CN105894037A - 一种基于sift训练样本提取的遥感图像全监督分类方法 - Google Patents
一种基于sift训练样本提取的遥感图像全监督分类方法 Download PDFInfo
- Publication number
- CN105894037A CN105894037A CN201610250625.2A CN201610250625A CN105894037A CN 105894037 A CN105894037 A CN 105894037A CN 201610250625 A CN201610250625 A CN 201610250625A CN 105894037 A CN105894037 A CN 105894037A
- Authority
- CN
- China
- Prior art keywords
- image
- sift
- training sample
- training
- samples
- 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
- 238000012549 training Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract 6
- 230000008569 process Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于SIFT(Scale Invariant Feature Transform)训练样本提取的遥感图像全监督分类方法,包括以下步骤:对初始图像的幅度数据归一化处理,得到归一化图像;利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点,作为候选样本;计算归一化图像的简单纹理特征,对候选样本的灰度值做阈值分割处理得到训练样本坐标,对应的简单纹理特征作为训练样本,除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本,即测试样本;利用SIFT所提取训练样本特征,对支持向量机SVM(Support Vector Machine)分类器进行训练,产生最优分类面;通过最优分类面,对未知类别的测试样本的简单纹理特征进行分类,得到最终的分类结果;本发明适合复杂地形区域的地表分类,拥有较高的分类精度,具有良好的推广性。
Description
技术领域
本发明属于遥感图像处理及模式识别领域,涉及一种基于SIFT(Scale Invariant FeatureTransform)训练样本提取的遥感图像全监督分类方法。
背景技术
遥感分类的本质是地表特征随时间或者空间变化引起不同区域像元光谱响应的变化,判断地物是否属于不同的地表特征;检测不同类别地表特征的空间位置;鉴别不同地表的类型及时空分布模式。基于遥感影像的分类及分析技术应用领域非常广泛,如城市管理规划、土地退化和荒漠化检测、海洋和内陆水体监测和自然灾害防测及评估等。
遥感影像的分类方法按照是否要使用分类器可分为直接比较法和分类后比较法,又称无监督分类和全监督分类。基于影像分割的分类方法是常见无监督分类方法,但是对于存在严重干扰的区域这类算法不具有良好的判别能力。全监督分类方法通过使用分类器和已标记的样本可以有效地指导图像的像元分类,具有良好的判别能力。但是分类器如最大相关分类器的缺点是当样本数量较高时,算法复杂度也较高,而最近邻分类器选取的最优分类面不是全局最优;这些分类器分类效果对于训练样本依赖度高,获取有效标记样本也十分困难,仅仅依靠阈值分割获取的训练样本对测试样本的表征能力低。
发明内容
本发明要解决的技术问题是:提供一种基于SIFT训练样本提取的遥感图像全监督分类方法,该方法利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点,处理后作为训练样本,计算遥感图像的简单纹理特征,再通过SVM分类器实现最终的像元分类,获得较高的分类精度,具有良好的推广性。
本发明解决其技术问题所采用的技术方案为:一种基于SIFT训练样本提取的遥感图像全监督分类方法,包括以下几个步骤:
(1)对初始图像的幅度数据归一化处理;
(2)利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点,作为候选样本;
(3)计算归一化图像的简单纹理特征,对候选样本的灰度值做阈值分割处理得到训练样本坐标,对应的简单纹理特征作为训练样本,除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本,即测试样本;
(4)利用SIFT所提取的训练样本特征,对SVM分类器进行训练,产生最优分类面;
(5)通过最优分类面,对未知类别的测试样本的简单纹理特征进行分类,得到最终的分类结果。
所述的步骤(1)中对初始图像的幅度数据归一化处理的过程具体为:
归一化公式为:
其中,min()表示最小值,max()表示最大值,R为初始图像,RNorm为对应的幅度数据归一化后的表示;选取RNorm的幅度值在(0,eps)范围内的的数据作为实验数据,其中eps代表RNorm上界,取值范围在0到1之间,RNorm中大于eps的数据都设置为eps。
所述的步骤(2)中利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点,作为候选样本的过程具体为:首先构建归一化图像RNorm的高斯金字塔,然后利用拉普拉斯细节增强算子构建高斯差分金字塔DoG,最后检测关键点并进行精确定位;其中高斯金字塔组数为:
O=log2{min(M,N)}-t+1,t∈(0,log2{min(M,N)})
其中,min()表示最小值,O表示高斯金字塔组数,M、N为RNorm的行数和列数,t为塔顶图像的最小维数的对数值;为了在DoG金字塔的每组中检测S个尺度的极值点,则DoG金字塔每组需S+2层图像,所以高斯金字塔每组内有S+3层图像;为了满足尺度变化的连续性,新的组的第一层图像是由其前一组倒数第三层降采样得到的。对图像做不同尺度的高斯模糊,即:
L(x,y,σ)=G(x,y,σ)*RNorm(x,y)
其中,*表示卷积运算,为高斯模糊函数,(x,y)代表图像的像素位置,(m,n)表示高斯模板的维度(由(6σ+1)×(6σ+1)确定),σ(o,s)=σ0×2o+s/S(o∈[0,...,O-1],s∈[0,...,S+2])是尺度空间因子,σ0为初始设定的值,组内每层的尺度坐标也可按对前一层进行模糊;
再根据拉普拉斯细节增强算子处理高斯金字塔,即:
P(x,y)=L(x,y)-▽2L(x,y)
然后使用金字塔每组中相邻上下两层图像相减,得到高斯差分图像D(x,y,σ),即DoG金字塔:
D(x,y,σ)=P(x,y,kσ)-P(x,y,σ)
关键点由DoG金字塔的局部极值点组成,初步筛选方法是比较同一组内相邻两层图像之间的大小,即对每组中除了第一层、最后一层和边界点外,每一个点和它同尺度即同一层的8个相邻点以及上下相邻尺度即上下层对应的9×2个点,即共26个点的大小进行比较,得到局部最大点作为粗选关键点X=(x,y,σ)T;进行精确定位的方法是,对于粗选关键点坐标X=(x,y,σ)T:
其中,表示相对X的偏移量,对应DoG金字塔的值;当它在任一维度(x,y,σ)偏移绝对值大于a时,中心已经偏移,须改变当前关键点的位置;同时在新的位置上反复计算直到收敛,即绝对值小于a,其中a为设定的值;如果达到最大迭代次数仍不收敛则删除该点;为了减少噪声影响,当小于b时删除该点,其中b为设定的值;为了剔除不稳定的边缘响应点,获取关键点处的2×2的Hessian矩阵H:
Dxx表示DoG金字塔某一尺度图像x方向的二次求导,Dyy表示DoG金字塔某一尺度图像y方向的二次求导,Dxy表示DoG金字塔某一尺度图像x方向和y方向的二次求导,Det(H)=DxxDyy-(Dxy)2,Tr(H)=Dxx+Dyy,其中Det()代表矩阵的行列式,Tr()代表矩阵的迹,当:
则关键点保留,反之剔除,其中r为阈值。
所述的步骤(3)中计算归一化图像的简单纹理特征,对候选样本的灰度值做阈值分割处理得到训练样本坐标,对应的简单纹理特征作为训练样本,除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本,即测试样本的过程具体为:首先计算归一化图像RNorm的简单纹理特征,即每一个像素点邻域内均值和方差,然后对从步骤(2)中得到的候选样本的灰度值做阈值分割处理得到训练样本坐标,对应的简单纹理特征作为训练样本,其他的归一化图像RNorm的简单纹理特征作为测试集。
所述的步骤(4)中利用SIFT所提取训练样本特征,对SVM分类器进行训练,产生最优分类面的过程具体为:
利用Lagrange乘子法,最大化泛函:
C≥ai≥0,i=1,…,n
其中,标签yi∈{+1,-1},分别对应训练集中不同类别的样本;li为第i个训练样本的简单纹理特征;k(·)表示核函数;ai为待求的与第i个训练样本相对应的Lagrange乘子,C为ai的上界,为设定值,n为训练样本的数量。
所述的步骤(5)中通过最优分类面,对未知类别的测试样本的简单纹理特征进行分类,得到最终的分类结果的过程具体为:
最优分类面的函数表示为:
其中,ai为第i个训练样本相对应的Lagrange乘子;l为未知类别的测试样本的简单纹理特征;其中SV表示支持向量;f(l)∈{+1,-1},即决定了当前未知类别的测试样本的分类结果。
本发明的原理是:结合SIFT与拉普拉斯细节增强算子提取关键点,通过阈值分割获取不同类别的训练样本,计算样本的简单纹理特征,以求获得更好的类别判别能力和更好的表征能力;SVM寻找的是一个满足分类要求的最优超平面,适用于小样本,利用核方法在高维空间解决非线性等问题;结合SIFT与SVM的优势,可以很好地实现遥感图像的分类。
本发明与现有技术相比的优点在于:对于训练样本提取部分,较之于单纯阈值分割准则,本发明可获得图像中的有效关键点;对于目标识别部分,较之于最大相关分类器,本发明解决了维数问题,较之于最近邻分类器,本发明得到的是全局最优解;通过将SIFT与SVM分类器相结合,本发明能非常好地完成遥感图像的分类,并获得较高的分类精度,具有良好的推广性。
附图说明
图1为本发明的特征提取与分类流程图。
图2为对实例进行二分类,即变化检测的结果。
其中:
201为变化前图像;
202为变化后图像;
203为图202与图201的比值灰度图,为本方法的初始图像;
204为SIFT筛选的变化点(白色点);
205为SIFT筛选的未变化点(白色点);
206为变化检测结果;
具体实施方式
下面结合附图及具体实施方式详细介绍本发明。
如图1所示,本发明的基于SIFT训练样本提取的遥感图像全监督分类方法的具体实施步骤如下:
(1)对初始图像的幅度数据归一化处理的过程具体为:
归一化公式为:
其中,R为初始图像,RNorm为对应的幅度数据归一化后的表示;选取RNorm的幅度值在(0,eps)范围内的占比等于99.8%的数据作为实验数据,大于eps的数据都设为eps。
(2)利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点,作为候选样本的过程具体为:首先构建归一化图像RNorm的高斯金字塔,然后利用拉普拉斯细节增强算子构建高斯差分金字塔DoG,最后检测关键点并进行精确定位;其中高斯金字塔组数为:
O=log2{min(M,N)}-t+1,t∈(0,log2{min(M,N)})
其中,min()表示最小值,O表示高斯金字塔组数,M、N为RNorm的行数和列数,t为塔顶图像的最小维数的对数值;为了在DoG金字塔的每组中检测S个尺度的极值点,则DoG金字塔每组需S+2层图像,所以高斯金字塔每组内有S+3层图像;其中高斯金字塔由O=4组,S=3;为了满足尺度变化的连续性,新的组的第一层图像是由其前一组倒数第三层降采样得到的;对图像做不同尺度的高斯模糊,即:
L(x,y,σ)=G(x,y,σ)*RNorm(x,y)
其中,*表示卷积运算,为高斯模糊函数,(x,y)代表图像的像素位置,(m,n)表示高斯模板的维度(由(6σ+1)×(6σ+1)确定),σ(o,s)=σ0×2o+s/S(o∈[0,...,O-1],s∈[0,...,S+2])是尺度空间因子,初始值σ0=1.6,组内每层的尺度坐标也可按对前一层进行模糊。
再根据拉普拉斯细节增强算子处理高斯金字塔,即:
P(x,y)=L(x,y)-▽2L(x,y)
然后使用金字塔每组中相邻上下两层图像相减,得到高斯差分图像D(x,y,σ),即DoG金字塔:
D(x,y,σ)=P(x,y,kσ)-P(x,y,σ)
关键点由DoG金字塔的局部极值点组成,初步筛选方法是比较同一组内相邻两层图像之间的大小,即对每组中除了第一层、最后一层和边界点外,每一个点和它同尺度即同一层的8个相邻点以及上下相邻尺度即上下层对应的9×2个点,即共26个点的大小进行比较,得到局部最大点作为粗选关键点X=(x,y,σ)T;进行精确定位的方法是,对于粗选关键点坐标X=(x,y,σ)T:
其中,表示相对X的偏移量,对应DoG金字塔的值;当它在任一维度(x,y,σ)偏移绝对值大于a时,中心已经偏移,须改变当前关键点的位置;同时在新的位置上反复计算直到收敛,即绝对值小于a,其中a为0.5;如果达到最大迭代次数仍不收敛则删除该点;为了减少噪声影响,当小于b时删除该点,其中b为0.03;为了剔除不稳定的边缘响应点,获取关键点处的2×2的Hessian矩阵H:
Dxx表示DoG金字塔某一尺度图像x方向的二次求导,Dyy表示DoG金字塔某一尺度图像y方向的二次求导,Dxy表示DoG金字塔某一尺度图像x方向和y方向的二次求导,Det(H)=DxxDyy-(Dxy)2,Tr(H)=Dxx+Dyy,其中Det()代表矩阵的行列式,Tr()代表矩阵的迹,当:
则关键点保留,反之剔除,其中阈值r=18。
(3)计算归一化图像的简单纹理特征,对候选样本的灰度值做阈值分割处理得到训练样本坐标,对应的简单纹理特征作为训练样本,除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本,即测试样本的过程具体为:首先计算归一化图像RNorm的简单纹理特征,即每一个像素点3×3邻域内均值和方差,然后对从步骤(2)中得到的候选样本的灰度值做阈值分割处理得到训练样本坐标,即关键点X=(x,y,σ)的RNorm(x,y,σ)大于0.6时,视为一种类别;当关键点X=(x,y,σ)的RNorm(x,y,σ)小于0.4时,视为另一种类别,对应的简单纹理特征作为训练样本,其他的归一化图像RNorm的简单纹理特征作为测试集。
(4)利用SIFT所提取训练样本特征,对SVM分类器进行训练,产生最优分类面的过程具体为:
利用Lagrange乘子法,最大化泛函:
C≥ai≥0,i=1,…,n
其中,标签yi∈{+1,-1},分别对应训练集中不同类别的样本;li为第i个训练样本的简单纹理特征;k(·)表示核函数;ai为待求的与第i个训练样本相对应的Lagrange乘子,C为ai的上界,为设定值,n为训练样本的数量。
(5)通过最优分类面,对未知类别的测试样本的简单纹理特征进行分类,得到最终的分类结果的过程具体为:
最优分类面的函数表示为:
其中,ai为第i个训练样本相对应的Lagrange乘子;l为未知类别的测试样本的简单纹理特征;其中SV表示支持向量;f(l)∈{+1,-1},即决定了当前未知类别的测试样本的分类结果。
图2中201为变化前图像,A代表发生变化的区域,B代表未发生变化的区域;202为变化后图像,图中A代表发生变化的区域,B代表未发生变化的区域;203为本方法的初始图像,是202与201的比值灰度图,图中A代表发生变化的区域,B代表未发生变化的区域;204为SIFT筛选的变化点,如图中白色点所示;205为SIFT筛选的未变化点,如图中白色点所示;206为变化检测结果图,其中的白亮区域是检测发生变化的部分,黑暗区域是检测未变化部分,A代表发生变化的区域,B代表未发生变化的区域。可以看出,图206中,在A区域的漏检和在B区域的虚警较低,分类效果良好。证明该方法具有优越的分类和检测能力。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
尽管为说明目的公开了本发明的最佳实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是可能的。因此,本发明所保护的技术方案不应局限于最佳实施例和附图所公开的内容。
Claims (6)
1.一种基于SIFT训练样本提取的遥感图像全监督分类方法,其特征在于包括以下几个步骤:
(1)对初始图像的幅度数据归一化处理,得到归一化图像;
(2)利用SIFT(Scale Invariant Feature Transform)和拉普拉斯细节增强算子提取归一化图像中的关键点,作为候选样本;
(3)计算归一化图像的简单纹理特征,对候选样本的灰度值做阈值分割处理得到训练样本坐标,对应的简单纹理特征作为训练样本,除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本,即测试样本;
(4)利用SIFT所提取训练样本特征,对支持向量机SVM(Support Vector Machine)分类器进行训练,产生最优分类面;
(5)通过最优分类面,对未知类别的测试样本的简单纹理特征进行分类,得到最终的分类结果。
2.根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法,其特征在于:所述步骤(1)中对初始图像的幅度数据归一化处理的过程具体为:
归一化公式为:
其中,min()表示最小值,max()表示最大值,R为初始图像,RNorm为对应的幅度数据归一化后的表示;选取RNorm的幅度值在(0,eps)范围内的的数据作为实验数据,其中eps代表RNorm上界,取值范围为0到1,RNorm中大于eps的数据都设置为eps。
3.根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法,其特征在于:所述步骤(2)中利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点,作为候选样本的过程具体为:首先构建归一化图像RNorm的高斯金字塔,然后利用拉普拉斯细节增强算子构建高斯差分DoG(Difference of Gaussian)金字塔,最后检测关键点并进行精确定位;其中高斯金字塔组数为:
O=log2{min(M,N)}-t+1,t∈(0,log2{min(M,N)})
其中,min()表示最小值,O表示高斯金字塔组数,M、N为RNorm的行数和列数,t为塔顶图像的最小维数的对数值;为了在DoG金字塔的每组中检测S个尺度的极值点,则DoG金字塔每组需S+2层图像,所以高斯金字塔每组内有S+3层图像;为了满足尺度变化的连续性,新的组的第一层图像是由其前一组倒数第三层降采样得到的,对图像做不同尺度的高斯模糊,即:
L(x,y,σ)=G(x,y,σ)*RNorm(x,y)
其中,*表示卷积运算,为高斯模糊函数,(x,y)代表图像的像素位置,(m,n)表示高斯模板的维度(由(6σ+1)×(6σ+1)确定),σ(o,s)=σ0×2o+s/S(o∈[0,...,O-1],s∈[0,...,S+2])是尺度空间因子,σ0为初始设定的值,组内每层的尺度坐标也可按对前一层进行模糊;
再根据拉普拉斯细节增强算子处理高斯金字塔,即:
然后使用金字塔每组中相邻上下两层图像相减,得到高斯差分图像D(x,y,σ),即DoG金字塔:
D(x,y,σ)=P(x,y,kσ)-P(x,y,σ)
关键点由DoG金字塔的局部极值点组成,初步筛选方法是比较同一组内相邻两层图像之间的大小,即对每组中除了第一层、最后一层和边界点外,每一个点和它同尺度即同一层的8个相邻点以及上下相邻尺度即上下层对应的9×2个点,即共26个点的大小进行比较,得到局部最大点作为粗选关键点X=(x,y,σ)T;进行精确定位的方法是,对于粗选关键点坐标X=(x,y,σ)T:
其中,表示相对X的偏移量,对应DoG金字塔的值;当它在任一维度(x,y,σ)偏移绝对值大于a时,中心已经偏移,须改变当前关键点的位置;同时在新的位置上反复计算直到收敛,即绝对值小于a,其中a为设定的值;如果达到最大迭代次数仍不收敛则删除该点;为了减少噪声影响,当小于b时删除该点,其中b为设定的值;为了剔除不稳定的边缘响应点,获取关键点处的2×2的Hessian矩阵H:
Dxx表示DoG金字塔某一尺度图像x方向的二次求导,Dyy表示DoG金字塔某一尺度图像y方向的二次求导,Dxy表示DoG金字塔某一尺度图像x方向和y方向的二次求导,Det(H)=DxxDyy-(Dxy)2,Tr(H)=Dxx+Dyy,其中Det()代表矩阵的行列式,Tr()代表矩阵的迹,当:
则关键点保留,反之剔除,其中r为阈值。
4.根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法,其特征在于:所述的步骤(3)中计算归一化图像的简单纹理特征,对候选样本的灰度值做阈值分割处理得到训练样本坐标,对应的简单纹理特征作为训练样本,除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本,即测试样本的过程具体为:首先计算归一化图像RNorm的简单纹理特征,即每一个像素点邻域内均值和方差,然后对从步骤(2)中得到的候选样本的灰度值做阈值分割处理得到训练样本坐标,对应的简单纹理特征作为训练集,其他的归一化图像RNorm的简单纹理特征作为测试集。
5.根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法,其特征在于:所述的步骤(4)中利用SIFT所提取训练样本特征,对SVM分类器进行训练,产生最优分类面的过程具体为:
利用Lagrange乘子法,最大化泛函:
C≥ai≥0,i=1,…,n
其中,标签yi∈{+1,-1},分别对应训练集中不同类别的样本;li为第i个训练样本的简单纹理特征;k(·)表示核函数;ai为待求的与第i个训练样本相对应的Lagrange乘子,C为ai的上界,为设定值,n为训练样本的数量。
6.根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法,其特征在于:所述的步骤(5)中通过最优分类面,对未知类别的测试样本的简单纹理特征进行分类,得到最终的分类结果的过程具体为:
最优分类面的函数表示为:
其中,ai为第i个训练样本相对应的Lagrange乘子;l为未知类别的测试样本的简单纹理特征;其中SV表示支持向量;f(l)∈{+1,-1},即决定了当前未知类别的测试样本的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610250625.2A CN105894037B (zh) | 2016-04-21 | 2016-04-21 | 一种基于sift训练样本提取的遥感图像全监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610250625.2A CN105894037B (zh) | 2016-04-21 | 2016-04-21 | 一种基于sift训练样本提取的遥感图像全监督分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105894037A true CN105894037A (zh) | 2016-08-24 |
CN105894037B CN105894037B (zh) | 2019-02-26 |
Family
ID=56704206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610250625.2A Expired - Fee Related CN105894037B (zh) | 2016-04-21 | 2016-04-21 | 一种基于sift训练样本提取的遥感图像全监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894037B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709499A (zh) * | 2017-03-02 | 2017-05-24 | 西北工业大学 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
CN106780535A (zh) * | 2016-12-21 | 2017-05-31 | 潘小胜 | 一种灰度图像处理方法 |
CN107203783A (zh) * | 2017-05-24 | 2017-09-26 | 西北工业大学 | 基于自适应卷积核卷积神经网络的遥感图像像素级分类方法 |
CN108537250A (zh) * | 2018-03-16 | 2018-09-14 | 新智认知数据服务有限公司 | 一种目标跟踪模型构建方法及装置 |
CN110097051A (zh) * | 2019-04-04 | 2019-08-06 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN110309692A (zh) * | 2018-03-27 | 2019-10-08 | 杭州海康威视数字技术股份有限公司 | 人脸识别方法、装置及系统、模型训练方法及装置 |
CN117853739A (zh) * | 2024-02-04 | 2024-04-09 | 耕宇牧星(北京)空间科技有限公司 | 基于特征变换的遥感图像特征提取模型预训练方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101016053A (zh) * | 2007-01-25 | 2007-08-15 | 吉林大学 | 高等级公路上车辆防追尾碰撞预警方法和系统 |
CN101081168A (zh) * | 2007-07-06 | 2007-12-05 | 深圳市迈科龙电子有限公司 | 胎儿图像性别部位识别屏蔽方法 |
US10026164B2 (en) * | 2013-12-20 | 2018-07-17 | EXTEND3D GmbH | Method of performing and monitoring a processing step on a workpiece |
-
2016
- 2016-04-21 CN CN201610250625.2A patent/CN105894037B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101016053A (zh) * | 2007-01-25 | 2007-08-15 | 吉林大学 | 高等级公路上车辆防追尾碰撞预警方法和系统 |
CN101081168A (zh) * | 2007-07-06 | 2007-12-05 | 深圳市迈科龙电子有限公司 | 胎儿图像性别部位识别屏蔽方法 |
US10026164B2 (en) * | 2013-12-20 | 2018-07-17 | EXTEND3D GmbH | Method of performing and monitoring a processing step on a workpiece |
Non-Patent Citations (2)
Title |
---|
YIQIANG ZHAN等: "Deformable segmentation of 3-D ultrasound prostate images using statistical texture matching method", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
张荣: "基于训练样本自动选取的SVM彩色图像分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780535A (zh) * | 2016-12-21 | 2017-05-31 | 潘小胜 | 一种灰度图像处理方法 |
CN106709499A (zh) * | 2017-03-02 | 2017-05-24 | 西北工业大学 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
CN107203783A (zh) * | 2017-05-24 | 2017-09-26 | 西北工业大学 | 基于自适应卷积核卷积神经网络的遥感图像像素级分类方法 |
CN108537250A (zh) * | 2018-03-16 | 2018-09-14 | 新智认知数据服务有限公司 | 一种目标跟踪模型构建方法及装置 |
CN110309692A (zh) * | 2018-03-27 | 2019-10-08 | 杭州海康威视数字技术股份有限公司 | 人脸识别方法、装置及系统、模型训练方法及装置 |
CN110309692B (zh) * | 2018-03-27 | 2023-06-02 | 杭州海康威视数字技术股份有限公司 | 人脸识别方法、装置及系统、模型训练方法及装置 |
CN110097051A (zh) * | 2019-04-04 | 2019-08-06 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
WO2020199468A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN110097051B (zh) * | 2019-04-04 | 2024-07-19 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN117853739A (zh) * | 2024-02-04 | 2024-04-09 | 耕宇牧星(北京)空间科技有限公司 | 基于特征变换的遥感图像特征提取模型预训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105894037B (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894037B (zh) | 一种基于sift训练样本提取的遥感图像全监督分类方法 | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN108319964B (zh) | 一种基于混合特征和流形学习的火灾图像识别方法 | |
Guo et al. | Scattering enhanced attention pyramid network for aircraft detection in SAR images | |
İlsever et al. | Two-dimensional change detection methods: remote sensing applications | |
Psyllos et al. | Vehicle model recognition from frontal view image measurements | |
Han et al. | A novel computer vision-based approach to automatic detection and severity assessment of crop diseases | |
Wang et al. | An effective method for plate number recognition | |
Kortylewski et al. | Unsupervised footwear impression analysis and retrieval from crime scene data | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
Tao et al. | Scene context-driven vehicle detection in high-resolution aerial images | |
CN101950364A (zh) | 基于邻域相似度和阈值分割的遥感图像变化检测方法 | |
CN111242050A (zh) | 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
Zingman et al. | Detection of fragmented rectangular enclosures in very high resolution remote sensing images | |
CN107085708A (zh) | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 | |
Jaberi et al. | Improving the detection and localization of duplicated regions in copy-move image forgery | |
CN106096658B (zh) | 基于无监督深度空间特征编码的航拍图像分类方法 | |
CN111833353B (zh) | 一种基于图像分割的高光谱目标检测方法 | |
Zhang et al. | Polygon structure-guided hyperspectral image classification with single sample for strong geometric characteristics scenes | |
Elmikaty et al. | Car detection in aerial images of dense urban areas | |
CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
Chiang et al. | Automatic extraction of road intersection position, connectivity, and orientations from raster maps | |
Jivane et al. | Enhancement of an Algorithm for Oil Tank Detection in Satellite Images. | |
Huang et al. | Superpixel-based change detection in high resolution sar images using region covariance features |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190226 Termination date: 20210421 |