CN106056128A - 基于复合图条件随机场的遥感图像分类标注方法 - Google Patents
基于复合图条件随机场的遥感图像分类标注方法 Download PDFInfo
- Publication number
- CN106056128A CN106056128A CN201610245601.8A CN201610245601A CN106056128A CN 106056128 A CN106056128 A CN 106056128A CN 201610245601 A CN201610245601 A CN 201610245601A CN 106056128 A CN106056128 A CN 106056128A
- Authority
- CN
- China
- Prior art keywords
- random field
- conditional random
- graph
- constructing
- potential function
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 9
- 230000002452 interceptive effect Effects 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
针对遥感图像分类标注问题,本发明公开了一种基于复合图条件随机场的遥感图像分类标注方法,该方法包括:通过人工样本采集获得训练样本(含类别标注真值)和测试样本;构建复合图;定义条件随机场的关联势函数和交互势函数;通过拟牛顿法优化条件随机场模型;通过环路置信传播算法对测试样本进行推断,获得其分类标注结果。在本发明中,通过结合能够表达全局交互信息的稀疏图和能够表达局部空间交互信息的空间图来构建复合图,增强了图结构表达数据的能力,进而增强了条件随机场的分类标注性能,具有较高的分类标注精度。
Description
技术领域
本发明属于图像处理和模式识别技术领域,尤其涉及一种基于复合图条件随机场的遥感图像分类标注方法。
背景技术
遥感技术是探测地表覆盖综合信息的最直观、最丰富和最有效的一种技术手段。随着传感器技术的飞速发展,遥感图像也逐步展现出多谱段、高分辨率和大数据量等特点。大量内容全面、信息丰富的遥感图像的有效获取,为相关科学研究的发展提供了完备的信息资源,但同时也对遥感图像处理技术提出了更高的要求。
在遥感领域中,遥感图像分类标注是遥感图像处理技术中最基本的问题之一,也是遥感图像分析和解译的基础。分类标注结果应用到后续的遥感图像处理技术中,其好坏会对分析结果产生根本的影响。另外,遥感图像分类标注技术也逐步拓展到各个地区和各种业务部门,涉及全球环境评估、土地利用、资源调查和自然灾害等多方面。因此,遥感图像的分类标注已经成为遥感领域中的研究热点。
遥感图像分类标注是将遥感图像中的所有像素按照某种属性分为若干类别的过程,其结果受到诸多因素影响,其中设计合适的分类算法尤为重要。近几年,条件随机场在遥感图像分类标注领域受到广泛关注。它是一种无向图模型,在数学描述上由关联势函数和交互势函数构成,易于通过交互势函数引入遥感图像普遍存在的空间信息,因此能够得到较好的分类标注结果。传统条件随机场的图结构是以空间图为基础的,例如空间4领域、8邻域等,使得条件随机场能够考虑某样本点及其周围空间邻域样本的交互关系。但是空间图只能融合空间邻域的局部交互信息,缺乏融合全局交互信息的能力,这使得条件随机场的分类性能受到一定的影响。
发明内容
(1)发明目的:有鉴于此,本发明期望提供一种有效的遥感图像分类标注方法。
(2)技术方案:本发明提供了一种基于复合图条件随机场的遥感图像分类标注方法,应用于包含两种及以上地表覆盖类别的遥感图像,所述方法包括:
通过人工样本采集获得训练样本(含类别标注真值)和测试样本;
基于训练样本构建复合图;
定义条件随机场的关联势函数和交互势函数;
基于关联势函数和交互势函数,通过拟牛顿法优化条件随机场模型;
基于条件随机场模型优化结果,通过环路置信传播算法对测试样本进行推断,获得其分类标注结果。
上述方案中,所述基于训练样本构建复合图包括:
通过稀疏表示构建稀疏图;
通过空间领域定义构造空间图;
根据所述稀疏图和空间图构建复合图。
上述方案中,所述定义条件随机场的关联势函数和交互势函数包括:
通过多项式逻辑回归模型定义条件随机场的关联势函数;
通过改进型Potts模型定义条件随机场的交互势函数。
上述方案中,所述通过拟牛顿法优化条件随机场模型包括:
根据基于训练样本构建的复合图,基于所述关联势函数和交互势函数构建条件随机场模型;
根据所述条件随机场模型,计算其伪对数似然函数;
通过拟牛顿法优化所述伪对数似然函数,获得模型最优参数。
上述方案中,所述通过环路置信传播算法对测试样本进行推断,获得其分类标注结果包括:
基于测试样本构建复合图;
根据所述模型最优参数,通过环路置信传播算法推断测试样本的最优类别标签。
上述方案中,所述基于测试样本构建复合图的步骤包括:
通过稀疏表示构建稀疏图;
通过空间领域定义构造空间图;
根据所述稀疏图和空间图构建复合图。
通过以上步骤,本发明实现了一种基于复合图条件随机场的遥感图像分类标注方法。
(3)优点:本发明提供了一种基于复合图条件随机场的遥感图像分类方法。条件随机场一种无向图模型,其分类标注能力受到图结构表达数据能力的制约。在本发明中,通过结合能够表达全局交互信息的稀疏图和能够表达局部空间交互信息的空间图来构建复合图,增强了图结构表达数据的能力,进而增强了条件随机场的分类标注性能,具有较高的分类标注精度。
附图说明
图1为本发明实施例提供的基于复合图条件随机场的遥感图像分类标注方法流程图;
图2为遥感图像分类标注效果图。其中,(a)为遥感图像;(b)为类别真值图;(c)为类别-颜色对照表;(d)为传统条件随机场的分类标注结果;(e)本发明的分类标注结果。
为了能明确实现本发明的实施例的结构,在图中标注了特定的数据集和空间领域范围等,但这仅为示意需要,并非意图将本发明限定在该特定的样本数量和空间领域范围中。
具体实施方式
在以下的描述中,将描述本发明的多个不同的方面。然而,对于本领域内的专业技术人员而言,可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性,阐述了特定的数据集和空间领域范围,但是很明显,在没有这些特定细节的情况下也可以实施本发明。在其他情况下,为了不混淆本发明,对于一些众所周知的特征将不再进行详细阐述。
因此,本发明提供了一种基于复合图条件随机场的遥感图像分类标注方法。该方法首先通过稀疏表示构建稀疏图,并同空间图相结合,构造复合图。稀疏表示能够在全体样本中寻找样本彼此之间的交互作用,从而使得新构造的复合图即能够考虑局部的空间交互信息,也能够考虑全局交互信息,具有较强的数据关联性表达能力。在复合图基础上,通过定义条件随机场的关联势函数和交互势函数构造条件随机场模型,并分别采用拟牛顿法和环路置信传播算法进行优化和推断,实现遥感图像的分类标注。
为了更好地理解本发明的技术方案,下面将结合具体的遥感图像分类案例详细介绍本发明。如图1所示,所述方法包含以下步骤:
步骤S101:通过人工样本采集获得训练样本(含类别标注真值)和测试样本。
本实施例所用的遥感图像从Google Earth截取,共45张图像,其中35张用于训练,10张用于测试。对于任意一张图像Tt,其所包含像素的光谱响应矩阵记为对应的标签为其中为像素i对应的光谱响应向量,nt为图像Tt包含的像素总数。此时,训练样本可表示为X={X1,…,XM},对应的标签为Y={Y1,…,YM},测试样本可表示为XTe={XM+1,…,XM+N},其中M和N分别为训练图像数和测试图像数,即M=35,N=10。
步骤S102:基于训练样本构建复合图,该步骤包含以下三个子步骤,分别为:
子步骤S1021:通过稀疏表示构建稀疏图,其又包含两个子步骤,分别为:
(1)对于任意一张训练图像Tt对应的光谱响应矩阵t∈{1,2,…,M},计算图像中每个像素光谱响应向量的稀疏表示,其公式为:
其中I为单位向量,为光谱响应向量对应的稀疏表示向量。
(2)对于任意一张训练图像Tt,其对应的稀疏图可表示为其中矩阵ERt为图像Tt的稀疏连接矩阵,其表达式为:
其中表示稀疏表示向量的第j个分量,而为稀疏表示向量的第j-1个分量。
子步骤S1022:通过空间领域定义构造空间图,其表达是为GSt={Xt,ESt},矩阵ESt为图像Tt的空间连接矩阵,其表达式为:
其中和分别表示光谱响应向量和对应像素的空间8邻域中所包含像素的光谱响应向量集合。
子步骤S1023:根据所述稀疏图和空间图构建复合图,其表达式为GCt={Xt,ECt},ECt为图像Tt的复合连接矩阵,其表达式为:
步骤S103:定义条件随机场的关联势函数和交互势函数。该步骤包含以下两个子步骤,分别为:
子步骤S1031:通过多项式逻辑回归模型定义条件随机场的关联势函数,其表达式为
其中,1(·)为指示函数,β={β1,β2,…,βL}为关联势函数中的待优化参数,L为类别总数。
子步骤S1032:通过改进型Potts模型定义条件随机场的交互势函数,其表达式为:
其中,μ为交互势函数中的待优化参数。
步骤S104:通过拟牛顿法优化条件随机场模型。该步骤包含以下三个子步骤,分别为:
子步骤S1041:基于步骤S102构建的复合图,根据所述关联势函数和交互势函数构建条件随机场模型,其表达式为:
其中,和分别为所述步骤S103中所定义的关联势函数(公式(5))和交互势函数(公式(6));Z(Xt)为拆分函数;λ为预设折衷系数;Γ={β,μ}为待优化参数构成的集合;
子步骤S1042:根据所述条件随机场模型,计算其伪对数似然函数,其表达式为;
子步骤S1043:通过拟牛顿法优化所述伪对数似然函数,获得模型最优参数Γ*。
步骤S105:通过环路置信传播算法对测试样本进行推断,获得其分类标注结果。该步骤包含以下两个子步骤,分别为:
子步骤S1051:构建复合图模型。给定任意测试图像Tk,k∈{M+1,…,M+N},通过所述步骤S102的方法计算其对应的复合图GCk={Xk,ECk},即基于测试样本构建复合图。其中,为图像Tk所包含像素的光谱响应矩阵,为像素i对应的光谱响应向量,nk为图像Tk包含的像素总数。ECk为图像Tk对应的复合连接矩阵。子步骤S1052:根据所述模型最优参数Γ*,通过环路置信传播算法推断测试样本标签YTe的最优解其表达式为:
本发明以条件随机场为基础,构造了一种基于复合图条件随机场的遥感图像分类标注方法。该方法首先通过稀疏表示构建稀疏图,并同空间图相结合,构造复合图。稀疏表示能够在全体样本中寻找样本彼此之间的交互作用,从而使得新构造的复合图即能够考虑局部的空间交互信息,也能够考虑全局交互信息,提高图模型表达数据关联性的能力。在复合图基础上,通过定义条件随机场的关联势函数和交互势函数构造条件随机场模型,并分别采用遗传算法和环路置信传播算法进行优化和推断,实现遥感图像的分类标注。经过本发明得到的高光谱遥感图像分类标注结果精度较高,具有实际的应用效果,具有广阔的应用价值和市场前景。
Claims (6)
1.一种基于复合图条件随机场的遥感图像分类标注方法,应用于遥感图像中地表覆盖类别的分类标注,其特征在于,所述方法包括:
基于训练样本构建复合图;
定义条件随机场的关联势函数和交互势函数;
基于关联势函数和交互势函数,通过拟牛顿法优化条件随机场模型;
基于条件随机场模型优化结果,通过环路置信传播算法对测试样本进行推断,获得其分类标注结果。
2.根据权利要求1所述的方法,其特征在于,所述基于训练样本构建复合图的步骤包括:
通过稀疏表示构建稀疏图;
通过空间领域定义构造空间图;
根据所述稀疏图和空间图构建复合图。
3.根据权利要求2所述的方法,其特征在于,所述定义条件随机场的关联势函数和交互势函数的步骤包括:
通过多项式逻辑回归模型定义条件随机场的关联势函数;
通过改进型Potts模型定义条件随机场的交互势函数。
4.根据权利要求3所述的方法,其特征在于,所述通过拟牛顿法优化条件随机场模型的步骤包括:
根据基于训练样本构建的复合图,基于所述关联势函数和交互势函数构建条件随机场模型;
根据所述条件随机场模型,计算其伪对数似然函数;
通过拟牛顿法优化所述伪对数似然函数,获得模型最优参数。
5.根据权利要求4所述的方法,其特征在于,所述通过环路置信传播算法对测试样本进行推断,获得其分类标注结果的步骤包括:
基于测试样本构建复合图;
根据所述模型最优参数,通过环路置信传播算法推断测试样本的最优类别标签。
6.根据权利要求5所述的方法,其特征在于,所述基于测试样本构建复合图的步骤包括:
通过稀疏表示构建稀疏图;
通过空间领域定义构造空间图;
根据所述稀疏图和空间图构建复合图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610245601.8A CN106056128B (zh) | 2016-04-20 | 2016-04-20 | 基于复合图条件随机场的遥感图像分类标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610245601.8A CN106056128B (zh) | 2016-04-20 | 2016-04-20 | 基于复合图条件随机场的遥感图像分类标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056128A true CN106056128A (zh) | 2016-10-26 |
CN106056128B CN106056128B (zh) | 2019-03-22 |
Family
ID=57176127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610245601.8A Active CN106056128B (zh) | 2016-04-20 | 2016-04-20 | 基于复合图条件随机场的遥感图像分类标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056128B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038876A (zh) * | 2017-12-27 | 2018-05-15 | 北京航空航天大学 | 一种空间目标立方体部件检测估计方法及装置 |
CN110189768A (zh) * | 2019-05-13 | 2019-08-30 | 西安交通大学 | 一种基于条件随机场的中国民歌地域分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110227A (zh) * | 2010-11-24 | 2011-06-29 | 清华大学 | 基于上下文关系的多分辨率遥感图像复合分类方法 |
US20110270815A1 (en) * | 2010-04-30 | 2011-11-03 | Microsoft Corporation | Extracting structured data from web queries |
CN102521603A (zh) * | 2011-11-17 | 2012-06-27 | 西安电子科技大学 | 基于条件随机场的超光谱图像分类方法 |
CN103413123A (zh) * | 2013-08-01 | 2013-11-27 | 西北工业大学 | 一种基于条件随机场模型的高分辨率遥感图像机场检测方法 |
CN103530600A (zh) * | 2013-06-06 | 2014-01-22 | 东软集团股份有限公司 | 复杂光照下的车牌识别方法及系统 |
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
-
2016
- 2016-04-20 CN CN201610245601.8A patent/CN106056128B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110270815A1 (en) * | 2010-04-30 | 2011-11-03 | Microsoft Corporation | Extracting structured data from web queries |
CN102110227A (zh) * | 2010-11-24 | 2011-06-29 | 清华大学 | 基于上下文关系的多分辨率遥感图像复合分类方法 |
CN102521603A (zh) * | 2011-11-17 | 2012-06-27 | 西安电子科技大学 | 基于条件随机场的超光谱图像分类方法 |
CN103530600A (zh) * | 2013-06-06 | 2014-01-22 | 东软集团股份有限公司 | 复杂光照下的车牌识别方法及系统 |
CN103413123A (zh) * | 2013-08-01 | 2013-11-27 | 西北工业大学 | 一种基于条件随机场模型的高分辨率遥感图像机场检测方法 |
CN104392228A (zh) * | 2014-12-19 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于条件随机场模型的无人机图像目标类检测方法 |
Non-Patent Citations (1)
Title |
---|
杨耘 徐丽: "基于分层特征关联条件随机场的遥感图像分类", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038876A (zh) * | 2017-12-27 | 2018-05-15 | 北京航空航天大学 | 一种空间目标立方体部件检测估计方法及装置 |
CN110189768A (zh) * | 2019-05-13 | 2019-08-30 | 西安交通大学 | 一种基于条件随机场的中国民歌地域分类方法 |
CN110189768B (zh) * | 2019-05-13 | 2021-02-02 | 西安交通大学 | 一种基于条件随机场的中国民歌地域分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106056128B (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maxwell et al. | Accuracy assessment in convolutional neural network-based deep learning remote sensing studies—Part 1: Literature review | |
Liang et al. | Hyperspectral imagery classification using sparse representations of convolutional neural network features | |
Ming et al. | Land cover classification using random forest with genetic algorithm-based parameter optimization | |
Zhang et al. | Hyperspectral unmixing via low-rank representation with space consistency constraint and spectral library pruning | |
Yu et al. | Change detection using high resolution remote sensing images based on active learning and Markov random fields | |
Liu et al. | Hyperspectral image classification based on parameter-optimized 3D-CNNs combined with transfer learning and virtual samples | |
Dharani et al. | Land use and land cover change detection by using principal component analysis and morphological operations in remote sensing applications | |
Sun et al. | Hyperspectral unmixing employing l 1− l 2 sparsity and total variation regularization | |
Lin et al. | Spatio-temporal analysis of wetland changes using a kernel extreme learning machine approach | |
Li et al. | Bayesian Markov chain random field cosimulation for improving land cover classification accuracy | |
Batista et al. | Improving land cover classification using genetic programming for feature construction | |
Li et al. | Optimizing extreme learning machine for hyperspectral image classification | |
CN106096622B (zh) | 半监督的高光谱遥感图像分类标注方法 | |
Zhang et al. | Hyperspectral target detection via adaptive joint sparse representation and multi-task learning with locality information | |
Yang et al. | MRA-SNet: Siamese networks of multiscale residual and attention for change detection in high-resolution remote sensing images | |
Hong et al. | Object-oriented multiscale deep features for hyperspectral image classification | |
Song et al. | A spectral-spatial classification of hyperspectral images based on the algebraic multigrid method and hierarchical segmentation algorithm | |
JP7423998B2 (ja) | 二部ネットワーク内のミッシングリンクを理解するための視覚分析フレームワーク、方法、プログラム、装置、およびシステム | |
Song et al. | An Efficient Solution for Semantic Segmentation of Three Ground‐based Cloud Datasets | |
Lee et al. | PICAR: An efficient extendable approach for fitting hierarchical spatial models | |
Pang et al. | SCA-CDNet: A robust siamese correlation-and-attention-based change detection network for bitemporal VHR images | |
Chang | Advances in Hyperspectral Image Processing Techniques | |
CN106056128B (zh) | 基于复合图条件随机场的遥感图像分类标注方法 | |
Kong et al. | Low-rank hypergraph hashing for large-scale remote sensing image retrieval | |
Aghababaei et al. | Introducing ARTMO’s Machine-Learning Classification Algorithms Toolbox: Application to plant-type detection in a semi-steppe Iranian landscape |
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 |