CN103984963A - 一种高分辨率遥感图像场景分类方法 - Google Patents
一种高分辨率遥感图像场景分类方法 Download PDFInfo
- Publication number
- CN103984963A CN103984963A CN201410241022.7A CN201410241022A CN103984963A CN 103984963 A CN103984963 A CN 103984963A CN 201410241022 A CN201410241022 A CN 201410241022A CN 103984963 A CN103984963 A CN 103984963A
- Authority
- CN
- China
- Prior art keywords
- scene
- remote sensing
- resolution remote
- image
- sensing image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种利用视觉单词分布图的局部二值模式直方图进行特征表达的高分辨率遥感图像场景分类方法,其步骤:对于给定的高分辨率遥感图像生成场景子图像集合,并建立场景训练样本集;对训练样本集中的子图像进行密集格网采样并提取局部特征,进行K均值聚类,构建视觉词典;对场景训练样本集中的每一幅子图像进行视觉单词映射,生成视觉单词分布图,并对其进行LBP变换,得到视觉单词分布图的LBP直方图表示;运用SVM算法生成高分辨率遥感图像场景分类模型,并对给定的待分类高分辨率遥感图像进行场景分类得到场景分类图。本发明提升了视觉单词分布图的信息利用度,同时能够给出待分类高分辨率遥感图像的场景分类结果图。
Description
技术领域本发明涉及高分辨率遥感图像场景分类技术领域,具体的说是一种利用视觉单词分布图的局部二值模式直方图进行特征表达的高分辨率遥感图像场景分类方法。
背景技术近几年来,随着成像分辨率的进一步提高,可供使用的超高分辨率遥感卫星也越来越多,所获得的高分辨率遥感图像的空间信息更加丰富,空间关系特征变得更加具体和细致,地物目标的几何结构和纹理信息更加明显,人工目标的大小接近高分辨率遥感图像分辨率的大小,一些人为因素影响下的复杂的多覆盖类型的土地利用场景(如机场,码头,停车场等)在图像中能够清晰地呈现出来。
在这样形势下,传统的基于像元或对象基元的高分辨率遥感图像场景分类方法出现了新的挑战,原本同质的区域在高分辨率遥感图像中表现出异质性,使传统的分类方法对类别的描述变得更加困难。同时,针对区域的场景内容整体识别和分类成为人们更感兴趣的内容。近年来的视觉词包BOVW(bag-of-visual-words)模型在图像场景分析和图像场景分类的应用中取得了巨大成功,通过图像的视觉单词分布来表达图像场景内容,为图像场景分类提供基础数据。然而,目前针对高分辨率遥感图像场景分类的研究都只是针对小图像集进行研究,缺少对整幅遥感图像进行场景分类的技术;所使用的视觉词包特征也多是基于视觉单词分布图进行总体的直方图统计或进行基于子区域的直方图统计,对于视觉单词分布图的利用度不足。
发明内容本发明公开一种新的技术方案,要解决的技术问题是如何利用视觉单词分布图来进行高分辨率遥感图像场景分类。本发明提供一种利用视觉单词分布图的局部二值模式LBP(Local Binary Pattern)直方图进行特征表达的高分辨率遥感图像场景分类方法,其与以往方法相比,最大的不同是能够对大幅高分辨率遥感图像进行场景分类得到场景分布结果图,而以往的方法只是针对小块场景图像进行分类得到场景类别;另外,所使用的BOVW特征也是在原有的视觉词包分布图的基础上又进行了LBP变换,将变换后的结果直方图最为新的特征,而以往的方法则是直接利用视觉单词分布图的直方图进行场景内容特征表示。
为了实现所述的目的,本发明的技术解决方案是:
(1)对于给定的高分辨率遥感图像生成场景子图像集合,并建立场景训练样本集;
(2)对上述场景训练样本集中的子图像进行密集格网采样,并提取局部特征;
(3)将上述得到的局部特征进行K均值聚类,将每一个聚类中心作为一个视觉单词,将这K个聚类中心的取值及其对应的视觉单词编号作为视觉词典,K为正整数,K的取值范围为300~1000;
(4)对上述场景训练样本集中的每一幅子图像进行视觉单词映射,生成视觉单词分布图;
(5)对上述生成的视觉单词分布图作为图像进行LBP变换,得到视觉单词分布图的LBP直方图表示;
(6)将上述场景训练样本集中每幅子图像的视觉单词分布图的LBP直方图表示和场景子图像对应的场景类别编号作为训练数据,运用支持向量机SVM(Support Vector Machine)算法生成高分辨率遥感图像场景分类模型;
(7)根据上述高分辨率遥感图像场景分类模型,对原始给定的待分类高分辨率遥感图像进行场景分类。
进一步,高分辨率遥感图像场景子图像集合的生成和场景训练样本集的建立包括以下步骤:
1)给定一幅高分辨率遥感图像,按照M×N的行列数对该图像进行均匀格网划分,得到M×N幅场景子图像,作为高分辨率遥感图像场景子图像集合,M和N均为正整数。定义“\”为取整符号。对于分辨率大于等于5米且小于10米的高分辨率遥感图像,M=图像行上像元数\32,N=图像列上像元数\32;对于分辨率小于5米且大于等于1米的高分辨遥感图像,M=图像行上像元数\64,N=图像列上像元数\64;对于分辨率小于1米的高分辨率遥感图像,M=图像行上像元数\128,N=图像列上像元数\128;
2)根据给定的高分辨率遥感图像中实际的场景类型定义C个土地利用场景类别,类别编号为1~C,C为正整数,对于每一个类别分别选取Ti幅场景子图像作为场景训练样本集,其中i=1,2,…,C,Ti为正整数,且不大于第i类样本总数。
进一步,对场景训练样本集中的子图像进行密集格网采样并提取每一个采样区域的局部特征包括以下步骤:
1)对场景训练样本集中的子图像按照W×W的窗口大小和S×S滑动步长从左到右逐次提取图像块,其中W和S为正整数,对于分辨率大于等于5米且小于10米的高分辨率遥感图像,W=32,S=16;对于分辨率小于5米且大于等于1米的高分辨遥感图像,W=64,S=32;对于分辨率小于1米的高分辨率遥感图像,W=128,S=64。2)光谱特征采用光谱均值,纹理特征采用Gabor特征,空间特征采用SIFT特征,对所有的图像块提取局部特征。
进一步,视觉单词分布图的生成包括以下步骤:
对于场景训练样本集中每一幅子图像所得到的图像块,计算其局部特征与视觉词典中的每个视觉单词所对应特征值之间的欧式距离,找出欧式距离最小的视觉单词的编号,并将其作为相应的图像块的视觉单词映射结果,从而每一幅场景子图像都会得到对应的视觉单词分布图。
进一步,根据高分辨率遥感图像场景分类模型,对原始给定的待分类高分辨率遥感图像进行场景分类包括以下步骤:
1)对原始给定的待分类高分辨率遥感图像,提取其中所有场景子图像的视觉单词分布图的LBP直方图表示;
2)利用SVM分类模型对原始给定的待分类高分辨率遥感图像中个场景子图像的场景类型进行判定,得到最终的场景分类结果图。
附图说明
图1为本发明基于视觉单词分布图的LBP直方图特征表达进行高分辨率遥感图像场景分类的流程图。
具体实施方式
本发明所使用的高分辨率遥感图像数据可以是任何一种空间分辨率小于10米的高分辨率遥感数据。下面结合附图对本发明进行具体描述。图1为本发明基于视觉单词分布图的LBP直方图特征表达进行高分辨率遥感图像场景分类的流程图,具体步骤包括:
(1)对于给定的高分辨率遥感图像生成场景子图像集合,并建立场景训练样本集。步骤如下:
(1.1)给定一幅高分辨率遥感图像,按照M×N的行列数对该图像进行均匀格网划分,得到M×N幅场景子图像,作为高分辨率遥感图像场景子图像集合,M和N均为正整数。定义“\”为取整符号。对于分辨率大于等于5米且小于10米的高分辨率遥感图像,M=图像行上像元数\32,N=图像列上像元数\32;对于分辨率小于5米且大于等于1米的高分辨遥感图像,M=图像行上像元数\64,N=图像列上像元数\64;对于分辨率小于1米的高分辨率遥感图像,M=图像行上像元数\128,N=图像列上像元数\128;
(1.2)根据给定的高分辨率遥感图像中实际的场景类型定义C个土地利用场景类别,类别编号为1~C,C为正整数,对于每一个类别分别选取Ti(i=1,2,…,C)幅场景子图像作为场景训练样本集,Ti为正整数,且不大于第i类样本总数。
(2)对上述场景训练样本集中的子图像进行密集格网采样,并提取每一个采样区域的局部特征。步骤如下:
(2.1)对场景训练样本集中的子图像按照W×W(W为正整数)的窗口大小和S×S(S为正整数)滑动步长从左到右逐次提取图像块,建议取W为2的整数次幂,取S=W/2。对于分辨率大于等于5米且小于10米的高分辨率遥感图像,W=32,S=16;对于分辨率小于5米且大于等于1米的高分辨遥感图像,W=64,S=32;对于分辨率小于1米的高分辨率遥感图像,W=128,S=64。
(2.2)采用光谱、纹理、空间特征提取算法中的一种,本发明建议光谱特征采用光谱均值,纹理特征采用Gabor特征,空间特征采用SIFT特征,对所有的图像块提取局部特征。
(3)将上述得到的局部特征进行K均值聚类,将每一个聚类中心作为一个视觉单词,将这K个聚类中心的取值及其对应的视觉单词编号作为视觉词典,K为正整数,建议取300~1000。
(4)对上述场景训练样本集中的每一幅子图像进行视觉单词映射,生成视觉单词分布图。步骤如下:
(4.1)对于步骤(2)中场景训练样本集中每一幅子图像所得到的图像块,计算其局部特征与视觉词典中的每个视觉单词所对应特征值之间的欧式距离,找出欧式距离最小的视觉单词的编号,并将其作为相应的图像块的视觉单词映射结果,从而场景子图像中的每一个图像块的位置上都被赋予一个视觉单词编号,最后得到每一幅场景子图像的视觉单词分布图。
(5)对上述生成的视觉单词分布图作为图像进行LBP变换,得到视觉单词分布图的LBP直方图表示。
(6)将上述场景训练样本集中每幅子图像的视觉单词分布图的LBP直方图表示和场景子图像对应的场景类别编号作为训练数据,运用目前广泛使用的SVM算法生成高分辨率遥感图像场景分类模型。
(7)根据上述高分辨率遥感图像场景分类模型,对原始给定的待分类高分辨率遥感图像进行场景分类。
(7.1)对原始给定的待分类高分辨率遥感图像,采用步骤(4)和(5)所述的方法提取其中所有场景子图像的视觉单词分布图的LBP直方图表示;
(7.2)利用步骤(6)中得到的SVM分类模型对原始给定的待分类高分辨率遥感图像中个场景子图像的场景类型进行判定,得到最终的场景分类结果图。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,本领域技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和技术实质的技术方案及其改进,其均应涵盖在本发明专利的保护范围当中。
Claims (5)
1.一种高分辨率遥感图像场景分类方法,该方法利用视觉单词分布图的局部二值模式LBP(LocalBinary Pattern)直方图进行特征表达,其特征在于包括以下步骤:
(1)对于给定的高分辨率遥感图像生成场景子图像集合,并建立场景训练样本集;
(2)对上述场景训练样本集中的子图像进行密集格网采样,并提取局部特征;
(3)将上述得到的局部特征进行K均值聚类,将每一个聚类中心作为一个视觉单词,将这K个聚类中心的取值及其对应的视觉单词编号作为视觉词典,K为正整数,K的取值范围为300~1000;
(4)对上述场景训练样本集中的每一幅子图像进行视觉单词映射,生成视觉单词分布图;
(5)对上述生成的视觉单词分布图作为图像进行LBP变换,得到视觉单词分布图的LBP直方图表示;
(6)将上述场景训练样本集中每幅子图像的视觉单词分布图的LBP直方图表示和场景子图像对应的场景类别编号作为训练数据,运用支持向量机SVM(Support Vector Machine)算法生成高分辨率遥感图像场景分类模型;
(7)根据上述高分辨率遥感图像场景分类模型,对原始给定的待分类高分辨率遥感图像进行场景分类。
2.按权利要求1所述的方法,其特征在于高分辨率遥感图像场景子图像集合的生成和场景训练样本集的建立包括以下步骤:
1)给定一幅高分辨率遥感图像,按照M×N的行列数对该图像进行均匀格网划分,得到M×N幅场景子图像,作为高分辨率遥感图像场景子图像集合,M和N均为正整数。定义“\”为取整符号。对于分辨率大于等于5米且小于10米的高分辨率遥感图像,M=图像行上像元数\32,N=图像列上像元数\32;对于分辨率小于5米且大于等于1米的高分辨遥感图像,M=图像行上像元数\64,N=图像列上像元数\64;对于分辨率小于1米的高分辨率遥感图像,M=图像行上像元数\128,N=图像列上像元数\128;
2)根据给定的高分辨率遥感图像中实际的场景类型定义C个土地利用场景类别,类别编号为1~C,C为正整数,对于每一个类别分别选取Ti幅场景子图像作为场景训练样本集,其中i=1,2,…,C,Ti为正整数,且不大于第i类样本总数。
3.按权利要求1所述的方法,其特征在于对场景训练样本集中的子图像进行密集格网采样并提取每一个采样区域的局部特征包括以下步骤:
1)对场景训练样本集中的子图像按照W×W的窗口大小和S×S滑动步长从左到右逐次提取图像块,其中W和S为正整数,对于分辨率大于等于5米且小于10米的高分辨率遥感图像,W=32,S=16;对于分辨率小于5米且大于等于1米的高分辨遥感图像,W=64,S=32;对于分辨率小于1米的高分辨率遥感图像,W=128,S=64。
2)光谱特征采用光谱均值,纹理特征采用Gabor特征,空间特征采用SIFT特征,对所有的图像块提取局部特征。
4.按权利要求1所述的方法,其特征在于视觉单词分布图的生成包括以下步骤:
对于场景训练样本集中每一幅子图像所得到的图像块,计算其局部特征与视觉词典中的每个视觉单词所对应特征值之间的欧式距离,找出欧式距离最小的视觉单词的编号,并将其作为相应的图像块的视觉单词映射结果,从而每一幅场景子图像都会得到对应的视觉单词分布图。
5.按权利要求1所述的方法,其特征在于根据高分辨率遥感图像场景分类模型,对原始给定的待分类高分辨率遥感图像进行场景分类包括以下步骤:
1)对原始给定的待分类高分辨率遥感图像,提取其中所有场景子图像的视觉单词分布图的LBP直方图表示;
2)利用SVM分类模型对原始给定的待分类高分辨率遥感图像中个场景子图像的场景类型进行判定,得到最终的场景分类结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410241022.7A CN103984963B (zh) | 2014-05-30 | 2014-05-30 | 一种高分辨率遥感图像场景分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410241022.7A CN103984963B (zh) | 2014-05-30 | 2014-05-30 | 一种高分辨率遥感图像场景分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103984963A true CN103984963A (zh) | 2014-08-13 |
CN103984963B CN103984963B (zh) | 2017-02-01 |
Family
ID=51276925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410241022.7A Active CN103984963B (zh) | 2014-05-30 | 2014-05-30 | 一种高分辨率遥感图像场景分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103984963B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787501A (zh) * | 2015-12-17 | 2016-07-20 | 武汉大学 | 输电线路走廊区域自动选择特征的植被分类方法 |
CN106157240A (zh) * | 2015-04-22 | 2016-11-23 | 南京理工大学 | 基于字典学习的遥感图像超分辨率方法 |
CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
CN107169450A (zh) * | 2017-05-15 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感图像的场景分类方法及系统 |
CN109376628A (zh) * | 2018-10-10 | 2019-02-22 | 杭州登虹科技有限公司 | 一种图像质量检测方法、装置和存储介质 |
CN110472478A (zh) * | 2019-06-26 | 2019-11-19 | 南京邮电大学 | 一种基于光流场统计特征的场景分析方法及系统 |
CN113792787A (zh) * | 2021-09-14 | 2021-12-14 | 江苏速度遥感大数据研究院有限公司 | 遥感大数据处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013017A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像场景粗分类方法 |
US20120200682A1 (en) * | 2011-02-08 | 2012-08-09 | Xerox Corporation | Method for classifying a pixel of a hyperspectral image in a remote sensing application |
CN103413142A (zh) * | 2013-07-22 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法 |
-
2014
- 2014-05-30 CN CN201410241022.7A patent/CN103984963B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013017A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像场景粗分类方法 |
US20120200682A1 (en) * | 2011-02-08 | 2012-08-09 | Xerox Corporation | Method for classifying a pixel of a hyperspectral image in a remote sensing application |
CN103413142A (zh) * | 2013-07-22 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法 |
Non-Patent Citations (2)
Title |
---|
徐侃等: "利用特征选择的遥感图像场景分类", 《哈尔滨工业大学学报》 * |
赵理君等: "图像场景分类中视觉词包模型方法综述", 《中国图象图形学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157240A (zh) * | 2015-04-22 | 2016-11-23 | 南京理工大学 | 基于字典学习的遥感图像超分辨率方法 |
CN105787501A (zh) * | 2015-12-17 | 2016-07-20 | 武汉大学 | 输电线路走廊区域自动选择特征的植被分类方法 |
CN105787501B (zh) * | 2015-12-17 | 2019-03-19 | 武汉大学 | 输电线路走廊区域自动选择特征的植被分类方法 |
CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
CN106570485B (zh) * | 2016-11-09 | 2019-04-16 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
CN107169450A (zh) * | 2017-05-15 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感图像的场景分类方法及系统 |
CN109376628A (zh) * | 2018-10-10 | 2019-02-22 | 杭州登虹科技有限公司 | 一种图像质量检测方法、装置和存储介质 |
CN110472478A (zh) * | 2019-06-26 | 2019-11-19 | 南京邮电大学 | 一种基于光流场统计特征的场景分析方法及系统 |
CN110472478B (zh) * | 2019-06-26 | 2022-09-20 | 南京邮电大学 | 一种基于光流场统计特征的场景分析方法及系统 |
CN113792787A (zh) * | 2021-09-14 | 2021-12-14 | 江苏速度遥感大数据研究院有限公司 | 遥感大数据处理方法及系统 |
CN113792787B (zh) * | 2021-09-14 | 2022-05-06 | 江苏速度遥感大数据研究院有限公司 | 遥感大数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103984963B (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103984963A (zh) | 一种高分辨率遥感图像场景分类方法 | |
CN107194872B (zh) | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN102930518B (zh) | 基于改进的稀疏表示的图像超分辨率方法 | |
CN110852182B (zh) | 一种基于三维空间时序建模的深度视频人体行为识别方法 | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN103903013A (zh) | 一种无标记平面物体识别的优化算法 | |
CN105426919A (zh) | 基于显著性指导非监督特征学习的图像分类方法 | |
CN101520849A (zh) | 基于图像特征点提取与随机树分类的增强现实方法及系统 | |
CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
CN110070091A (zh) | 用于街景理解的基于动态插值重建的语义分割方法及系统 | |
CN104392456A (zh) | 基于深度自编码器和区域图的sar图像分割方法 | |
CN109242796A (zh) | 文字图像处理方法、装置、电子设备和计算机存储介质 | |
CN108460833A (zh) | 一种基于bim构建传统建筑数字化保护与修复的信息平台 | |
Gao et al. | A novel face feature descriptor using adaptively weighted extended LBP pyramid | |
Teng et al. | Adaptive morphological filtering method for structural fusion restoration of hyperspectral images | |
Attarzadeh et al. | Object-based building extraction from high resolution satellite imagery | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及系统 | |
CN106650811A (zh) | 一种基于近邻协同增强的高光谱混合像元分类方法 | |
CN108805022A (zh) | 一种基于多尺度centrist特征的遥感场景分类方法 | |
CN104008374B (zh) | 一种矿井图像中基于条件随机场的矿工检测方法 | |
CN109101977A (zh) | 一种基于无人机的数据处理的方法及装置 | |
CN109241981A (zh) | 一种基于稀疏编码的特征检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |