CN104239551B - 基于多特征vp树索引的遥感图像检索方法及装置 - Google Patents
基于多特征vp树索引的遥感图像检索方法及装置 Download PDFInfo
- Publication number
- CN104239551B CN104239551B CN201410493790.1A CN201410493790A CN104239551B CN 104239551 B CN104239551 B CN 104239551B CN 201410493790 A CN201410493790 A CN 201410493790A CN 104239551 B CN104239551 B CN 104239551B
- Authority
- CN
- China
- Prior art keywords
- feature space
- feature
- image
- distance
- remote sensing
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征VP树索引的遥感图像检索方法,属于遥感图像检索技术领域。本发明针对遥感图像检索中的特征有效性选择,提出了一种基于VP树索引的索引有效性指标——基于距离对比度的索引有效性指数(distance‑contrast‑based indexing validation index,DCIVI),将与查询对象距离较近的环形区域内的子图像作为最近邻集合,落入另一环形区域内的子图像作为最远邻集合,通过计算这两个集合之间的距离对比度来分析特定特征空间对应VP树索引返回最近邻集合的有效性,利用该指标可自适应地选择最适合描述图像内容的特征,不但提高了遥感图像的检索速度,检索质量(查全率和查准率)也得到了明显改善。本发明还公开了一种基于多特征VP树索引的遥感图像检索装置。
Description
技术领域
本发明涉及一种基于多特征VP树索引的遥感图像检索方法及装置,属于遥感图像检索技术领域。
背景技术
随着卫星遥感技术的不断发展,每天可获得的遥感图像数量急剧增加,如何有效地进行海量遥感图像的自动查询和检索已成为急需解决的课题。基于内容的遥感图像检索系统按照一定的分块策略将图像分成一系列子块,并根据子块的视觉特征之间的匹配来完成图像的检索[程起敏,遥感图像检索技术[M],武汉大学出版社,2011]。在此过程中,需要解决好图像分块[李德仁,宁晓刚.一种新的基于内容遥感图像检索的图像分块策略[J].武汉大学学报(信息科学版),2006,31(8):659-663]、视觉特征的有效提取([陆丽珍,刘仁义,刘南.一种融合颜色和纹理特征的遥感图像检索方法[J].中国图像图形学报,2004,9(3):328-332]、[朱佳丽,李士进,万定生,冯钧.基于特征选择和半监督学习的遥感图像检索[J].中国图象图形学报,2011,16(8):1474-1482])相似性度量[包倩,郭平.基于直方图的遥感图像相似性检索方法比较[J].遥感学报,2006,10(6):893-900]、索引[郑斌.基于内容的遥感图像数据库的多维索引技术[J].计算机测量与控制,2007,15(12):1760-1763]等问题。
和一般的自然图像检索不同,遥感图像检索具有如下特点:待检索目标处于一幅比较大的遥感图像中,其他相似目标分散在覆盖一定地域范围的一幅或多幅其他遥感图像中,分散的目标具有某种视觉相似性。采用分块策略将大幅图像分成若干子图像块后,待搜索的图像空间较大,查询响应时间较长,在目前计算机软硬件条件下,查询一个中等流域某种地表覆盖一般需要10多分钟。为了提高检索效率,缩减响应时间,需要引入高效的索引机制。常用的方法是先对高维特征空间进行降维,然后采用KD树、R树等较成熟的向量空间索引结构来建立索引,但一些现有文献指出,当特征维数高于20后,这些向量空间索引算法反而不如顺序线性查找,索引查询性能严重退化。
另一方面,在遥感图像检索系统中,有时会在图像底层特征和高层语义之间出现语义鸿沟,一些图像在语义上可能完全没有联系,但它们在特征空间中的特征向量却可能比较接近,基于该特征进行检索,一些实际不相似的图像会被误判为目标图像。因此需要考虑不同特征对不同类型目标的有效性,如果在进行图像检索时,选择最符合检索目标语义内容的特征对目标进行描述,则可以极大地改善检索性能。
发明内容
本发明所要解决的问题在于克服现有技术不足,提供一种基于多特征VP树索引的遥感图像检索方法,可同时提高遥感图像的检索效率及检索质量。
本发明基于多特征VP树索引的遥感图像检索方法,包括以下步骤:
步骤A、对遥感图像进行分块,每个图像块作为一个子图像,得到子图像集;
步骤B、在多个不同的特征空间中分别对所述子图像集建立VP树索引;
步骤C、根据给定的查询图像分别通过各特征空间的VP树索引所得到的查询结果,计算各特征空间的基于距离对比度的索引有效性指数DCIVI,然后从DCIVI值较大的特征空间的VP树索引所得到的查询结果中选取与所述查询图像具有最大相似性的子图像集合作为最终的检索结果;任意一个特征空间的DCIVI按照以下方法得到:从所述查询图像通过该特征空间的VP树索引所得到的查询结果中的所有子图像中,选出与查询图像之间距离在[Dmin,Dmin+r]和[Dmax-r,Dmax]范围内的两组子图像集合,分别称为最近邻子图像集合、最远邻子图像集合,Dmax、Dmin分别表示所有子图像中与查询图像之间的最大、最小距离,r为预设的查询距离阈值;然后按照下式得到该特征空间的DCIVI:
其中,表示最远邻子图像集合中所有子图像和所述查询图像间的平均距离,表示最近邻子图像集合中所有子图像和所述查询图像间的平均距离。
为了进一步地提高检索质量,本发明进一步提出了采用颜色特征和纹理特征组合的方式进行检索的优选方案,具体为:
步骤C中所述从DCIVI值较大的特征空间的VP树索引所得到的查询结果中选取与所述查询图像具有最大相似性的子图像集合作为最终的检索结果,具体如下:
首先,从所述多个不同的特征空间中的颜色特征空间、纹理特征空间中分别选出DCIVI值最大的最优颜色特征空间、最优纹理特征空间;
然后,分别将最优颜色特征空间、最优纹理特征空间的DCIVI值与该特征空间相应的特征选择阈值进行比较,如果其中一个特征空间的DCIVI值小于或等于其相应的特征选择阈值,则从另外一个特征空间的VP树索引所得到的查询结果中选取距所述查询图像最近的部分子图像作为最终的检索结果;如果最优颜色特征空间、最优纹理特征空间的DCIVI值均大于其相应的特征选择阈值,则将这两个特征空间的VP树索引所得到的两个查询结果合并为目标子图像集,并利用线性加权的方法计算目标子图像集中各子图像与所述查询图像之间的综合距离,最后从目标子图像集中选取综合距离最小的部分子图像作为最终的检索结果;如果最优颜色特征空间、最优纹理特征空间的DCIVI值均小于或等于其相应的特征选择阈值,则在调整查询距离阈值r后重新进行检索;
其中,任意一个特征空间所对应的特征选择阈值TH按照下式得到:
式中,r预设的查询距离阈值,表示最近邻子图像集合中所有子图像和所述查询图像间的平均距离;
所述利用线性加权的方法计算目标子图像集中各子图像与所述查询图像之间的综合距离,具体方法为通过计算两种特征空间查询到的子图像的数目来确定线性加权计算综合距离时两个特征空间对应的权重:设最佳颜色特征空间查询到的子图像数为Nc,最佳纹理特征空间查询到的子图像数为Nt,则最佳颜色特征的距离的权重为Nt/(Nc+Nt),而最佳纹理特征的距离的权重为Nc/(Nc+Nt)。
基于相同的发明构思还可得到本发明基于多特征VP树索引的遥感图像检索装置,包括:
遥感图像分块单元,用于对遥感图像进行分块,每个图像块作为一个子图像,得到子图像集;
VP树索引构建单元,用于在多个不同的特征空间中对遥感图像分块单元输出的子图像集分别建立VP树索引;
检索单元,用于根据给定的查询图像分别通过各特征空间的VP树索引所得到的查询结果,计算各特征空间的基于距离对比度的索引有效性指数DCIVI,然后从DCIVI值较大的特征空间的VP树索引所得到的查询结果中选取与所述查询图像具有最大相似性的子图像集合作为最终的检索结果;任意一个特征空间的DCIVI按照以下方法得到:从所述查询图像通过该特征空间的VP树索引所得到的查询结果中的所有子图像中,选出与查询图像之间距离在[Dmin,Dmin+r]和[Dmax-r,Dmax]范围内的两组子图像集合,分别称为最近邻子图像集合、最远邻子图像集合,Dmax、Dmin分别表示所有子图像中与查询图像之间的最大、最小距离,r为预设的查询距离阈值;然后按照下式得到该特征空间的DCIVI:
其中,表示最远邻子图像集合中所有子图像和所述查询图像间的平均距离,表示最近邻子图像集合中所有子图像和所述查询图像间的平均距离。
相比现有技术,本发明具有以下有益效果:
本发明针对特征有效性选择,提出了一种基于VP树索引的索引有效性指标——基于距离对比度的索引有效性指数,利用该指标通过分析各个特征空间的VP树查询结果可自适应地选择最适合描述图像内容的特征,不但提高了遥感图像的检索速度,检索质量(查全率和查准率)也得到了明显改善。
附图说明
图1为本发明提出的基于距离对比度的索引有效性指数计算方法示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
遥感图像中不同类型的检索目标,对其内容的描述,不同特征的有效性并不相同,如果能够分析出最能反映检索目标语义内容的视觉特征来进行遥感图像检索,则可以显著提高检索精度。本发明提出在遥感图像多特征索引中引入特征选择:对多种不同的特征空间构建VP树索引,总有一种特征空间中的检索效果与人工标注结果最相似。通过相应的指标分析不同VP树检索结果来自适应选择特征,可在减少检索响应时间的同时提高检索精度,而不需要人工干预。
VP树是树形结构,建树时得到的叶子节点内的子图像集与聚类得到的结果不同,是一种近似分类结果,一般需要对返回的子图像集再一次进行距离相似性度量,才能达到与聚类算法相近的结果,所以,对VP树索引结果采用现有的聚类有效性指标(例如文献[朱佳丽,李士进,万定生,冯钧.基于特征选择和半监督学习的遥感图像检索[J].中国图象图形学报,2011,16(8):1474-1482]中所提出的有效性指标)直接进行评估并不合理。若独立于构建VP树,重新对子图像进行聚类来实现特征选择,则聚类算法引起的时间开销会影响整个系统的性能,削弱索引的效果。为此,本发明提出了一种基于VP树索引的索引有效性指标——基于距离对比度的索引有效性指数(distance-contrast-based indexingvalidation index,DCIVI),将与查询对象距离较近的环形区域内的子图像作为最近邻集合,落入另一环形区域内的子图像作为最远邻集合,通过计算这两个集合之间的距离对比度来分析特定特征空间对应VP树索引返回最近邻集合的有效性,其原理如图1所示。通过某一特征空间的VP树索引对给定的查询图像Q进行查询,从该VP树索引所查询到的目标节点中所包含的子图像如图1中除查询图像Q以外的黑色圆点所示,这些子图像中与查询图像Q之间的最大、最小距离分别表示为Dmax、Dmin。首先,根据一个预先设定的查询距离阈值r,从这些子图像中选出与查询图像之间距离在[Dmin,Dmin+r]和[Dmax-r,Dmax]范围内的两组子图像集合(即图中所示的两个环形区域内的子图像集合),分别称为最近邻子图像集合、最远邻子图像集合,本发明以最近邻子图像集合平均距离与最远邻子图像集合平均距离的距离对比度作为该特征空间的索引有效性指标,则基于距离对比度的索引有效性指数DCIVI可根据以下公式确定:
其中,m、n分别表示最近邻子图像集合、最远邻子图像集合中的子图像个数,Dmini表示最近邻子图像集合中第i个子图像与查询图像间的距离,Dmaxj表示最远邻子图像集合中第j个子图像与查询图像间的距离,分别表示最远邻子图像集合、最近邻子图像集合中所有子图像和所述查询图像间的平均距离。优选地,颜色特征空间中的距离度量使用直方图交距离,纹理特征空间中的距离度量使用欧氏距离。
若DCIVI指标值较大,说明在当前特征空间中查询对象的最近邻集合与最远邻集合之间对比度较大,最近邻子图像集合与最远邻子图像集合的区别越大,与指标值较小的特征空间相比,在当前特征空间下子图像间分布更为分散,目标与非目标的区分效果越好。在该特征空间下对子图像集构建VP树的检索正确率更高,因此选为最优特征。
本发明的遥感图像检索方法具体如下:
步骤A、对遥感图像进行分块,每个图像块作为一个子图像,得到子图像集。
对于遥感图像检索,合理有效的图像分块是必须的。本发明可采用现有的各种图像分块方法,然而,为了避免将同一目标分入不同的小块之中,本发明优选采用重叠分块策略,每块大小为nxn,块与块之间重叠n/2X n/2像素。这样做的目的是用户在勾选查询示例图像块时,该图像块的大小代表了一定的模式基元,n一般取128或64,这样可以避免子图像过大而导致检索结果太粗糙。
步骤B、在多个不同的特征空间中分别对所述子图像集建立VP树索引。
VP树是一种真正的基于距离的度量空间的索引结构,属于静态的基于连续距离函数的二叉平衡树,它的构造思想以及搜索算法与其他度量空间索引方法相比非常直观,复杂度较低,其详细内容可参考文献[Uhlmann J K.Satisfying general proximity/similarity queries with metric trees[J].Information processing letters,1991,40(4):175-179]。目前已有人提出采用VP树对具有高维特征向量的语音、形状、图像等进行检索,取得了较好的检索效果。VP树在只有距离信息的高维度量空间中根据选取的参考点使用树查找,对树中每个节点的数据根据距离信息来进行划分,该结构不关心图像之间的相对位置,只计算图像之间的相对距离。
在VP树构建过程中,参考点的选取非常重要。由于VP树的性质,需要将数据集S中剩余的点根据与参考点的距离分成两部分,因此在选择参考点的时候,应该尽量选择位于角落的点。最好的方法是对S中所有点,计算当前点与S中其余点的方差,选取方差最大的点作为参考点。但这样做计算量较大,因此也可使用折中法,即随机选取S的子集V和T,分别作为特征点的候选集合和对应的测试集。对于候选集V中的每一个数据对象,计算与测试集T中所有对象的距离的方差,将方差最大的数据对象作为参考点P。V和T越大,选出来的参考点就越好。当V和T等于S时,参考点P就是期望得到的位于角落的点。
选取的参考点是否合适会影响到子集的进一步划分,关系到VP树的剪枝能力和最终的节点访问量,因此选取的参考点需要尽可能反映数据集中的目标种类。文献[VanLeuken R H,Veltkamp R C.Selecting vantage objects for similarity indexing[J].ACM Transactions on Multimedia Computing,Communications,and Applications(TOMCCAP),2011,7(3):16.]提出了Spacing-Correlation参考点选取方法。Spacing过程对子图像集进行相关性分析,通过计算每个参考点的距离间隔方差,将间隔方差较大的子图像筛除,得到新的子图像集合A。Correlation过程对子图像集合A中子图像进行冗余度分析,通过计算任意两个参考点之间的线性相关系数,再次剔除一部分子图像,从而得到最终参考点集V。本发明优选使用该方法来选取特征点的集合V。
给定一个参考点(图像样本),计算其与所有其他图像样本的距离,定义两个连续的图像样本Ai和Ai+1间的间隔为
Si=d(Ai+1,Vj)-d(Ai,Vj) (1)
求出平均间隔μ,则间隔的方差为
为确保没有选择多余的参考点,需要计算所有的参考点的线性相关系数,判断其冗余性。V1,V2的冗余性通过计算距离坐标轴上图像样本间的线性相关系数Corr得到。
其中d1i=d(V1,Ai),d2i=d(V2,Ai)。具体地,本发明基于Spacing–Correlation参考点选取方法的算法步骤如下:
1)对子图像集{A1,A2,...An}中的每个Ai,应用公式(2)计算其与其余子图像间的间隔的方差,得到子图像间的相关性,记为
2)根据预先设定的间隔判别阈值εsp对子图像集进行相关性分析。对任意当时,该子图像Ai被作为候选参考点保留并加入到候选集合Vlist'中,否则Ai被去除;
3)对子图像集中的所有子图像都执行步骤2后相关性分析结束。按值对Vlist'中的所有子图像进行升序排列;
4)对Vlist'中每一当前排序第一的子图像Ak,利用公式(3)计算该子图像与Vlist'其他任意子图像Al,k≠l之间的线性相关系数Corr(Vk,Vl)。根据预先设定的冗余性判别阈值εcorr对子图像集进行冗余度分析,若Corr(Vk,Vl)>εcorr,则说明子图像Al与Ak,k≠l冗余,将Al从Vlist'中去除。当Ak与Vlist'中所有其他子图像都计算一轮后,将Ak加入到新的候选集合Vlist中,同时在Vlist'中删除Ak;
5)重复步骤4中的操作直到Vlist'为空,此时所有的子图像都已被处理,冗余度分析完毕。Vlist即是最终的参考点候选集合。
对分块所形成的子图像集分别进行多种特征的提取,本发明所采用的多种特征空间可以均为颜色特征,也可以为纹理特征,考虑到这两类特征在描述图像内容方面的互补性,本发明优选同时采用颜色和纹理特征。优选地,所述多个不同的特征空间包括:HSI主颜色直方图特征空间、Lab主颜色直方图特征空间、灰度共生矩阵GLCM特征空间和Gabor纹理特征空间。由于图像特征提取需要耗费较多的时间,为了有效减少检索等待时间,最好将步骤A和步骤B离线进行。在离线情况下,分别提取多种特征,并构建对应的VP树索引,供在线检索阶段选择使用。
步骤C、在线检索,具体如下:
步骤C1、对于给定的查询图像,分别通过离线阶段得到的多种特征空间的VP树索引进行查询,得到各个VP树索引中目标节点内的子图像集。
步骤C2、索引选择:
根据各VP树索引所查询到的子图像集,按照本发明所提出的索引有效性指数DCIVI公式计算出各特征空间的DCIVI指标值。可以直接选择DCIVI指标值最大的特征空间作为最优特征空间,从该特征空间的VP树索引查询结果中选取距查询图像最近的k个子图像作为最终的检索结果(k的具体取值根据实际需要而定)。当同时存在颜色特征和纹理特征时,考虑到可利用两者的互补性采用特征组合的方式提高检索质量,因此本发明首先从所述多个不同的特征空间中的颜色特征空间、纹理特征空间中分别选出DCIVI值最大的,分别作为最优颜色特征空间、最优纹理特征空间;然后,分别将最优颜色特征空间、最优纹理特征空间的DCIVI值与该特征空间相应的特征选择阈值TH进行比较。以查询距离阈值r与的比值作为各特征空间的特征选择阈值TH:
通过比较DCIVI指标值与特征选择阈值TH,确定当前的最优特征是否能够较好的描述图像内容。当所选两种最优特征中某一特征的DCIVI指标小于或等于其所对应的特征选择阈值TH时,表示最近邻集合与最远邻集合之间的关系是真正近邻与近似近邻关系,在特征空间中不能明显区分,此时将该特征的权重设为0,即不采用该特征VP树构建的索引,而将另一特征的权重设为1;当所选两种最优特征的DCIVI指标均大于各自所对应的特征选择阈值TH时,则分别采用这两种特征VP树索引所得到的查询结果,并通过计算两种特征空间查询到的子图像的数目来确定两个特征空间对应的权重:设最佳颜色特征空间查询到的子图像数为Nc,最佳纹理特征空间查询到的子图像数为Nt,则最佳颜色特征的距离的权重为Nt/(Nc+Nt),而最佳纹理特征的距离的权重为Nc/(Nc+Nt)。当所选两种最优特征的DCIVI指标均小于等于各自所对应的特征选择阈值TH时,表明的查询距离阈值r的取值不合适,此时可提醒用户对查询距离阈值r进行修改后重新进行检索。
步骤C3、确定最终检索结果:
当两种最优特征中存在权重为0的特征时,单独依靠权重为1的特征进行检索。否则,采用索引组合进行检索。若选择单特征,则将单特征对应的目标子图像集中前k个具有最大相似性的子图像(即与查询图像距离最近的前k个子图像)作为最终检索结果返回;若两种最优特征的DCIVI指标均大于各自所对应的特征选择阈值TH时,则将这两个特征空间的VP树索引所得到的两个查询结果合并为目标子图像集,并根据上一步骤中得到的权重,利用线性加权的方法计算目标子图像集中各子图像与所述查询图像之间的综合距离,对目标子图像集中的子图像按照综合距离大小重新排序,选出前k个距离较小的子图像作为最终检索结果返回。
通过对不同地表覆盖的遥感图像实验来验证本发明方法的有效性,采用F1-Measure作为最终的度量指标,根据查全率R和查准率P得出的综合评价指标,具体的计算公式可参见文献[Li Shijin,Zhu Jiali,Zhu Yuelong,Feng Jun,Region-based retrievalof remote sensing image patches with adaptive image segmentation,OpticalEngineering,2012,51(6)]:
选取3幅不同地标覆盖遥感图像,先进行重叠分块,然后对查询样本和重叠分块形成的子图像集提取4种图像特征,分别是HSI和Lab主颜色直方图特征,以及灰度共生矩阵Glcm和Gabor纹理特征,并采用基于Spacing-Correlation方法的VP树(VP-SC)建立相似性索引。
1)VP树索引效果分析
对用户构建索引时间,使用索引的检索时间以及使用顺序扫描算法(SequentialScanning Algorithm,SSA)进行相似性度量需要的时间三者进行统计对比,相应的时间显示在表1中。由表1看出,对分块后的子图像进行特征提取需要花费较长时间,离线完成该步骤可以有效节省用户查询等待的时间。相比顺序扫描算法,虽然索引构建需要一定的时间,但该步骤是在离线情况下完成。对于所有图像进行单次查询时,VP树索引的查询响应时间与顺序扫描时间相比大大减少,响应速度提高了70~100倍。
表1不同地表覆盖遥感图像检索时间统计索引方法与顺序扫描方法对比
2)特征选择结果分析
分别采用三种不同方法对水边居民地、林地和土壤侵蚀区域进行检索,第一种方法是引入特征选择后,利用所选出的最优颜色特征和最优纹理特征进行组合进行检索,第二种方法是人工选择最佳单特征检索,第三种是领域专家人工标注真正应该检索出的相似区域。
根据检索结果可以看出,与单特征相比,利用特征组合方法得到的检索效果比较令人满意,各个目标区域错检漏检的区域较少。对于部分图像,利用特征组合检索得到的目标区域范围增大,且通过特征组合去除了使用单特征时图片下方以及右侧区域错检部分;对于另一部分图像,若只采用颜色特征可以得到较好的结果,但加上纹理特征后,检索得到的结果要比单特征好。
索引组合的最大优势是多特征的快速组合,它通过颜色特征描述遥感图像中不同的目标,引入纹理特征来弥补颜色特征对空间信息分布描述的不足。当两幅子图像在颜色特征上不相似时,通过分析纹理特征而拉近图像特征向量间的距离从而变得相似,图像中会存在与用户查询样本在颜色特征上并不是非常一致的区域,当采用单特征方法时,这些区域会被漏检一部分,而通过分析纹理特征可以将其检索出来。类似地,当两幅子图像在颜色特征上相似时,采用单特征方法,这些区域会被错误检测出来,本发明通过分析纹理特征增大图像间的距离,从而减少了错误检测。
因此,引入特征选择后,采用自适应颜色与纹理特征组合的方法能对相似目标区域有效检索,而且不需要人工干预,自动化程度高,大大减轻了用户人工判断特征有效性的负担。
表2正确率比较
表2是对其中三幅图像使用基于面积的查全率和查准率评估的结果,分别采用本发明方法多特征自动选择和人工选择最佳单一特征检索方法,都是使用相同的查询图像,选取相同的返回子图像数进行比较,可以看出本发明方法在查全率和查准率上都有所提高。
Claims (8)
1.基于多特征VP树索引的遥感图像检索方法,其特征在于,包括以下步骤:
步骤A、对遥感图像进行分块,每个图像块作为一个子图像,得到子图像集;
步骤B、在多个不同的特征空间中分别对所述子图像集建立VP树索引;
步骤C、根据给定的查询图像分别通过各特征空间的VP树索引所得到的查询结果,计算各特征空间的基于距离对比度的索引有效性指数DCIVI,然后从DCIVI值较大的特征空间的VP树索引所得到的查询结果中选取与所述查询图像具有最大相似性的子图像集合作为最终的检索结果;任意一个特征空间的DCIVI按照以下方法得到:从所述查询图像通过该特征空间的VP树索引所得到的查询结果中的所有子图像中,选出与查询图像之间距离在[Dmin,Dmin+r]和[Dmax-r,Dmax]范围内的两组子图像集合,分别称为最近邻子图像集合、最远邻子图像集合,Dmax、Dmin分别表示所有子图像中与查询图像之间的最大、最小距离,r为预设的查询距离阈值;然后按照下式得到该特征空间的DCIVI:
其中,表示最远邻子图像集合中所有子图像和所述查询图像间的平均距离,表示最近邻子图像集合中所有子图像和所述查询图像间的平均距离;
步骤C中所述从DCIVI值较大的特征空间的VP树索引所得到的查询结果中选取与所述查询图像具有最大相似性的子图像集合作为最终的检索结果,具体如下:
首先,从所述多个不同的特征空间中的颜色特征空间、纹理特征空间中分别选出DCIVI值最大的最优颜色特征空间、最优纹理特征空间;
然后,分别将最优颜色特征空间、最优纹理特征空间的DCIVI值与该特征空间相应的特征选择阈值进行比较,如果其中一个特征空间的DCIVI值小于或等于其相应的特征选择阈值,则从另外一个特征空间的VP树索引所得到的查询结果中选取距所述查询图像最近的部分子图像作为最终的检索结果;如果最优颜色特征空间、最优纹理特征空间的DCIVI值均大于其相应的特征选择阈值,则将这两个特征空间的VP树索引所得到的两个查询结果合并为目标子图像集,并利用线性加权的方法计算目标子图像集中各子图像与所述查询图像之间的综合距离,最后从目标子图像集中选取综合距离最小的部分子图像作为最终的检索结果;如果最优颜色特征空间、最优纹理特征空间的DCIVI值均小于或等于其相应的特征选择阈值,则在调整查询距离阈值r后重新进行检索;
其中,任意一个特征空间所对应的特征选择阈值TH按照下式得到:
式中,r预设的查询距离阈值,表示最近邻子图像集合中所有子图像和所述查询图像间的平均距离;
所述利用线性加权的方法计算目标子图像集中各子图像与所述查询图像之间的综合距离,具体方法为通过计算两种特征空间查询到的子图像的数目来确定线性加权计算综合距离时两个特征空间对应的权重:设最佳颜色特征空间查询到的子图像数为Nc,最佳纹理特征空间查询到的子图像数为Nt,则最佳颜色特征的距离的权重为Nt/(Nc+Nt),而最佳纹理特征的距离的权重为Nc/(Nc+Nt)。
2.如权利要求1所述遥感图像检索方法,其特征在于,颜色特征空间中的距离度量使用直方图交距离,纹理特征空间中的距离度量使用欧氏距离。
3.如权利要求1~2任一项所述遥感图像检索方法,其特征在于,在对子图像集建立VP树索引过程中,利用Spacing-Correlation方法来选取参考点。
4.如权利要求1~2任一项所述遥感图像检索方法,其特征在于,所述步骤A、步骤B离线完成,所述步骤C在线进行。
5.如权利要求1~2任一项所述遥感图像检索方法,其特征在于,所述多个不同的特征空间包括:HSI主颜色直方图特征空间、Lab主颜色直方图特征空间、灰度共生矩阵GLCM特征空间和Gabor纹理特征空间。
6.如权利要求1~2任一项所述遥感图像检索方法,其特征在于,步骤A中使用重叠分块策略对遥感图像进行分块。
7.如权利要求6所述遥感图像检索方法,其特征在于,对遥感图像进行分块时,每个图像块的大小为n×n个像素,相邻图像块之间重叠(n/2)×(n/2)个像素,n的取值为128或64。
8.基于多特征VP树索引的遥感图像检索装置,其特征在于,包括:
遥感图像分块单元,用于对遥感图像进行分块,每个图像块作为一个子图像,得到子图像集;
VP树索引构建单元,用于在多个不同的特征空间中对遥感图像分块单元输出的子图像集分别建立VP树索引;
检索单元,用于根据给定的查询图像分别通过各特征空间的VP树索引所得到的查询结果,计算各特征空间的基于距离对比度的索引有效性指数DCIVI,然后从DCIVI值较大的特征空间的VP树索引所得到的查询结果中选取与所述查询图像具有最大相似性的子图像集合作为最终的检索结果;任意一个特征空间的DCIVI按照以下方法得到:从所述查询图像通过该特征空间的VP树索引所得到的查询结果中的所有子图像中,选出与查询图像之间距离在[Dmin,Dmin+r]和[Dmax-r,Dmax]范围内的两组子图像集合,分别称为最近邻子图像集合、最远邻子图像集合,Dmax、Dmin分别表示所有子图像中与查询图像之间的最大、最小距离,r为预设的查询距离阈值;然后按照下式得到该特征空间的DCIVI:
其中,表示最远邻子图像集合中所有子图像和所述查询图像间的平均距离,表示最近邻子图像集合中所有子图像和所述查询图像间的平均距离;
所述从DCIVI值较大的特征空间的VP树索引所得到的查询结果中选取与所述查询图像具有最大相似性的子图像集合作为最终的检索结果,具体如下:
首先,从所述多个不同的特征空间中的颜色特征空间、纹理特征空间中分别选出DCIVI值最大的最优颜色特征空间、最优纹理特征空间;
然后,分别将最优颜色特征空间、最优纹理特征空间的DCIVI值与该特征空间相应的特征选择阈值进行比较,如果其中一个特征空间的DCIVI值小于或等于其相应的特征选择阈值,则从另外一个特征空间的VP树索引所得到的查询结果中选取距所述查询图像最近的部分子图像作为最终的检索结果;如果最优颜色特征空间、最优纹理特征空间的DCIVI值均大于其相应的特征选择阈值,则将这两个特征空间的VP树索引所得到的两个查询结果合并为目标子图像集,并利用线性加权的方法计算目标子图像集中各子图像与所述查询图像之间的综合距离,最后从目标子图像集中选取综合距离最小的部分子图像作为最终的检索结果;如果最优颜色特征空间、最优纹理特征空间的DCIVI值均小于或等于其相应的特征选择阈值,则在调整查询距离阈值r后重新进行检索;
其中,任意一个特征空间所对应的特征选择阈值TH按照下式得到:
式中,r预设的查询距离阈值,表示最近邻子图像集合中所有子图像和所述查询图像间的平均距离;
所述利用线性加权的方法计算目标子图像集中各子图像与所述查询图像之间的综合距离,具体方法为通过计算两种特征空间查询到的子图像的数目来确定线性加权计算综合距离时两个特征空间对应的权重:设最佳颜色特征空间查询到的子图像数为Nc,最佳纹理特征空间查询到的子图像数为Nt,则最佳颜色特征的距离的权重为Nt/(Nc+Nt),而最佳纹理特征的距离的权重为Nc/(Nc+Nt)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410493790.1A CN104239551B (zh) | 2014-09-24 | 2014-09-24 | 基于多特征vp树索引的遥感图像检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410493790.1A CN104239551B (zh) | 2014-09-24 | 2014-09-24 | 基于多特征vp树索引的遥感图像检索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104239551A CN104239551A (zh) | 2014-12-24 |
CN104239551B true CN104239551B (zh) | 2017-04-19 |
Family
ID=52227610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410493790.1A Expired - Fee Related CN104239551B (zh) | 2014-09-24 | 2014-09-24 | 基于多特征vp树索引的遥感图像检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104239551B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653656B (zh) * | 2015-12-28 | 2019-06-07 | 成都希盟泰克科技发展有限公司 | 一种基于改进lsh的多特征文档检索方法 |
CN105825237B (zh) * | 2016-03-21 | 2019-03-01 | 山东联科云计算股份有限公司 | 一种基于图测度的子图相似查询方法 |
US10916014B2 (en) | 2018-06-01 | 2021-02-09 | Ford Global Technologies, Llc | Distinguishing virtual objects from one another |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853304A (zh) * | 2010-06-08 | 2010-10-06 | 河海大学 | 基于特征选择和半监督学习的遥感图像检索方法 |
CN103336801A (zh) * | 2013-06-20 | 2013-10-02 | 河海大学 | 基于多特征lsh索引组合的遥感图像检索方法 |
-
2014
- 2014-09-24 CN CN201410493790.1A patent/CN104239551B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853304A (zh) * | 2010-06-08 | 2010-10-06 | 河海大学 | 基于特征选择和半监督学习的遥感图像检索方法 |
CN103336801A (zh) * | 2013-06-20 | 2013-10-02 | 河海大学 | 基于多特征lsh索引组合的遥感图像检索方法 |
Non-Patent Citations (3)
Title |
---|
Region-based retrieval of remote sensing image patches with adaptive image segmentation;Shijin Li 等;《Optical Engineering》;20120606;第51卷(第6期);1-11 * |
基于度量空间高维索引结构VP-tree及MVP-tree的图像检索;王志强 等;《计算机工程与应用》;20041221;41-44 * |
基于特征选择和半监督学习的遥感图像检索;朱佳丽 等;《中国图像图形学报》;20110816;第16卷(第8期);1474-1482 * |
Also Published As
Publication number | Publication date |
---|---|
CN104239551A (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108657B (zh) | 基于多任务深度学习的修正局部敏感哈希车辆检索方法 | |
CN107679250B (zh) | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 | |
CN106649487B (zh) | 基于兴趣目标的图像检索方法 | |
Sali et al. | Texture classification in aerial photographs and satellite data | |
Kannan et al. | Image clustering and retrieval using image mining techniques | |
CN102254303B (zh) | 遥感图像分割方法及遥感图像检索方法 | |
Shabanzade et al. | Combination of local descriptors and global features for leaf recognition | |
Lalitha et al. | A survey on image segmentation through clustering algorithm | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN103336801A (zh) | 基于多特征lsh索引组合的遥感图像检索方法 | |
Ding et al. | A scale-based connected coherence tree algorithm for image segmentation | |
CN111931953A (zh) | 一种废旧手机多尺度特征深度森林识别方法 | |
CN104239551B (zh) | 基于多特征vp树索引的遥感图像检索方法及装置 | |
CN107766792A (zh) | 一种遥感图像舰船目标识别方法 | |
Tamim et al. | An efficient tool for automatic delimitation of Moroccan coastal upwelling using SST images | |
CN110188811A (zh) | 基于赋范梯度特征与卷积神经网络的水下目标检测方法 | |
Kiranyaz et al. | Network of evolutionary binary classifiers for classification and retrieval in macroinvertebrate databases | |
CN104834926B (zh) | 一种字符区域提取方法及系统 | |
CN111814705B (zh) | 一种基于批次分块遮挡网络的行人再辨识方法 | |
CN109670408A (zh) | 一种基于对象的遥感图像水体提取方法 | |
CN110532867B (zh) | 一种基于黄金分割法的人脸图像聚类方法 | |
CN102194224A (zh) | 一种光学遥感图像坦克群的识别方法 | |
CN106611418A (zh) | 一种图像分割算法 | |
Lin et al. | In defense of iterated conditional mode for hyperspectral image classification | |
CN111723737B (zh) | 一种基于多尺度匹配策略深度特征学习的目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170419 Termination date: 20200924 |
|
CF01 | Termination of patent right due to non-payment of annual fee |