CN105512677A - 基于Hash编码的遥感图像分类方法 - Google Patents
基于Hash编码的遥感图像分类方法 Download PDFInfo
- Publication number
- CN105512677A CN105512677A CN201510867801.2A CN201510867801A CN105512677A CN 105512677 A CN105512677 A CN 105512677A CN 201510867801 A CN201510867801 A CN 201510867801A CN 105512677 A CN105512677 A CN 105512677A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image block
- block
- hash
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明公开了基于Hash编码的遥感图像分类方法,该方法提出了用Hash自动编码的思想来处理高光谱遥感图像,将遥感图像每个通道分成N*N小块,将每个小块进行Hash处理,生成Hash序列用来表征块的特征,然后将生成的编码进行分类。和基于图像块的分类方法相比,在相同的实验条件下,本发明方法的图像分类结果更加准确,视觉效果更好。
Description
技术领域
本发明属于图像信息处理技术领域,具体涉及基于Hash编码的遥感图像分类方法。
背景技术
卫星遥感系统的空间分辨率和光谱分辨率的提高使得我们能够从遥感图像中辨识出更细小的物体,例如居民房屋、商业建筑、公交系统和公共事业设备等。从遥感图像中挖掘出的大量信息可以被应用到诸如灾害监测和评估、城市和区域规划、环境监测等领域。
近年来,基于核的方法,特别是支持向量机,在多光谱和超光谱的图像分类中取得了很多进展。但是,和所有监督学习一样,支持向量机的分类准确率依赖于训练样本的好坏。事实上,专家对训练样本的标注过程通常是根据场景的视觉特征来完成的,因此,如果样本在未加筛选之前就直接交给专家进行标注,带来的后果是专家会花费大量的宝贵时间对具有类似信息量的样本进行充分标注,这样会使得训练集的信息非常冗余,这种冗余信息大大降低了训练速度,甚至会产生过拟合的现象,特别是对于上百万甚至是上千万像素的高分辨图像。所以,对于卫星遥感图像而言,我们需要一个自动的定义有效训练集的过程。这个训练集的样本数量要尽可能的少而且能有效地提高分类模型的准确率。
所以,我们提出了hash自动编码的方法来进行遥感图像的分类。
发明内容
Hash学习通过机器学习机制将数据映射成二进制串的形式,能显著减少数据的存储和通信开销,从而有效提高学习系统的效率。另一方面,因为通过Hash学习得到的Hash码位数(维度)一般会比原空间的维度要低,因此也能降低数据维度,从而减轻维度灾难问题。
本文提出了用Hash自动编码的思想来处理高光谱遥感图像,将遥感图像每个通道提取出来,分成N*N小块,(将每个小块先进行DCT变换,然后进行均值处理,将大于平均值的编为1,小于平均值的编为0,生成Hash序列用来表征块的特征,然后将生成的编码进行SVM分类。
本发明基于Hash编码的遥感图像分类方法,包括以下步骤:
本发明应用的遥感图像为Indian_pines,有九个通道,提取其中一个通道进行hash编码
步骤1、将遥感图像分成n*n的小块,对遥感图像的每个像素,构造包含该像素以
及以该像素为中心的领域的n*n的图像块,得到一组重叠的图像块集合{I1,I2,…,In*n};
步骤2、将得到的图像块进行DCT处理,可得到的新的图像块{D1,D2,…,Dn*n};
步骤3,将每个图像块中的像素点{D1,D2,…,Dn*n};进行均值计算得到
步骤4,将每个图像块进行Hash编码Hn={h1,h2....hn*n}
步骤5,从所述图像块集合中选择少量图像块对应的Hash码进行人工标注,以这一部分图像块做为初始块训练样本集,以这一部分图像块的Hash码作为初始点训练样本集;
步骤6,用SVM完成遥感图像的分类。
有益效果
相比现有技术,本发明方法具有以下有益效果:
⑴在同样的实验条件下,经过相同次数的迭代,本发明方法的分类准确率比随机采样和基于块的遥感图像分类方法的准确率高;
⑵不会增加过多的计算负担,能够快速提供分类结果,兼顾了分类系统对计算复杂度的要求。
附图说明
图1为本发明遥感图像分类方法的流程示意图.
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:
本发明的思路是将遥感图像每个通道分成N*N小块,(以N=3为例)将每个小块进行Hash处理,生成Hash序列用来表征块的特征,然后将生成的编码进行分类,提高了分类准确率,并使得最终得到的分类结果图具有更好的视觉效果。
本发明方法的基本流程如图1所示,具体包括以下步骤:
步骤1、将遥感图像分成3*3的小块。
对于遥感图像的每个像素,以该像素为中心,取邻域构造3*3的图像块,得到一组重叠的图像块集合{I1,I2,…,I9}
遥感图像中各个像素的明暗程度用灰度值来表示(0~255),白色的灰度值定为255,黑色的定为0,黑白之间的明暗程度用256个等级来表示
步骤2、将得到的图像块进行DCT处理,可得到的新的矩阵块{D1,D2,…,D9}
离散余弦变换(DCT)是种图像压缩算法,它将图像从像素域变换到频率域。然后一般图像都存在很多冗余和相关性的,所以转换到频率域之后,只有很少的一部分频率分量的系数才不为0,大部分系数都为0(或者说接近于0)
步骤3,将每个图像块中的DCT值{D11,D12,…,D19}进行平均值计算,得到(以N=3为例)
步骤4,将每个图像块进行Hash编码Hn={h1,h2,...,h9}生成Hash序列来表征块的特征
步骤5,从所述图像块集合中选择少量图像块对应的Hash码进行人工标注,以这一部分图像块做为初始块训练样本集,以这一部分图像块的Hash码作为初始点训练样本集;
步骤7,用SVM完成遥感图像的分类
表1为本发明方法与基于块的遥感图像分类和随机采样方法准确率对比
由表1可以看出,本发明方法在分类准确率上优于基于块的遥感图像分类方法和随机采样方法、
首先简单说明SVM分类器的基本原理及训练过程。给定一个标注集其中xi∈Rd,yi∈{-1,1}。xi为反馈样本的底层视觉特征矢量,yi为类别标注,正反馈样本的类别标注为1,负反馈样本的类别标注为-1,Rd为实数域上R上的d维向量空间。为了更好的解决非线性问题,在本发明中采用带有核函数的支持向量机,利用一个非线性映射将样本映射到高维空间中,如下所示:
Φ:Rd→Fx→Φ(x)
其中,F是映射到的高维空间,Φ是对应的映射函数。决策函数表示为以下形式:
g(x)=w·Φ(x)+b(1)
相应地,支持向量机分类面可以写成:
w·Φ(x)+b=0(2)
其中,w为权值向量,b为偏移常量。
落在w·Φ(x)+b=±1这两个超平面上的点称为支持向量,支持向量到分类面的距离称为分类间隔,大小为分类间隔的大小表示了分类器的泛化能力,因此我们要使分类器的间隔最大化:
subjectto:
yi(w·Φ(xi)+b)≥1,i=1,…,N(3)
根据(3)式的求解即可得到支持向量机分类面。通过拉格朗日乘子法对(3)式中的二次规划问题进行求解,可以得到:
其中,xi为支持向量,yi和αi分别为该支持向量对应的类别标注和拉格朗日系数。样本x通过二类SVM分类器得到的输出为:
利用核函数避开非线性映射的显示表达,图像样本通过二类SVM分类器得到的输出可以改写为:
其中,K(·)为核函数,且K(xi,x)=Φ(xi)T·Φ(x),上标T表示转置矩阵。根据(6)式,对于任意一个为标准的样本,如果f(x)的值大于0,则该样本的类标为1,f(x)的值小于0则类标为-1。
对于多类分类,通过一对多的方式对多个二分类器进行联合,每个二类分类器产生一个分类超平面,图像有多少类便可生成多少个分类超平面,然后计算每个未标注样本到所有分类超平面的距离,样本属于距离最大的那一类。
Claims (1)
1.基于Hash编码的遥感图像分类方法,其特征在于,应用的遥感图像为Indian_pines,有九个通道,提取其中一个通道进行hash编码,包括以下步骤:
步骤1、将遥感图像分成n*n的小块,对遥感图像的每个像素,构造包含该像素以及以该像素为中心的领域的n*n的图像块,得到一组重叠的图像块集合
步骤2、将得到的图像块进行DCT处理,可得到的新的图像块
步骤3,将每个图像块中的像素点进行均值计算得到
步骤4,将每个图像块进行Hash编码
步骤5,从所述图像块集合中选择少量图像块对应的Hash码进行人工标注,以这一部分图像块做为初始块训练样本集,以这一部分图像块的Hash码作为初始点训练样本集;
步骤6,用SVM完成遥感图像的分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510867801.2A CN105512677B (zh) | 2015-12-01 | 2015-12-01 | 基于Hash编码的遥感图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510867801.2A CN105512677B (zh) | 2015-12-01 | 2015-12-01 | 基于Hash编码的遥感图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105512677A true CN105512677A (zh) | 2016-04-20 |
CN105512677B CN105512677B (zh) | 2019-02-01 |
Family
ID=55720643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510867801.2A Active CN105512677B (zh) | 2015-12-01 | 2015-12-01 | 基于Hash编码的遥感图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105512677B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096648A (zh) * | 2016-06-08 | 2016-11-09 | 南京信息工程大学 | 一种基于Hash编码的超光谱遥感图像分类方法 |
CN109102019A (zh) * | 2018-08-09 | 2018-12-28 | 成都信息工程大学 | 基于HP-Net卷积神经网络的图像分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110229045A1 (en) * | 2010-03-16 | 2011-09-22 | Nec Laboratories America, Inc. | Method and system for image classification |
CN102208038A (zh) * | 2011-06-27 | 2011-10-05 | 清华大学 | 基于视觉词典的图像分类方法 |
CN102945542A (zh) * | 2012-11-08 | 2013-02-27 | 崔得龙 | 一种感兴趣区域认证和篡改检测数字水印方法 |
CN103268502A (zh) * | 2013-06-05 | 2013-08-28 | 中国科学院对地观测与数字地球科学中心 | 高光谱图像波段选择方法及装置 |
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 |
-
2015
- 2015-12-01 CN CN201510867801.2A patent/CN105512677B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110229045A1 (en) * | 2010-03-16 | 2011-09-22 | Nec Laboratories America, Inc. | Method and system for image classification |
CN102208038A (zh) * | 2011-06-27 | 2011-10-05 | 清华大学 | 基于视觉词典的图像分类方法 |
CN102945542A (zh) * | 2012-11-08 | 2013-02-27 | 崔得龙 | 一种感兴趣区域认证和篡改检测数字水印方法 |
CN103268502A (zh) * | 2013-06-05 | 2013-08-28 | 中国科学院对地观测与数字地球科学中心 | 高光谱图像波段选择方法及装置 |
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 (2)
Title |
---|
丁凯孟等: ""基于自适应格网划分的遥感影像感知哈希认证算法"", 《武汉大学学报·信息科学版》 * |
唐铭等: "倒插入分段哈希算法", 《计算机应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096648A (zh) * | 2016-06-08 | 2016-11-09 | 南京信息工程大学 | 一种基于Hash编码的超光谱遥感图像分类方法 |
CN109102019A (zh) * | 2018-08-09 | 2018-12-28 | 成都信息工程大学 | 基于HP-Net卷积神经网络的图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105512677B (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103258214B (zh) | 基于图像块主动学习的遥感图像分类方法 | |
TWI753039B (zh) | 圖像識別方法及裝置 | |
Yang et al. | Cellular automata for simulating land use changes based on support vector machines | |
CN110889449A (zh) | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 | |
EP3029606A2 (en) | Method and apparatus for image classification with joint feature adaptation and classifier learning | |
CN112132149B (zh) | 一种遥感影像语义分割方法及装置 | |
CN108256424A (zh) | 一种基于深度学习的高分辨率遥感图像道路提取方法 | |
CN103345643B (zh) | 一种遥感图像分类方法 | |
CN104318261A (zh) | 一种图嵌入低秩稀疏表示恢复稀疏表示人脸识别方法 | |
CN113505792B (zh) | 面向非均衡遥感图像的多尺度语义分割方法及模型 | |
CN103049763A (zh) | 一种基于上下文约束的目标识别方法 | |
CN105760833A (zh) | 一种人脸特征识别方法 | |
Sun et al. | Extracting urban impervious surface from worldView-2 and airborne LiDAR data using 3D convolutional neural networks | |
CN114169442B (zh) | 基于双原型网络的遥感图像小样本场景分类方法 | |
CN105469063A (zh) | 鲁棒的人脸图像主成分特征提取方法及识别装置 | |
CN106096655A (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN102768732B (zh) | 融合稀疏保持映射和多类别属性Bagging的人脸识别方法 | |
CN103400144A (zh) | 一种基于k近邻的支持向量机主动学习的方法 | |
CN109919921B (zh) | 基于生成对抗网络的环境影响程度建模方法 | |
CN112633140A (zh) | 多光谱遥感图像城中村多类别建筑物语义分割方法及系统 | |
CN107301643A (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
CN104517120A (zh) | 基于多路分层正交匹配的遥感图像场景分类方法 | |
CN103870840A (zh) | 基于改进的潜在狄利克雷分配的自然图像分类方法 | |
CN111191700B (zh) | 基于自适应协同图判别分析的高光谱图像降维方法及装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230614 Address after: 201314 No. 19, Hehua Road, Xinchang Town, Pudong New Area, Shanghai Patentee after: SHANGHAI HONGXIN WIRE&CABLE Co.,Ltd. Address before: 210000 69 Olympic Sports street, Jianye District, Nanjing, Jiangsu. Patentee before: Nanjing University of Information Science and Technology |