库，QLD(-)表示两个元语义之间的定性距离；特别地，当QLD(-)大于0时，两个元语义相似度为0；当QLD(-)等于0时，两个元语义相似度大于0。

数值语义匹配和度量如下式所示：

$\mathrm{QND}({\mathrm{Ms}}_1-{\mathrm{Ms}}_2)\left\{\begin{array}{c}=0,A+B+C+D=0\\ >0,A+B+C+D\&NotEqual;0\end{array}\right.---\left(18\right)$

式中，QND(-)表示两个元语义之间的定量距离；A、B、C与D分别表示元语义中的不同指标，指标可包括数值性语义衡量和文本性语义衡量。当所有指标均为0时，两个元语义相似度为0；当有任意一个指标为非0时，两个元语义相似度大于0。

实施例建立结构性层次语义的实现如下：

由于步骤22.3中基于同一遥感影像空间区域下不同的影像尺度所建立的高斯尺度的树形层次结构具有尺度层次性质，因此所建立的语义为结构性语义。从高斯尺度的树形层次结构到结构性语义的过程，实质也是语义自适应标注的支持，所涉及的语义的匹配和度量的内容同步骤3中包括文本语义和数值语义两大类一致的算法。

特别地，结构性语义与非结构性语义的比较如下所示：

本发明适用的遥感影像包括单波段遥感影像、多波段遥感影像和全色遥感影像，对多波段遥感影像的每一个波段执行以上步骤即可。

以上内容是结合最佳实施方案对本发明说做的进一步详细说明，不能认定本发明的具体实施只限于这些说明。本领域的技术人员应该理解，在不脱离由所附权利要求书限定的情况下，可以在细节上进行各种修改，都应当视为属于本发明的保护范围。

Claims (5)

1.一种基于高斯尺度空间构建遥感影像语义的方法，包括以下步骤：

步骤1，基于遥感影像的内容，通过高斯函数建立遥感影像的高斯尺度空间；

步骤2，提取遥感影像的稳定特征区域和尺度特征区域，

所述提取遥感影像的稳定特征区域，包括在步骤1所得遥感影像的高斯尺度空间中，对每一个高斯尺度分别执行以下子步骤，

步骤21.1，将同一高斯尺度下影像内容划分为不同的影像空间区域；

步骤21.2，根据步骤21.1所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点；

步骤21.3，基于步骤21.2所得的稳定特征点，提取该高斯尺度的稳定特征区域；

所述提取遥感影像的尺度特征区域，包括在步骤1所得遥感影像的高斯尺度空间中执行以下子步骤，

步骤22.1，对每个高斯尺度下影像内容划分不同的影像空间区域；

步骤22.2，根据步骤22.1所划分各高斯尺度下影像的影像空间区域，基于各个不同尺度之间具有的尺度不变特征提取影像空间区域下的尺度特征点；

步骤22.3，基于步骤22.2所得的尺度特征点，提取遥感影像的尺度特征区域；

步骤3，根据步骤2所得稳定特征区域建立高斯尺度的树形层次结构，根据步骤2所得尺度特征区域建立高斯尺度的树形层次结构，得到一个二维高斯尺度空间的树形层次结构；

步骤4，基于步骤3根据稳定特征区域建立的高斯尺度的树形层次结构，建立非结构性层次语义；基于步骤3中根据尺度特征区域建立的高斯尺度的树形层次结构，建立结构性层次语义；

步骤21.1中，通过QaR树将同一高斯尺度下影像内容划分为不同的影像空间区域，基于QaR树的计算包括以下步骤，

首先，计算基于Quad树的分解结果和基于R*-树的分解结果的差值，如下所示：

I＝Rφ(f)-Qφ(f)

其中，I表示基于Quad树的分解结果和基于R*-树的分解结果的影像差值空间区域，f表示待分解的某一高斯尺度的遥感影像，Rφ(.)表示基于R*-树的分解，Qφ(.)表示基于Quad树的分解；

然后，对式I＝Rφ(f)-Qφ(f)中所得的影像差值空间区域I中的每一个像素同基于Quad树分解所得影像的最大值和最小值进行差值计算，如果和最大值或者最小值的差值任意一个小于两者之间的Kullback-Leibler距离，则将该像素归为影像粒的一部分，影像粒是基于遥感影像空间和遥感影像数据，所具有的最小且不可再分的影像单元，公式如下：

$\left\{\begin{array}{c}|\max \left(\mathrm{Q\&phi;}\left(f(i,j,r)\right)\right)-I(i,j,r)|<\mathrm{KL}\&DoubleRightArrow;\mathrm{\&theta;}(i,j,r)=I(i,j,r)\\ |\min \left(\mathrm{Q\&phi;}\left(f(i,j,r)\right)\right)-I(i,j,r)|<\mathrm{KL}\&DoubleRightArrow;\mathrm{\&theta;}(i,j,r)=I(i,j,r)\end{array}\right.$

其中，max(.)和min(.)分别代表最大值和最小值的计算，I(i,j,r)表示影像差值空间区域I，θ(i,j,r)表示归为影像粒的某个像素，其中i、j和r分别表示影像粒的某个像素在遥感影像f的x坐标、y坐标和光谱维中的波段信息，f(i,j,r)表示遥感影像f的坐标(i,j)处像素，KL表示Kullback-Leibler距离，计算公式如下：

$\mathrm{KL}=\frac{{(\max \left(\mathrm{Q\&phi;}\left(f\right)\right)-\min \left(\mathrm{Q\&phi;}\left(f\right)\right))}^2}{\max \left(\mathrm{Q\&phi;}\left(f\right)\right)+\min \left(\mathrm{Q\&phi;}\left(f\right)\right)}$

最后，将归为影像粒的结果同基于Quad树的分解结果进行合并，如下所示：

IA＝Qφ(f)+θ,0≤θ≤I

其中，IA表示对遥感影像f基于R*-树的分解结果和基于Quad树的分解结果融合后的影像，θ表示计算所得归为影像粒的某个像素θ(i,j,r)。

2.根据权利要求1所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于：步骤1中，遥感影像为单波段遥感影像、多波段遥感影像或全色遥感影像。

3.根据权利要求1所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于：步骤21.2中所述根据步骤21.1所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点，包括提取该高斯尺度下影像的全局最大值像素坐标点、全局最小值像素坐标点、局部最大值像素坐标点、局部最大值像素坐标点、全局鞍值像素坐标点和局部鞍值像素坐标点，所述全局是指该高斯尺度下影像，所述局部是指步骤21.1所划分得到的任一影像空间区域，全局鞍值像素坐标点和局部鞍值像素坐标点为相应所有鞍点的集合，是由鞍点所构成的连续的空间区域。

4.根据权利要求1所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于：步骤21.3中，基于步骤21.2所得的稳定特征点，采用全角度空间梯度算法提取该高斯尺度的稳定特征区域；步骤22.3中，基于步骤22.2所得的尺度特征点，采用全角度空间梯度算法提取遥感影像的尺度特征区域；

将遥感影像的高斯尺度空间定义为f(x,y,r,g)，g表示步骤1中的高斯函数，所述全角度空间梯度算法基于影像中某坐标点(x,y)，对该坐标点周围所有像素基于360°的空间梯度进行计算，计算公式如下：

其中参数a、b、c和d分别为：

$\left\{\begin{array}{c}a=\min (x-1,y-1)\\ b=\min (x_t-x-1,y-1)\\ c=\min (x-1,y_t-y-1)\\ d=\min (x_t-x-1,y_t-y-1)\end{array}\right.$

上式中，I、II、III和IV分别对应于坐标点(x,y)的左上、右上、左下、右下四个区间，x₁、x₂、x₃和x₄分别表示四个区间中影像横坐标的范围，y₁、y₂、y₃和y₄分别表示四个区间中影像纵坐标的范围，x_t和y_t分别表示影像的最大横坐标和最大纵坐标，Sg₁、Sg₂、Sg₃和Sg₄分别表示四个区间符合梯度区域的影像坐标点集合，和分别表示四个区间影像坐标点的变化范围。

5.根据权利要求1所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于：步骤22.2中，提取相应影像空间区域下不同高斯尺度的尺度特征点，由下式计算得到：

$\left\{\begin{array}{c}f(x,y,r,g_{\mathrm{low}})=\max \left(\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{low}})\right)\\ f(x,y,r,g_{\mathrm{low}})>\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{high}})\end{array}\right.,\mathrm{\&mu;}\&Element;\left[\mathrm{1,3}\right]$

$\left\{\begin{array}{c}f(x,y,r,g_{\mathrm{low}})=\min \left(\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{low}})\right)\\ f(x,y,r,g_{\mathrm{low}})<\underset{m=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}\underset{n=x-\mathrm{\&mu;}}{\overset{x+\mathrm{\&mu;}}{\mathrm{\&Sigma;}}}f(m,n,r,g_{\mathrm{high}})\end{array}\right.,\mathrm{\&mu;}\&Element;\left[\mathrm{1,3}\right]$

其中，f(x,y,r,g_low)和f(x,y,r,g_high)分别表示本层尺度影像坐标点和上一层尺度影像的坐标点，g_low表示本层高斯尺度，g_high表示上一层高斯尺度，m、n表示判断某一像素坐标点是否为尺度特征点所需要进行计算的邻域像素的坐标，μ表示由邻域像素所构成的区域大小。