CN104700100A - 面向高空间分辨率遥感大数据的特征提取方法 - Google Patents
面向高空间分辨率遥感大数据的特征提取方法 Download PDFInfo
- Publication number
- CN104700100A CN104700100A CN201510152162.1A CN201510152162A CN104700100A CN 104700100 A CN104700100 A CN 104700100A CN 201510152162 A CN201510152162 A CN 201510152162A CN 104700100 A CN104700100 A CN 104700100A
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- remote sensing
- layer
- spatial resolution
- 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.)
- Pending
Links
Abstract
面向高空间分辨率遥感大数据的特征提取方法,属于遥感图像特征提取技术领域。本发明是为了解决现有对高空间分辨率遥感图像的特征进行提取获取的为底层特征,不能准确表达地物本质的问题。它首先采集遥感图像,并对遥感图像进行预处理,获得输入数据;将输入数据分割成连续且不重叠的31×31或者51×51像素的子图数据;将子图数据依次输入给卷积深度玻尔兹曼机输入层的相应节点,获得子图数据的低级语义特征;将子图数据的低级语义特征作为卷积深度玻尔兹曼机高级语义层的输入,获得子图数据的本质特征数据;再进一步获得规范化的上下文信息;最后由Logistic分类器输出所述输入数据的特征提取结果。本发明用于遥感大数据的特征提取。
Description
技术领域
本发明涉及面向高空间分辨率遥感大数据的特征提取方法,属于遥感图像特征提取技术领域。
背景技术
近十几年来,高空间分辨率遥感图像已经广泛用于农业、林业、海洋和环境监测等领域,具有巨大的经济价值和社会效益。然而,由于高空间分辨率遥感图像的体量(Volume)大,数据类型(Variety)多,信息丰富,解译分析过程复杂,迄今为止还难以准确、高效地对高空间分辨率遥感图像进行自动的地物分类。如何对高空间分辨率遥感大数据进行地物分类成为影响其大规模应用的技术难点与瓶颈之一。
与中低分辨率遥感图像相比,高空间分辨率遥感图像纹理更加丰富、形状更加明显,空间关系更加复杂。现有的技术常常采用光谱、形状和纹理特征来描述高空间分辨率遥感图像中地类的不同特点。然而,这些特征是底层特征,难以全面描述高空间分辨率图像上地物的几何和结构信息。近几年来,文本分析和场景理解中的词包模型(Bag-of-Word,BOW))和主题模型(Topic model)被引入遥感领域。这些方法通过词包模型来提取局部特征的统计信息或语义信息,并据此来分析高空间分辨率遥感图像中的主题,从而达到分类的目的。
现有的特征提取方法大多是统计特征,难以准确地描述地类的本质信息,难于实现高空间分辨率遥感图像自动解译。如何针对传感器的多样性、成像条件的多变性以及地面目标的复杂性,提取高空间分辨率遥感大数据上地物的深层结构信息,尽可能完备地描述地类特性,是高空间分辨率遥感大数据中的地物分类的关键。为了发掘更好的特征,人们不得不投入大量的精力去研究一个好的特征。而好的特征开发往往需要对问题有很深的理解,需要反复摸索。因此当下需要能够自动生成合适的特征。
另外,人们常常认为:在大数据条件下,简单模型比复杂模型更加有效。例如,在相对多的大数据应用中,大量使用最简单的线性模型,其实质上效果并不理想。实际上,只有对大数据应用比较复杂的模型或表达能力强的模型,才能够充分发掘大数据中蕴藏的丰富的有价值的信息。
深度学习(Deep Learning,DL)是机器学习(Machine Learning,ML)领域中一个新方法。该方法通过学习样本数据的内在规律和表示层次,在语音和图像识别方面取得了良好的效果,解决了很多复杂的模式识别难题。其实质是面向海量数据,通过构建具有包括大量隐层的机器学习模型,来学习数据的本质特征,从而最终提升分类或预测的准确性。即基于“深度模型”进行“特征学习”,所述深度模型通常有5层、6层、甚至10多层的隐层节点,所述特征学习是通过逐层特征变换,将样本原始的特征表示映射到一个新特征空间,从而使得分类或预测更加容易。
目前,高空间分辨率图像的分类和识别准确率都相对较低,其根源之一在于高空间分辨率遥感图像细节丰富,难以提取合适的特征以准确地表达解译员所能感知到的地物本质。现有的特征大多基于分割算法,即对分割出的对象提取光谱、形状和纹理等特征。然而,这些特征都是底层特征,难以准确表达地物本质所表达的高层信息。
发明内容
本发明目的是为了解决现有对高空间分辨率遥感图像的特征进行提取获取的为底层特征,不能准确表达地物本质的问题,提供了一种面向高空间分辨率遥感大数据的特征提取方法。
本发明所述面向高空间分辨率遥感大数据的特征提取方法,它包括以下步骤:
步骤一:采集遥感图像,并对遥感图像进行预处理,获得输入数据;
步骤二:将输入数据分割成连续且不重叠的31×31或者51×51像素的子图数据;
步骤三:将子图数据依次输入给卷积深度玻尔兹曼机输入层的相应节点,所述子图数据通过卷积深度玻尔兹曼机低级语义层的隐含子层进行修改卷积核之后的卷积映射后,再通过所述低级语义层的提取子层进行提取操作,获得子图数据的低级语义特征;
步骤四:将子图数据的低级语义特征作为卷积深度玻尔兹曼机高级语义层的输入,所述高级语义层的隐含子层和提取子层对子图数据的低级语义特征以无监督学习的方式进行高层语义的提取,获得子图数据的本质特征数据;
步骤五:采用子图数据的本质特征数据以无监督学习的方式对卷积深度玻尔兹曼机进行均值场训练,使所述低级语义层同时接收来自输入层的子图数据和高级语义层的本质特征数据,并以概率型最大抽取的方法,概率化抽样输入层和高级语义层数据的上下文信息,获得规范化的上下文信息;
步骤六:将规范化上下文信息作为子图数据的高级语义特征,对子图数据的高级语义特征采用Logistic分类器的回归方法进行监督训练,完成输入数据的整体训练过程,并由Logistic分类器输出所述输入数据的特征提取结果。
遥感图像的预处理包括:对遥感图像依次进行几何精校正、图像配准、图像镶嵌与裁剪及大气校正。
本发明的优点:本发明方法针对实际应用中高空间分辨率遥感图像海量多源、空间分辨率高、纹理和形状信息丰富的数据特性,提出了基于深层网络结构的图像特征提取方法,本发明方法通过获取地物的高层语义信息、非线性和不变性信息,量化分析和评价地类,提取出具有深度结构的数据特征,从而准确的表达地物本质,它提高了遥感大数据的分类性能,实现了遥感数据向空间信息的准确、快速、可靠转化。
本发明方法旨在利用卷积深度玻尔兹曼机的模型结构模拟解译员判读机制,直接提取出一种有利于后续处理及应用的具有深层结构的特征。该特征能够清晰地挖掘地物的高层语义,充分表征高空间分辨率遥感图像中的细节信息。
附图说明
图1是本发明所述面向高空间分辨率遥感大数据的特征提取方法的流程框图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述面向高空间分辨率遥感大数据的特征提取方法,它包括以下步骤:
步骤一:采集遥感图像,并对遥感图像进行预处理,获得输入数据;
步骤二:将输入数据分割成连续且不重叠的31×31或者51×51像素的子图数据;
步骤三:将子图数据依次输入给卷积深度玻尔兹曼机输入层的相应节点,所述子图数据通过卷积深度玻尔兹曼机低级语义层的隐含子层进行修改卷积核之后的卷积映射后,再通过所述低级语义层的提取子层进行提取操作,获得子图数据的低级语义特征;
步骤四:将子图数据的低级语义特征作为卷积深度玻尔兹曼机高级语义层的输入,所述高级语义层的隐含子层和提取子层对子图数据的低级语义特征以无监督学习的方式进行高层语义的提取,获得子图数据的本质特征数据;
步骤五:采用子图数据的本质特征数据以无监督学习的方式对卷积深度玻尔兹曼机进行均值场训练,使所述低级语义层同时接收来自输入层的子图数据和高级语义层的本质特征数据,并以概率型最大抽取的方法,概率化抽样输入层和高级语义层数据的上下文信息,获得规范化的上下文信息;
步骤六:将规范化上下文信息作为子图数据的高级语义特征,对子图数据的高级语义特征采用Logistic分类器的回归方法进行监督训练,完成输入数据的整体训练过程,并由Logistic分类器输出所述输入数据的特征提取结果。
本实施方式中对输入数据的处理分为两个阶段,一是构造高空间分辨率遥感图像的特征张量,作为输入数据;二是应用卷积深度玻尔兹曼机CDBM(Convolutional DeepBoltzmann Machine),提取输入数据的本质特征。对输入数据的准备内容主要包括几何精校正、数据变形重组等。由于高空间分辨率遥感图像纹理细节丰富,纹理往往是需要考虑的第一特征。当子图数据取31×31或者51×51时,纹理特征的表达最完善。
卷积深度玻尔兹曼机是一种无向图模型,包含输入层、低层语义层、高级语义层和分类层。它以无监督学习的方式,从数据中挖掘待分类地物的高层语义表示,然后基于少量标记样本以监督学习的方式微调模型。由于整个估计推导过程包括自顶向下的反馈,所以能更好地处理输入不确定性强和多样性强的数据。
步骤三采用了加倍卷积映射,可以弥补由于没有自顶向下的输入而造成的损失。
卷积深度玻尔兹曼机中所有的隐含层和提取层单元都是二值的。为了得到每个单元的二值状态,在预训练的过程中必须先得到隐含子层和提取子层的后验概率。预训练之后,模型中各层的参数被较好地初始化。整个过程是自底向上训练传播的。由于没有自顶向下信号,必然带来概率损失,可以对权值进行加倍以减少损失。
步骤五中的均值场(Mean Field,MF)训练:以无监督学习的方式对CDBM进行均值场训练以充分训练模型。本步骤中,CDBM算法采用了两个隐含层:第一隐含层是低级语义层,第二隐含层是高级语义层。低级语义层同时接收来自输入层和高级语义层的反馈信息。该过程借鉴了生物视觉中类似的反馈机制。以概率型最大抽取的方法,概率化抽样输入层和第二隐含层所构成的上下文信息,实现对上下文信息的规范化和综合推断。第二隐含层没有自顶向下的信息流,所以和预训练时一样自底向上传播。
步骤六实现了网络整体训练。首先在没有类别信息参与的情况下,对网络前三层进行逐层预训练和均值场训练,学习遥感图像中所蕴含的地物的低层语义特征,然后将CDBM模块输出作为高层语义特征,最后采用Logistic回归方法进行监督训练,完成网络的整体训练过程。
本发明将卷积深度玻尔兹曼机应用于高分辨率遥感大数据处理,该模型适合对大数据进行处理;该模型对图像尺度变化、仿射变化等具有很好的鲁棒性,同时能捕捉图像中的高阶统计特征和局部不变性,适宜于处理数据类型变化大的大数据。
具体实施方式二:下面结合图1说明本实施方式,本实施方式对实施方式一作进一步说明,遥感图像的预处理包括:对遥感图像依次进行几何精校正、图像配准、图像镶嵌与裁剪及大气校正。
Claims (2)
1.一种面向高空间分辨率遥感大数据的特征提取方法,其特征在于,它包括以下步骤:
步骤一:采集遥感图像,并对遥感图像进行预处理,获得输入数据;
步骤二:将输入数据分割成连续且不重叠的31×31或者51×51像素的子图数据;
步骤三:将子图数据依次输入给卷积深度玻尔兹曼机输入层的相应节点,所述子图数据通过卷积深度玻尔兹曼机低级语义层的隐含子层进行修改卷积核之后的卷积映射后,再通过所述低级语义层的提取子层进行提取操作,获得子图数据的低级语义特征;
步骤四:将子图数据的低级语义特征作为卷积深度玻尔兹曼机高级语义层的输入,所述高级语义层的隐含子层和提取子层对子图数据的低级语义特征以无监督学习的方式进行高层语义的提取,获得子图数据的本质特征数据;
步骤五:采用子图数据的本质特征数据以无监督学习的方式对卷积深度玻尔兹曼机进行均值场训练,使所述低级语义层同时接收来自输入层的子图数据和高级语义层的本质特征数据,并以概率型最大抽取的方法,概率化抽样输入层和高级语义层数据的上下文信息,获得规范化的上下文信息;
步骤六:将规范化上下文信息作为子图数据的高级语义特征,对子图数据的高级语义特征采用Logistic分类器的回归方法进行监督训练,完成输入数据的整体训练过程,并由Logistic分类器输出所述输入数据的特征提取结果。
2.根据权利要求1所述的面向高空间分辨率遥感大数据的特征提取方法,其特征在于,
遥感图像的预处理包括:对遥感图像依次进行几何精校正、图像配准、图像镶嵌与裁剪及大气校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510152162.1A CN104700100A (zh) | 2015-04-01 | 2015-04-01 | 面向高空间分辨率遥感大数据的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510152162.1A CN104700100A (zh) | 2015-04-01 | 2015-04-01 | 面向高空间分辨率遥感大数据的特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700100A true CN104700100A (zh) | 2015-06-10 |
Family
ID=53347199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510152162.1A Pending CN104700100A (zh) | 2015-04-01 | 2015-04-01 | 面向高空间分辨率遥感大数据的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700100A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023145A (zh) * | 2016-05-06 | 2016-10-12 | 哈尔滨工程大学 | 基于超像素标注的遥感图像的分割与识别方法 |
CN106203482A (zh) * | 2016-06-30 | 2016-12-07 | 东南大学 | 基于mRMR和KPCA的遥感图像特征降维方法 |
CN106706546A (zh) * | 2016-12-28 | 2017-05-24 | 中山市腾创贸易有限公司 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
CN107437091A (zh) * | 2016-03-23 | 2017-12-05 | 西安电子科技大学 | 多层限制玻尔兹曼机的sar图像正负类变化检测方法 |
CN107729922A (zh) * | 2017-09-20 | 2018-02-23 | 千寻位置网络有限公司 | 基于深度学习超分辨率技术的遥感图像道路提取方法 |
WO2018036293A1 (zh) * | 2016-08-26 | 2018-03-01 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
CN108710902A (zh) * | 2018-05-08 | 2018-10-26 | 江苏云立物联科技有限公司 | 一种基于人工智能的面向高分辨率遥感图像的分类方法 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN110288592A (zh) * | 2019-07-02 | 2019-09-27 | 中南大学 | 一种基于概率语义分析模型的锌浮选加药状态评价的方法 |
CN110287369A (zh) * | 2019-06-25 | 2019-09-27 | 中科软科技股份有限公司 | 一种基于语义的视频检索方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080168462A1 (en) * | 2006-06-13 | 2008-07-10 | International Business Machines Corporation | Method and Apparatus for Resource Allocation Among Classifiers in Classification Systems |
US20090252424A1 (en) * | 2008-04-03 | 2009-10-08 | Hitachi, Ltd. | Computer-aided image interpretation method and device |
CN103198333A (zh) * | 2013-04-15 | 2013-07-10 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
CN103823845A (zh) * | 2014-01-28 | 2014-05-28 | 浙江大学 | 一种基于深度学习的遥感影像自动标注方法 |
CN104463248A (zh) * | 2014-12-09 | 2015-03-25 | 西北工业大学 | 基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞机检测方法 |
-
2015
- 2015-04-01 CN CN201510152162.1A patent/CN104700100A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080168462A1 (en) * | 2006-06-13 | 2008-07-10 | International Business Machines Corporation | Method and Apparatus for Resource Allocation Among Classifiers in Classification Systems |
US20090252424A1 (en) * | 2008-04-03 | 2009-10-08 | Hitachi, Ltd. | Computer-aided image interpretation method and device |
CN103198333A (zh) * | 2013-04-15 | 2013-07-10 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
CN103823845A (zh) * | 2014-01-28 | 2014-05-28 | 浙江大学 | 一种基于深度学习的遥感影像自动标注方法 |
CN104463248A (zh) * | 2014-12-09 | 2015-03-25 | 西北工业大学 | 基于深度玻尔兹曼机提取高层特征的高分辨率遥感图像飞机检测方法 |
Non-Patent Citations (1)
Title |
---|
杜骞: ""深度学习在图像语义分类中的应用"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437091A (zh) * | 2016-03-23 | 2017-12-05 | 西安电子科技大学 | 多层限制玻尔兹曼机的sar图像正负类变化检测方法 |
CN106023145A (zh) * | 2016-05-06 | 2016-10-12 | 哈尔滨工程大学 | 基于超像素标注的遥感图像的分割与识别方法 |
CN106203482A (zh) * | 2016-06-30 | 2016-12-07 | 东南大学 | 基于mRMR和KPCA的遥感图像特征降维方法 |
CN107784654A (zh) * | 2016-08-26 | 2018-03-09 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
WO2018036293A1 (zh) * | 2016-08-26 | 2018-03-01 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
CN107784654B (zh) * | 2016-08-26 | 2020-09-25 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
US11151723B2 (en) | 2016-08-26 | 2021-10-19 | Hangzhou Hikvision Digital Technology Co., Ltd. | Image segmentation method, apparatus, and fully convolutional network system |
CN106706546A (zh) * | 2016-12-28 | 2017-05-24 | 中山市腾创贸易有限公司 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
CN107729922A (zh) * | 2017-09-20 | 2018-02-23 | 千寻位置网络有限公司 | 基于深度学习超分辨率技术的遥感图像道路提取方法 |
CN108710902A (zh) * | 2018-05-08 | 2018-10-26 | 江苏云立物联科技有限公司 | 一种基于人工智能的面向高分辨率遥感图像的分类方法 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN110287369A (zh) * | 2019-06-25 | 2019-09-27 | 中科软科技股份有限公司 | 一种基于语义的视频检索方法及系统 |
CN110287369B (zh) * | 2019-06-25 | 2022-02-22 | 中科软科技股份有限公司 | 一种基于语义的视频检索方法及系统 |
CN110288592A (zh) * | 2019-07-02 | 2019-09-27 | 中南大学 | 一种基于概率语义分析模型的锌浮选加药状态评价的方法 |
CN110288592B (zh) * | 2019-07-02 | 2021-03-02 | 中南大学 | 一种基于概率语义分析模型的锌浮选加药状态评价的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
CN104700100A (zh) | 面向高空间分辨率遥感大数据的特征提取方法 | |
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN108564109B (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
EP3940591A1 (en) | Image generating method, neural network compression method, and related apparatus and device | |
CN109934261B (zh) | 一种知识驱动参数传播模型及其少样本学习方法 | |
CN111680176B (zh) | 基于注意力与双向特征融合的遥感图像检索方法及系统 | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN113806746B (zh) | 基于改进cnn网络的恶意代码检测方法 | |
CN113780211A (zh) | 一种基于改进型Yolov4-tiny的轻量级飞机检测方法 | |
CN110751072B (zh) | 基于知识嵌入图卷积网络的双人交互识别方法 | |
CN107480723B (zh) | 基于局部二进制阈值学习网络的纹理识别方法 | |
CN108734199A (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN113487576B (zh) | 一种基于通道注意力机制的虫害图像检测方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
Verma et al. | Wild animal detection from highly cluttered images using deep convolutional neural network | |
CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及系统 | |
CN111008570B (zh) | 一种基于压缩-激励伪三维网络的视频理解方法 | |
Duan et al. | Multi-scale convolutional neural network for SAR image semantic segmentation | |
Li et al. | Enhanced bird detection from low-resolution aerial image using deep neural networks | |
CN116012722A (zh) | 一种遥感影像场景分类方法 | |
CN115062727A (zh) | 一种基于多阶超图卷积网络的图节点分类方法及系统 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150610 |
|
RJ01 | Rejection of invention patent application after publication |