CN106096648A - 一种基于Hash编码的超光谱遥感图像分类方法 - Google Patents
一种基于Hash编码的超光谱遥感图像分类方法 Download PDFInfo
- Publication number
- CN106096648A CN106096648A CN201610403385.5A CN201610403385A CN106096648A CN 106096648 A CN106096648 A CN 106096648A CN 201610403385 A CN201610403385 A CN 201610403385A CN 106096648 A CN106096648 A CN 106096648A
- Authority
- CN
- China
- Prior art keywords
- hash
- block
- pixel
- coding
- method based
- 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
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
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)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种基于Hash编码的超光谱遥感图像分类方法,属于图像信息处理技术领域,提出了用块Hash自动编码的思想来处理超光谱遥感图像,本发明提出了用Hash自动编码的思想来处理超光谱遥感图像,将遥感图像每个通道提取出来,分成块,将每个小块先进行分段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SVM分类。和基于传统像素的分类方法相比,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
本发明涉及图像信息处理技术领域,特别是一种基于Hash编码的超光谱遥感图像分类方法。
背景技术
随着技术手段和传感器性能的提高,越来越大量的超光谱卫星遥感数据被产生了出来。人们迫切需要找到一种能够处理这种大量遥感图像数据的机器学习算法。另一方面,Hash学习技术在近年来成为了一种被广泛使用的处理大数据的机器学习手段。因为在大数据背景下,现有的技术无法高效的处理这些数据,处理时间过长。
发明内容
本发明所要解决的技术问题是克服现有技术的不足,而提供一种基于Hash编码的超光谱遥感图像分类方法,该方法用于超光谱遥感图像分类中,在保持足够高精度的前提下,这种方法可以大大缩短计算时间。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种基于Hash编码的超光谱遥感图像分类方法,包括以下步骤,
步骤一、设原始的遥感图像包含w*h个像素,每个像素都有m个通道,设第i个像素的坐标值为(xi,yi),该像素在所有通道中的取值构成了一个m维的向量;其中,w表示行数,h表示列数;
步骤二、对遥感图像的每个像素,各取一个中心位于(xi,yi)的s*s的图像块,此图像块记为i的邻域Ni;其中,s表示图像块的尺寸;
步骤三、将步骤二得到的每个图像块进行分段Hash编码处理,生成Hash序列用来表征块的新特征;
步骤四、从步骤二中的图像块中随机选取部分图像块,对这部分图像块所对应的Hash序列进行人工分类标注并作为训练集训练一个SVM分类器,将训练好的SVM分类器对未标注的图像块进行分类。
作为本发明所述的一种基于Hash编码的超光谱遥感图像分类方法进一步优化方案,所述分段Hash编码处理的方法具体如下,
设分块的Hash函数为:
其中,h(*)为预先指定的Hash函数,为第i个邻域第j个通道,j为整数且1≤j≤m;
基于分块的Hash函数将第i个像素点的s*s*m个数据行编码,从而得到m个实数值,这m个数值就构成了第i个像素点的新特征。
作为本发明所述的一种基于Hash编码的超光谱遥感图像分类方法进一步优化方案,其中,是每个通道的值域。
作为本发明所述的一种基于Hash编码的超光谱遥感图像分类方法进一步优化方案,所述步骤四中部分图像块为10%图像块。
作为本发明所述的一种基于Hash编码的超光谱遥感图像分类方法进一步优化方案,每个像素点对应了s2m个特征。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)在同样的实验条件下,基于Hash的方法(分段Hash和基于块的Hash方法)相对于没有用Hash的方法能够产生几乎相同的总体分类精度。这说明,即使在有信息损失的情况下,Hash方法仍然能够得到足够高的分类精度,用于超光谱遥感图像分类中,在保持足够高精度的前提下,这种方法可以大大缩短计算时间;
(2)基于Hash的方法比相应的没有使用Hash编码技术的方法执行效率更高,这体现在它会显著缩短运行时间上面;
(3)本发明提出的一种基于分段Hash编码的维度缩减方法用于超光谱遥感图像分类中,在保持足够高精度的前提下,这种方法可以大大缩短计算时间;
(4)本发明基于分段Hash编码技术与图像块描述的方法结合的方法,提出了基于块的Hash分类算法,并成功地应用超光谱遥感图像数据集的分类,对超光谱遥感图像分类的性能评估结果表明,本发明提出的方法在分类准确率方面可以和普通的基于图像块描述的分类方法相媲美;在计算机效率方面远优于普通的基于图像块描述的分类方法;
(5)本发明基于块Hash的分类算法不仅具有良好的性能,较低的计算复杂度,而且在实际的超光谱遥感图像处理中将可以得到广泛的应用。
附图说明
图1是本发明遥感图像分类方法的流程示意图。
图2为块Hash映射的示意图。
图3为性能评估曲线。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明的思路是将遥感图像每个通道分成块,将每个小块进行分段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,缩短了计算时间,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:
1,假设原始的遥感图像包含w*h个像素,每个像素都有m个通道。设每一个像素点的坐标值为(xi,yi),该像素在所有通道中的取值构成了一个m维的向量.
vi=(vi1,vi2,...vim) (1)
2,接下来,我们考虑一个中心位于(xi,yi)的大小为s*s的图像块,我们记为i的邻域Ni。对于边界上的像素点,我们通过反射边界的方法将像素的邻域补齐。具体来讲,就是一个左边界上的像素点的左邻居就是该像素点的右邻居。与此类似,对于上下右边界上的像素也做类似的处理。于是,i邻域Ni中的所有像素的所有通道都构成了i这个像素点的特征。也就是说,每个像素点对应了s2m个特征。当s很大的时候,这个特征数量将会变得很大。
3,然后,我们将对分段Hash方法用于这些图像块表征出来的特征。
对于每个像素i,我们应用分段Hash编码技术到它所有邻域像素中的所有通道中。我们设分块的Hash函数为S,那么它可以写为:
这里h为一个预先指定的Hash函数,例如取如下形式:
其中,上标对于所有通道进行循环选取。是对第i个邻居的第j个通道的缩写,即:
这里,v是每个通道的值域。C为算法的参数,K为所有像素所有通道中像素的最大值。于是,我们的基于块的Hash函数就可以把第i个像素点的s*s*m个数值进行编码,从而一共得到m个实数值,这m个数值就构成了第i个像素点的新特征。
这整个的过程可以用如图2进行说明,图2为块Hash映射的示意图,其中,左边的图为原始图像,其中每一个方块表示一个像素,数字则对应了该像素的编码;右图为经过块Hash编码后的图像,其中每一个方块表示一个像素。
4,接下来,我们便可以训练一个分类器在这些新特征(也就是邻域的Hash编码)上进行学习。对于一个w*h个像素的图像来说,我们随机地选取了10%的像素点进行人工分类标注,并作为我们的训练集。在测试阶段,我们将训练好的分类器应用于所有剩下的那些样本像素,然后将分类器预测的分类标签和人工分类标签进行对比,以测试算法的分类精度。
图3为性能评估曲线,其中,横坐标表示训练集的数量,纵坐标分类分类准确率的百分比。从图3中可以看出,分类精度会随着训练样本数占比升高而升高,但不同的数据集升高的速度不一样。四种算法中,分类准确度从高到低的排序为:块方法、块Hash算法、传统像素方法和分段Hash方法。
表1为IP数据集用本发明方法与传统像素、分段Hash、基于块的准确率对比。从表1可以看出块Hash方法的准确率相对于分段Hash的方法有了大幅度提升,已经很逼近基于块的分类方法,在个别样本中(标黑)已经高于基于块的方法,把第16类样本做为例子,分段Hash方法的准确率高达85.71%,块Hash的分类准确率高达95.95%,远远超过基于块的分类准确率。
表1
表2是运行时间的比较(秒),从表2可以看出通过这些数值的比较可发现在四个不同的数据集上,基于分段Hash方法的运行时间最小,其次是块Hash的方法,而传统方法和块的方法所占用的运行时间较长。在某些情况下,利用Hash算法的运行时间仅有不采用Hash算法时间的1/10。由此可见,本发明所提出的分段Hash方法和块Hash在时间上的优越性。
表2
数据集 | 分段Hash方法 | 传统方法 | 块Hash | 块 |
IP | 874 | 1533 | 1476 | 2642 |
KSC | 212 | 217 | 267 | 1951 |
PUS | 5258 | 8931 | 7681 | 47598 |
SS | 10897 | 18038 | 14129 | 132169 |
Claims (5)
1.一种基于Hash编码的超光谱遥感图像分类方法,其特征在于,包括以下步骤,
步骤一、设原始的遥感图像包含w*h个像素,每个像素都有m个通道,设第i个像素的坐标值为(xi,yi),该像素在所有通道中的取值构成了一个m维的向量;其中,w表示行数,h表示列数;
步骤二、对遥感图像的每个像素,各取一个中心位于(xi,yi)的s*s的图像块,此图像块记为i的邻域Ni;其中,s表示图像块的尺寸;
步骤三、将步骤二得到的每个图像块进行分段Hash编码处理,生成Hash序列用来表征块的新特征;
步骤四、从步骤二中的图像块中随机选取部分图像块,对这部分图像块所对应的Hash序列进行人工分类标注并作为训练集训练一个SVM分类器,将训练好的SVM分类器对未标注的图像块进行分类。
2.根据权利要求1所述的一种基于Hash编码的超光谱遥感图像分类方法,其特征在于,所述分段Hash编码处理的方法具体如下,
设分块的Hash函数为:
其中,h(*)为预先指定的Hash函数,为第i个邻域第j个通道,j为整数且1≤j≤m;
基于分块的Hash函数将第i个像素点的s*s*m个数据行编码,从而得到m个实数值,这m个数值就构成了第i个像素点的新特征。
3.根据权利要求2所述的一种基于Hash编码的超光谱遥感图像分类方法,其特征在于,其中,是每个通道的值域。
4.根据权利要求1所述的一种基于Hash编码的超光谱遥感图像分类方法,其特征在于,所述步骤四中部分图像块为10%图像块。
5.根据权利要求1所述的一种基于Hash编码的超光谱遥感图像分类方法,其特征在于,每个像素点对应了s2m个特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610403385.5A CN106096648A (zh) | 2016-06-08 | 2016-06-08 | 一种基于Hash编码的超光谱遥感图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610403385.5A CN106096648A (zh) | 2016-06-08 | 2016-06-08 | 一种基于Hash编码的超光谱遥感图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096648A true CN106096648A (zh) | 2016-11-09 |
Family
ID=57228890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610403385.5A Pending CN106096648A (zh) | 2016-06-08 | 2016-06-08 | 一种基于Hash编码的超光谱遥感图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096648A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258214A (zh) * | 2013-04-26 | 2013-08-21 | 南京信息工程大学 | 基于图像块主动学习的遥感图像分类方法 |
CN103345643A (zh) * | 2013-06-13 | 2013-10-09 | 南京信息工程大学 | 一种遥感图像分类方法 |
CN105512677A (zh) * | 2015-12-01 | 2016-04-20 | 南京信息工程大学 | 基于Hash编码的遥感图像分类方法 |
-
2016
- 2016-06-08 CN CN201610403385.5A patent/CN106096648A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258214A (zh) * | 2013-04-26 | 2013-08-21 | 南京信息工程大学 | 基于图像块主动学习的遥感图像分类方法 |
CN103345643A (zh) * | 2013-06-13 | 2013-10-09 | 南京信息工程大学 | 一种遥感图像分类方法 |
CN105512677A (zh) * | 2015-12-01 | 2016-04-20 | 南京信息工程大学 | 基于Hash编码的遥感图像分类方法 |
Non-Patent Citations (3)
Title |
---|
MATHIEU FAUVEL ET AL: "Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
YI CHEN ET AL: "Hyperspectral Image Classification Using Dictionary-Based Sparse Representation", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
李宠等: "基于DE-GEP的高光谱遥感图像分类", 《微电子学与计算机》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Superpixel Masking and Inpainting for Self-Supervised Anomaly Detection. | |
Zheng et al. | HLU 2-Net: a residual U-structure embedded U-Net with hybrid loss for tire defect inspection | |
CN107194872A (zh) | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 | |
CN108052523A (zh) | 基于卷积神经网络的赌博网站识别方法和系统 | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN109285162A (zh) | 一种基于局部区域条件随机场模型的图像语义分割方法 | |
CN110334709B (zh) | 基于端到端多任务深度学习的车牌检测方法 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN105303169B (zh) | 一种基于慢特征的细胞分裂识别方法及其识别装置 | |
CN103345760B (zh) | 一种医学图像对象形状模板标记点的自动生成方法 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN106530247A (zh) | 一种基于结构信息的多尺度图像修复算法 | |
CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
CN104992183A (zh) | 自然场景中的显著目标的自动检测方法 | |
CN110851627B (zh) | 一种用于描述全日面图像中太阳黑子群的方法 | |
CN108491828A (zh) | 一种基于层次的成对相似性PVAnet的停车位检测系统及方法 | |
CN104504391B (zh) | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 | |
CN103839074A (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
CN107169498A (zh) | 一种融合局部和全局稀疏的图像显著性检测方法 | |
CN111275684A (zh) | 一种基于多尺度特征提取的带钢表面缺陷检测方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
Zhang et al. | License plate recognition model based on CNN+ LSTM+ CTC | |
CN112070116A (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |