CN107463957B - 一种有效的遥感图像目标识别方法 - Google Patents
一种有效的遥感图像目标识别方法 Download PDFInfo
- Publication number
- CN107463957B CN107463957B CN201710659364.4A CN201710659364A CN107463957B CN 107463957 B CN107463957 B CN 107463957B CN 201710659364 A CN201710659364 A CN 201710659364A CN 107463957 B CN107463957 B CN 107463957B
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- classifier
- harr
- target
- 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.)
- Active
Links
Images
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
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种有效的遥感图像目标识别方法,训练阶段中设计基于Harr特征和Adaboost的遥感图像目标快速分类器,该分类器首先提取遥感图像Harr特征,然后利用Adaboost对提取出来的Harr特征进行挑选、组合;设计基于颜色特征和Adaboost的遥感图像目标精确分类器,该分类器首先提取遥感图像的颜色特征,然后利用Adaboost对提取出来的颜色特征进行挑选、组合。识别阶段中,将训练阶段中获得的快速分类器与精确分类器用级联方式联合在一起,再应用于测试图像的识别过程,通过判定快速分类器的分类结果可确定是否进一步使用精确分类器。通过对实际遥感图像进行实验,结果表明该方法不仅确保了一定的识别精确性,且大大降低了时间复杂度。
Description
技术领域
本发明涉及一种有效的遥感图像目标识别方法,属于数字图像处理技术领 域。
背景技术
随着遥感传感器技术的迅速发展,遥感图像信息呈现出几何级数的急剧增 长,人们想要了解遥感实时信息的话,遥感图像分类识别变得必不可少,进行良 好的分类识别能够使在大量信息中快速、高效地得出人们所感兴趣的信息。
但是,现阶段遥感图像目标识别技术针对遥感图像信息复杂、数据量大,会 产生目标识别中特征检测准确度低、特征匹配识别时间长等问题,为此,本发明 提出了一种有效的遥感图像目标识别方法,旨在提升目标识别精确度的同时,大 大降低识别计算量。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供出了一种有效的遥感目 标识别方法。该方法不仅可以保证了一定的精确性,而且能够大大提高识别速度, 减少时间成本。
技术方案:一种有效的遥感图像目标识别方法,首先对遥感图像提取Harr 特征,然后利用Adaboost进行特征挑选、重组,以生成遥感目标快速识别分类 器;其次对遥感图像提取颜色特征,然后利用Adaboost进行特征挑选、重组, 以生成遥感目标精确识别分类器;最后将得到的快速识别分类器与精确识别分类 器进行级联,得到最终的联合分类器,对遥感图像目标进行快速、准确的识别。 具体包括如下步骤:
步骤一:对遥感图像提取Harr特征,然后利用Adaboost进行特征挑选、重 组,以特征的线性组合作为遥感目标快速识别分类器。
(1)输入若干某类遥感目标的训练样本图像RGBi(i=1,...,train_sum), 其中,train_sum为训练样本数量,同时输入一幅含有该类目标的遥感训练图像 A。
(2)针对每一幅遥感目标的训练样本图像RGBi,将其灰度化,得到其灰度 图像grayi,并利用下式将灰度图转换成积分图integrali:
其中integrali(m,n)为积分图中坐标为(m,n)的值,grayi(k,l)是灰度 图中坐标为(k,l)的灰度值,上式说明积分图值的获取是灰度图的一个累积相 加的过程。综合所有训练样本图像的积分图,可得 {integral1,...,integrali,....,integraltrain_sum}。
(3)Harr特征的获取是通过利用Harr特征模板窗口去遍历每一个积分图, 在这个过程中,通过修改Harr特征模板在窗口中的作用范围,可以得到相应的 全局特征矩阵和局部特征矩阵,遍历整张积分图可以得到全局特征矩阵,遍历局 部积分图就可以得到局部特征矩阵;确定Harr特征模板的作用范围以后,通过 修改Harr特征模板在窗口的初始位置就可以得到不同的局部特征矩阵,遍历哪 个部分积分图就可以得到哪个部分的局部特征矩阵;确定Harr特征模板的作用 范围和初始位置以后,通过修改Harr特征模板的类别就可以得到完全不同类别 的全局特征矩阵和局部特征矩阵。
(5)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的 test_sum_A个子图像(这些子图像可以重叠)。
(6)针对每一个子图像,采用与第(2)第(3)步骤相同的处理,得到它 们的积分图{integral1_A,...,integralk_A,....,integraltest_sum_A},以及每个积分图所 对应的Harr特征值矩阵
(7)针对遥感训练图像A中的子图像,基于Harr特征依次进行判断,求出 满足下列约束的最优解:
通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像。
(8)由于遥感训练图像A中的子图像是否为目标类,也是已知的,因此接 下来采用Adaboost提升树思想,首先赋予每一个子图像相同的权重,赋予每一 个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断结 果也就已知是否正确,通过计算分类错误样本的权重就可以知道其误差率,误差 率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系数; 针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后,用 挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待判 定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选此 轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差, 直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征 与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器 判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分 类器如此级联在一起就可以形成快速识别分类器,有助于提高判断精确性。
步骤二:对遥感图像提取颜色特征,然后利用Adaboost进行特征挑选、重组, 以特征的线性组合作为遥感目标精确识别分类器。
(1)输入遥感目标的训练样本图像RGBi(i=1,...,train_sum)和遥感训 练图像A。
(2)针对每一幅遥感目标的训练样本图像RGBi,采用如下公式将其转换成 HIS颜色模型:
上述三个公式分别为当RGB值中最小值为R、G、B值时的色调求解公式。最 终可以得到RGBi的色调图Hi。
(3)利用颜色特征模板窗口去遍历每一个色调图Hi,通过修改色调直方图 特征在窗口中的作用范围,可以得到相应的色调统计全局特征和色调统计局部特 征,遍历整张色调图可以得到色调统计全局特征,遍历局部色调图就可以得到色 调统计局部特征。确定色调直方图特征的作用范围以后,通过修改色调直方图特 征在窗口的初始位置就可以得到不同的色调统计局部特征,遍历哪个部分色调图 就可以得到哪个部分的色调统计局部特征。
因此设可以得到的每一个色调图Hi的颜色特征为{Yi 1,...,Yi j,....,Yi H_sum}, 其中,Yi j为对应于Hi的一个颜色特征矩阵值,H_sum为该色调图得到的特征 值的总数量值。其中,Yi j求取方式如下:考虑到每一个色调的取值范围为[1,2π], 色调矩阵Hi的直方图可以近似取1至63的范围,通过迭代63次,遍历当前范 围的色调矩阵,通过记录迭代数字在色调矩阵中的频率就可以得到最终的色调直 方图,即颜色特征Yi j。
(5)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的 test_sum_A个子图像(这些子图像可以重叠)。
(7)针对遥感训练图像A中的子图像,基于颜色特征依次进行判断,求出 满足下列约束的最优解:
通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像。
(8)由于遥感训练图像A中的子图像是否为目标类,也是已知的,因此接 下来采用Adaboost提升树思想,首先赋予每一个子图像相同的权重,赋予每一 个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断 结果也就已知是否正确,通过计算分类错误样本的权重就可以知道其误差率,误 差率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系 数;针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后, 用挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待 判定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选 此轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差, 直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征 与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器 判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分 类器如此级联在一起就可以形成精确识别分类器。
步骤三:将得到的快速识别分类器与精确识别分类器进行级联,得到最终的 联合分类器,并用于识别阶段。
第一,给定一幅待测试的遥感图像B,划分成与训练样本图像尺寸大小相同 的test_sum_B个子图像(这些子图像可以重叠)。
第三,针对测试图像B中的子图像,基于Harr特征依次进行快速分类,求 出满足下列约束的最优解:
通过求取最优解,即可以初步快速识别出遥感测试图像B中的每一个子图像是否为遥感目标图像。
第五,针对测试图像B中的子图像,基于颜色特征依次进行精确分类,求出 满足下列约束的最优解:
通过求取最优解,即可以进一步精确识别出遥感测试图像B中的每一个子图 像是否为遥感目标图像。
本发明采用上述技术方案,具有以下有益效果:
(1)本发明的方法在提升速度,降低时间成本上很可观,在特征足够多的 情况下,通过级联的方式,可以根据用户需求,改变识别精度和效率,以在时间 成本与精度之间取得理想的平衡。
(2)本方法在Harr特征的基础上,添加了颜色特征作为进一步的精确识别 依据,该特征也是可以根据实际情况进行替换的,精确识别分类器只需要考虑精 度的问题,时间成本在快速识别分类器阶段就已经削减至理想情况。
附图说明
图1为本发明实施例的方法框架图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本 发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发 明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
有效的遥感图像目标识别方法,具体包括如下步骤:
(1)输入若干某类遥感目标的训练样本图像RGBi(i=1,...,train_sum), 其中,train_sum为训练样本数量,同时输入一幅含有该类目标的遥感训练图像 A。
(2)针对每一幅遥感目标的训练样本图像RGBi,将其灰度化,得到其灰度 图像grayi,并利用下式将灰度图转换成积分图integrali:
其中integrali(m,n)为积分图中坐标为(m,n)的值,grayi(k,l)是灰 度图中坐标为(k,l)的灰度值,上式说明积分图值的获取是灰度图的一个累积相 加的过程。综合所有训练样本图像的积分图,可得 {integral1,...,integrali,....,integraltrain_sum}。
(3)Harr特征的获取是通过利用Harr特征模板窗口去遍历每一个积分图, 在这个过程中,通过修改Harr特征模板在窗口中的作用范围,可以得到相应的 全局特征矩阵和局部特征矩阵,遍历整张积分图可以得到全局特征矩阵,遍历局 部积分图就可以得到局部特征矩阵;确定Harr特征模板的作用范围以后,通过 修改Harr特征模板在窗口的初始位置就可以得到不同的局部特征矩阵,遍历哪 个部分的积分图就可以得到哪个部分的局部特征矩阵;确定Harr特征模板的作 用范围和初始位置以后,通过修改Harr特征模板的类别就可以得到完全不同类 别的全局特征矩阵和局部特征矩阵。
(5)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的 test_sum_A个子图像(这些子图像可以重叠)。
(6)针对每一个子图像,采用与第(2)第(3)步骤相同的处理,得到它 们的积分图{integral1_A,...,integralk_A,....,integraltest_sum_A},以及每个积分图所 对应的Harr特征值矩阵
(7)针对遥感训练图像A中的子图像,基于Harr特征依次进行判断,求出 满足下列约束的最优解:
通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像。
(8)由于遥感训练图像A中的子图像是否为目标类,也是已知的,因此接 下来采用Adaboost提升树思想,首先赋予每一个子图像相同的权重,赋予每一 个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断 结果是否正确也就已知,通过计算分类错误样本的权重就可以知道其误差率,误 差率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系 数;针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后 用挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待 判定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选 此轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差, 直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征 与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器 判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分 类器如此级联在一起就可以形成快速识别分类器,有助于提高判断精确性。
(9)输入遥感目标的训练样本图像RGBi(i=1,...,train_sum)和遥感训 练图像A。
(10)针对每一幅遥感目标的训练样本图像RGBi,采用如下公式将其转换 成HIS颜色模型:
上述三个公式分别为当RGB值中最小值为R、G、B值时的色调求解公式。最 终可以得到RGBi的色调图Hi。
(11)利用颜色特征模板窗口去遍历每一个色调图Hi,通过修改色调直方 图特征在窗口中的作用范围,可以得到相应的色调统计全局特征和色调统计局部 特征,遍历整张色调图可以得到色调统计全局特征,遍历局部色调图就可以得到 色调统计局部特征。确定色调直方图特征的作用范围以后,通过修改色调直方图 特征在窗口的初始位置就可以得到不同的色调统计局部特征,遍历哪个部分色调 图就可以得到哪个部分的色调统计局部特征。
因此设可以得到的每一个色调图Hi的颜色特征为 {Yi 1,...,Yi j,....,Yi H_sum},其中,Yi j为对应于Hi的一个颜色特征矩阵值, H_sum为该色调图得到的特征值的总数量值。其中,Yi j求取方式如下:考虑 到每一个色调的取值范围为[1,2π],色调矩阵Hi的直方图可以近似取1至63的 范围,通过迭代63次,遍历当前范围的色调矩阵,通过记录迭代数字在色调矩 阵中的频率就可以得到最终的色调直方图,即颜色特征Yi j。
(13)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的 test_sum_A个子图像(这些子图像可以重叠)。
(15)针对遥感训练图像A中的子图像,基于颜色特征依次进行判断,求出 满足下列约束的最优解:
通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像。
(16)由于遥感训练图像A中的子图像是否为目标类,也是已知的,因此接 下来采用Adaboost提升树思想,首先赋予每一个子图像相同的权重,赋予每一 个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断 结果也就已知是否正确,通过计算分类错误样本的权重就可以知道其误差率,误 差率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系 数;针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后, 用挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待 判定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选 此轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差, 直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征 与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器 判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分 类器如此级联在一起就可以形成精确识别分类器。
(17)给定一幅待测试的遥感图像B,划分成与训练样本图像尺寸大小相同 的test_sum_B个子图像(这些子图像可以重叠)。
(19)针对测试图像B中的子图像,基于Harr特征依次进行快速分类,求 出满足下列约束的最优解:
通过求取最优解,即可以初步快速识别出遥感测试图像B中的每一个子图像是否为遥感目标图像。
(21)针对测试图像B中的子图像,基于颜色特征依次进行精确分类,求出 满足下列约束的最优解:
通过求取最优解,即可以进一步精确识别出遥感测试图像B中的每一个子图 像是否为遥感目标图像。
Claims (4)
1.一种有效的遥感图像目标识别方法,其特征在于:首先对遥感图像提取Harr特征,然后利用Adaboost进行特征挑选、重组,以特征的线性组合作为遥感目标快速识别分类器;其次对遥感图像提取颜色特征,然后利用Adaboost进行特征挑选、重组,以特征的线性组合作为遥感目标精确识别分类器;最后将得到的快速识别分类器与精确识别分类器进行级联,得到最终的联合分类器,对遥感图像目标进行快速、准确的识别;
对遥感图像提取颜色特征,然后利用Adaboost进行特征挑选、重组,以特征的线性组合作为遥感目标精确识别分类器,具体包括:
(1)输入若干某类遥感目标的训练样本图像RGBi,i=1,...,train_sum,其中,train_sum为训练样本数量,同时输入一幅含有该类目标的遥感训练图像A;
(2)针对每一幅遥感目标的训练样本图像RGBi,将其转换成HIS颜色模型;
(3)利用颜色特征模板窗口去遍历每一个色调图Hi,通过修改色调直方图特征在窗口中的作用范围,可以得到相应的色调统计特征,遍历整张色调图可以得到全局颜色特征,遍历局部色调图就可以得到局部颜色特征;确定色调直方图特征的作用范围以后,通过修改色调直方图特征在窗口的初始位置就可以得到不同的色调统计局部特征,遍历哪个部分色调图就可以得到哪个部分的颜色特征;
因此设可以得到的每一个色调图Hi的颜色特征为{Yi 1,...,Yi j,....,Yi H_sum},其中,Yi j为对应于Hi的一个颜色特征矩阵值,H_sum为该色调图得到的特征值的总数量值;
(5)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的test_sum_A个子图像;
(7)针对遥感训练图像A中的子图像,基于颜色特征依次进行判断,求出满足下列约束的最优解:
通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像;
(8)首先赋予每一个子图像相同的权重,赋予每一个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断结果也就已知是否正确,通过计算分类错误样本的权重就可以知道其误差率,误差率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系数;针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后,用挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待判定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选此轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差,直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分类器如此级联在一起就可以形成精确识别分类器。
2.如权利要求1所述的有效的遥感图像目标识别方法,其特征在于:对遥感图像提取Harr特征,然后利用Adaboost进行特征挑选、重组,以特征的线性组合作为遥感目标快速识别分类器,具体包括:
(1)输入若干某类遥感目标的训练样本图像RGBi,i=1,...,train_sum,其中,train_sum为训练样本数量,同时输入一幅含有该类目标的遥感训练图像A;
(2)针对每一幅遥感目标的训练样本图像RGBi,将其灰度化,得到其灰度图像grayi,并利用下式将灰度图转换成积分图integrali:
其中integrali(m,n)为积分图中坐标为(m,n)的值,grayi(k,l)是灰度图中坐标为(k,l)的灰度值,上式说明积分图值的获取是灰度图的一个累积相加的过程;
(3)Harr特征的获取是通过利用Harr特征模板窗口去遍历每一个积分图,在这个过程中,通过修改Harr特征模板在窗口中的作用范围,可以得到相应的全局特征矩阵和局部特征矩阵,遍历整张积分图可以得到全局特征矩阵,遍历局部积分图就可以得到局部特征矩阵;确定Harr特征模板的作用范围以后,通过修改Harr特征模板在窗口的初始位置就可以得到不同的局部特征矩阵,遍历哪个部分的积分图就可以得到哪个部分的局部特征矩阵;确定Harr特征模板的作用范围和初始位置以后,通过修改Harr特征模板的类别就可以得到完全不同类别的全局特征矩阵和局部特征矩阵;
(5)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的test_sum_A个子图像;
(7)针对遥感训练图像A中的子图像,基于Harr特征依次进行判断,求出满足下列约束的最优解:
通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像;
(8)首先赋予每一个子图像相同的权重,赋予每一个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断结果也就已知是否正确,通过计算分类错误样本的权重就可以知道其误差率,误差率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系数;针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后,用挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待判定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选此轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差,直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分类器如此级联在一起就可以形成快速识别分类器,有助于提高判断精确性。
3.如权利要求1所述的有效的遥感图像目标识别方法,其特征在于,将得到的快速识别分类器与精确识别分类器进行级联,得到最终的联合分类器,并用于识别阶段,具体包括:
第一,给定一幅待测试的遥感图像B,划分成与训练样本图像尺寸大小相同的test_sum_B个子图像;
第三,针对测试图像B中的子图像,基于Harr特征依次进行快速分类,求出满足下列约束的最优解:
通过求取最优解,即可以初步快速识别出遥感测试图像B中的每一个子图像是否为遥感目标图像;
第五,针对测试图像B中的子图像,基于颜色特征依次进行精确分类,求出满足下列约束的最优解:
通过求取最优解,即可以进一步精确识别出遥感测试图像B中的每一个子图像是否为遥感目标图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710659364.4A CN107463957B (zh) | 2017-08-04 | 2017-08-04 | 一种有效的遥感图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710659364.4A CN107463957B (zh) | 2017-08-04 | 2017-08-04 | 一种有效的遥感图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463957A CN107463957A (zh) | 2017-12-12 |
CN107463957B true CN107463957B (zh) | 2020-04-03 |
Family
ID=60548203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710659364.4A Active CN107463957B (zh) | 2017-08-04 | 2017-08-04 | 一种有效的遥感图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463957B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530640A (zh) * | 2013-11-07 | 2014-01-22 | 沈阳聚德视频技术有限公司 | 基于AdaBoost与SVM的无牌车辆检测方法 |
CN104298969A (zh) * | 2014-09-25 | 2015-01-21 | 电子科技大学 | 基于颜色与haar特征融合的人群规模统计方法 |
CN104504366A (zh) * | 2014-11-24 | 2015-04-08 | 上海闻泰电子科技有限公司 | 基于光流特征的笑脸识别系统及方法 |
CN104992140A (zh) * | 2015-05-27 | 2015-10-21 | 上海海事大学 | 一种基于遥感图像的海面异常漂浮物检测方法 |
CN106295636A (zh) * | 2016-07-21 | 2017-01-04 | 重庆大学 | 基于多特征融合级联分类器的消防通道车辆检测方法 |
-
2017
- 2017-08-04 CN CN201710659364.4A patent/CN107463957B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530640A (zh) * | 2013-11-07 | 2014-01-22 | 沈阳聚德视频技术有限公司 | 基于AdaBoost与SVM的无牌车辆检测方法 |
CN104298969A (zh) * | 2014-09-25 | 2015-01-21 | 电子科技大学 | 基于颜色与haar特征融合的人群规模统计方法 |
CN104504366A (zh) * | 2014-11-24 | 2015-04-08 | 上海闻泰电子科技有限公司 | 基于光流特征的笑脸识别系统及方法 |
CN104992140A (zh) * | 2015-05-27 | 2015-10-21 | 上海海事大学 | 一种基于遥感图像的海面异常漂浮物检测方法 |
CN106295636A (zh) * | 2016-07-21 | 2017-01-04 | 重庆大学 | 基于多特征融合级联分类器的消防通道车辆检测方法 |
Non-Patent Citations (8)
Title |
---|
Research of Pedestrian Detection for Intelligent Vehicle Based on Machine Vision;Guo Lie et al.;《Proceedings of the 2009 IEEE International Conference on Robotics and Biomimetics》;20091223;第1172-1177页 * |
Research on Passenger Flow Counting based on Embedded System;Bin Hu et al.;《2014 IEEE 17th International Conference on Intelligent Transportation Systems (ITSC)》;20141011;第3116-3119页 * |
Traffic Sign Detection and Recognition for Intelligent Vehicle;Long Chen et al.;《2011 IEEE Intelligent Vehicles Symposium (IV)》;20110609;第908-913页 * |
基于AdaBoost的人行横道红绿灯自动识别算法;徐丽珍等;《计算机应用于软件》;20100331;第27卷(第3期);第241-243、251页 * |
基于Adaboost算法和颜色特征的公交车辆视频检测;邝先验等;《广西师范大学学报(自然科学版)》;20160331;第34卷(第1期);第9-18页 * |
基于类Haar特征和颜色特征的NAO机器人识别;张俊杰等;《计算机与现代化》;20170228(第2期);第30-35页 * |
基于肤色分割与AdaBoost算法的人脸检测研究;陈世刚;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120630(第6期);第I138-1847页 * |
基于颜色特征和改进Adaboost算法的麦穗识别的研究;赵锋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150331(第3期);第I138-2389页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107463957A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
JP5567448B2 (ja) | 画像領域分割装置、画像領域分割方法および画像領域分割プログラム | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN107220664B (zh) | 一种基于结构化随机森林的油瓶装箱清点方法 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN108520215B (zh) | 基于多尺度联合特征编码器的单样本人脸识别方法 | |
CN112347888A (zh) | 基于双向特征迭代融合的遥感图像场景分类方法 | |
CN111695633A (zh) | 基于rpf-cam的低照度目标检测方法 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN107657271A (zh) | 基于长短时记忆网络的高光谱图像分类方法 | |
CN108734199A (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN110852369B (zh) | 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法 | |
CN109815923B (zh) | 基于lbp特征与深度学习的金针菇菇头分选识别方法 | |
CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
CN110827265A (zh) | 基于深度学习的图片异常检测方法 | |
CN110751195A (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
CN109002771A (zh) | 一种基于递归神经网络的遥感图像分类方法 | |
CN112560949B (zh) | 基于多级统计学特征提取的高光谱分类方法 | |
CN114387454A (zh) | 一种基于区域筛选模块和多层次对比的自监督预训练方法 | |
CN116630828B (zh) | 基于地形环境适配的无人机遥感信息采集系统及方法 | |
JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム | |
CN112215303A (zh) | 一种基于自学属性的图像理解方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |