CN106056128A - 基于复合图条件随机场的遥感图像分类标注方法 - Google Patents

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

基于复合图条件随机场的遥感图像分类标注方法

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T^t，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，n_t为图像T^t包含的像素总数。此时，训练样本可表示为X＝{X¹,…,X^M}，对应的标签为Y＝{Y¹,…,Y^M}，测试样本可表示为X^Te＝{X^M+1,…,X^M+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T^t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：

$\begin{array}{ccc}\underset{{\mathrm{\α}}_i^t}{min}\left|\right|{\mathrm{\α}}_i^t|{|}^1,& s.t.& x_i^t=B^t{\mathrm{\α}}_i^t\end{array}---\left(1\right)$

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T^t，其对应的稀疏图可表示为其中矩阵E^Rt为图像T^t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G^St＝{X^t,E^St}，矩阵E^St为图像T^t的空间连接矩阵，其表达式为：

$E_{ij}^{St}=\left\{\begin{array}{cc}1& \begin{array}{cc}if& x_j^t\∈E\left(x_i^t\right)\left|\right|x_i^t\∈E\left(x_j^t\right)\end{array}\\ 0& others\end{array}\right.---\left(3\right)$

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G^Ct＝{X^t,E^Ct}，E^Ct为图像T^t的复合连接矩阵，其表达式为:

$E_{ij}^{Ct}=\left\{\begin{array}{cc}1& \begin{array}{cc}if& E_{ij}^{St}\≠0\left|\right|E_{ij}^{Rt}\≠0\end{array}\\ 0& others\end{array}\right.---\left(4\right)$

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,…,β_L}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：

$\begin{array}{c}\mathrm{\φ}(y_i^t,y_j^t,x_i^t,x_j^t;\mathrm{\μ})=t_{ij}\exp (-\mathrm{\μ}||x_i^t-x_j^t|{|}^2)\\ t_{ij}=\left\{\begin{array}{cc}+1& y_i^t=y_j^t\\ -1& y_i^t\≠y_j^t\end{array}\right.\end{array}---\left(6\right)$

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(X^t)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T^k，k∈{M+1,…,M+N}，通过所述步骤S102的方法计算其对应的复合图G^Ck＝{X^k,E^Ck}，即基于测试样本构建复合图。其中，为图像T^k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，n_k为图像T^k包含的像素总数。E^Ck为图像T^k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Y^Te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。