CN108537238A - 一种遥感影像分类与检索方法 - Google Patents
一种遥感影像分类与检索方法 Download PDFInfo
- Publication number
- CN108537238A CN108537238A CN201810332114.4A CN201810332114A CN108537238A CN 108537238 A CN108537238 A CN 108537238A CN 201810332114 A CN201810332114 A CN 201810332114A CN 108537238 A CN108537238 A CN 108537238A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image
- scale space
- retrieval
- 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.)
- Withdrawn
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于数字图像处理技术领域,具体涉及一种遥感影像分类与检索方法,工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像,采用尺度不变特征变换在遥感影像不同尺度空间上查找分类的局部特征,采用通用搜索树构造遥感影像的全局特征,并引入高斯权函数,进行局部特征与全局特征的正则化融合,在正则化局部特征与全局特征融合的基础上开展遥感影像的分类,最终实现影像的检索;其原理科学合理,遥感影像局部特征与全局特征的融合能够全面的刻画遥感影像的多尺度、空间和纹理特征,使得大小及方向各异的地物被完整分类。
Description
技术领域:
本发明属于数字图像处理技术领域,涉及一种遥感影像分类与检索方法,采用具有尺度不变特征的分类方法,基于通用搜索树和改进词袋模型,实现对遥感影像的分类与检索。
背景技术:
随着卫星遥感和无人机低空数码航测技术的发展,高分辨率影像在地学理解和分析应用的主要障碍已经不再是数据源的不足,而是从遥感影像中提取更丰富、更有用和更可靠信息的技术与能力。遥感影像(Remote Sensing Image,RS)是指记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片,用计算机处理的遥感影像必须是数字图像,以摄影方式获取的模拟图像必须用图像扫描仪等进行模数(A/D)转换;以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的CCT等通用载体上,计算机图像处理要在图像处理系统中进行,图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入,输出,校正,变换,分类等功能)构成,图像处理内容主要包括校正、变换和分类。遥感影像分类是地物解译与特征提取的重要环节,根据光谱特征、空间结构特征或其他信息对地球表面及其环境进行自动判别分类。遥感影像分类根据分类对象可分为基于像元、基于对象和基于混合像元分类方法:基于像元的遥感影像分类方法是使用统计学习计算每个图像像元的光谱或纹理或结构信息进行判别分类;基于对象的遥感影像分类方法综合考虑空间、纹理信息使分类的依据是对象而不是单个像元;基于混合像元的遥感影像分类方法是通过在一个像元内包含多种地物的像元进行分类,克服“异物同谱”问题。为克服传统模式识别分类方法的缺点,机器学习模式识别领域的智能计算方法与技术被引入遥感影像的多分类研究中,但由于分类之前采用维数约减,会损失一部分影像信息,分类常出现错分、漏分、分类精度不高等问题。
为了提高遥感影像分类效率,分类过程的智能计算方法与技术被应用到高光谱高分辨率遥感影像的维数约减与智能分类中,根据波段选择是否采用学习算法,维数约减方法包括包装袋和滤波器:包装袋方法首先采用人工智能算法(包括支持向量机、遗传算法、粒子群算法、蚁群算法或其算法组合)进行分类精度的训练,然后将分类精度作为适应度函数评价所选波段集合。随着人工智能的迅猛发展,决策树、随机森林、神经网络、支持向量机和最新的卷积神经网络等先进的分类技术聚焦于高分辨率遥感影像分类,并取得较好的研究成果。
为了提高遥感影像分类精度和计算效率,包括词袋模型的局部特征算法被用于遥感影像的维数约减,词袋模型的基本原理(Bag of words)如下:假设有5类图像,每一类中有10幅图像,每一幅图像划分成patch(可以是刚性分割也可以是像SIFT基于关键点检测的),每一个图像由多个patch表示,每一个patch用一个特征向量来表示,一幅图像有成百上千个patch,每一个patch特征向量的维数128,假设Dictionary词典的Size为100,用K-means算法对所有的patch进行聚类,k=100,等k-means收敛时,得到每一个cluster最后的质心,这100个质心(维数128)就是词典里的100个词了,词典构建完毕,先初始化一个100个bin的初始值为0的直方图h,再次计算每一幅图像的patch和每一个质心的距离,看看每一个patch离哪一个质心最近,那么直方图h中相对应的bin就加1,计算完这幅图像所有的patches之后,得到一个bin=100的直方图,进行归一化,用这个100维的向量来表示这幅图像;但词袋模型通常聚焦于局部图像特征的提取,无法表达遥感影像包括纹理与空间结构的全局特征,降低了遥感影像分类的准确度。
中国专利201310239255.9公开的一种基于视觉显著点特征的遥感影像检索方法,包括对于影像库中的每一幅影像计算显著图并进行一致性区域分割,接着由显著图和区域分割结果计算相应的分割区域显著图,再采用自适应阈值分割算法提取出影像的视觉显著区,然后采用SIFT算子计算影像的局部不变特征,并将位于视觉显著区内的局部不变特征视为视觉显著点特征,进而构建视觉显著点特征矩阵;最后按照相似性度量方法计算查询影像与各候选影像的相似度,并按照相似度从大到小的顺序输出检索结果;中国专利201310652866.6公开的基于显著区域特征的遥感影像检索方法,其特征在于,包括步骤:步骤1,利用视觉注意模型获取影像的显著图;步骤2,将步骤1所得显著图转化为对应的二值化显著图;步骤3,基于原始影像和步骤2所得二值化显著图获取影像的显著区域;步骤4,提取步骤3所获影像显著区域的显著点,基于显著点特征,采用聚类方法对显著点进行聚类,获得描述显著区域特征的特征向量;步骤5,基于步骤4所获特征向量,根据预设的相似性度量准则进行影像检索;中国专利201110424775.8公开的一种基于多智能体系统的遥感影像检索方法,通过设计并实现包括特征智能体、协作智能体、粗检智能体和精检智能体在内的各类智能体各自的任务分工以及协作方式,实现遥感影像中各类视觉特征的并行提取和各类视觉特征相似度的并行计算;通过多智能体对用户反馈意见的学习和多智能体之间的相互协作,自适应地优化各类视觉特征在综合特征中所占权重,最终实现符合人类视觉感知特性的遥感影像检索;中国专利201710722726.X公开的一种高光谱遥感影像分类方法,其特征在于:包括以下步骤:S1:选取高光谱遥感图像;S2:根据实际情况对所选图像进行预处理操作;S3:确定感兴趣的地物类别数,构建训练样本集和测试集;S4:进行特征选择和特征变换;S5:构建合适的网络模型;S6:对分类结果进行分析与评价;中国专利201710355440.2公开的一种遥感影像分类方法,其特征在于:包括以下步骤:S1:输入数据,并采用比例混合法对输入的数据进行预处理;S2:对样本进行归一化处理,归一化范围为[-1,1];S3:构建深度卷积神经网络模型;S4:将预处理后的数据按照卷积通道顺序输入深层卷积网络模型进行训练和测试;S5:进行特征提取后得到输出结果,并将输出结果与真实数据进行特征匹配;S6:输出分类结果;中国专利201710087670.5公开的一种基于深度显著性的遥感影像快速检索方法,首先采用全卷积神经网络构建多任务显著性目标检测模型,该模型同时进行显著性检测任务和语义分割任务,在网络预训练过程中学习遥感影像的深度显著性特征,然后改进深度网络结构,加入哈希层微调网络,学习得到遥感影像的二进制哈希码,最后综合利用显著性特征和哈希码进行相似性度量;中国专利201310144047.0公开的一种遥感影像控制点数据检索方法包括:基于待纠正影像的空间初始范围信息概略检索控制点影像片;根据所述待纠正图像的属性信息设置初始检索权重,对所述概略检索到的控制点影像片进行筛选;对所述筛选后的控制点影像片进行基于内容的分析和评价,包括颜色特征分析、纹理特征分析以及基于尺度不变特征变换算法的评价;根据所述分析和评价的结果来判断所述控制点影像片是否符合评价标准,如果检索的结果符合该评价标准,则输出符合评价标准的控制点影像片,如果检索的结果未符合所述评价标准,则修改该评价标准或改变所述初始检索权重,然后再次进行是否符合评价标准的判断或者基于改变的初始检索权重重新进行筛选;以上专利产品方法以及现有技术中的遥感影像分类方法大多是基于像元方法进行分类的,存在分类精度、计算效率和检索效率低的问题,而且在特征构造方面不能融合局部与全局特征。因此,研发一种能够准备表达遥感影像的多尺度、局部和全局特征的遥感影像分类与检索方法,有良好的社会和经济价值,应用前景广阔。
发明内容:
本发明的目的在于克服现有技术存在的缺点,设计一种能够准备表达遥感影像的多尺度、局部和全局特征的遥感影像分类与检索方法,采用具有尺度不变特征的分类方法,基于通用搜索树和改进词袋模型,实现对遥感影像的分类与检索。
为了实现上述目的,本发明涉及的遥感影像分类与检索方法的具体工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像共八个步骤:
(一)构建训练数据集:通过卫星或航拍获取原始遥感影像,采用ENVI(完整的遥感图像处理平台)对遥感影像进行几何校正、去燥和裁切的预处理操作,得到训练数据集,完成遥感影像训练数据集的构建;
(二)构建尺度空间:利用公式1:S(x,y,σ)=G(x,y,σ)×I(x,y)进行原始遥感影像与可变尺度的二维高斯函数卷积运算,其中S为尺度空间,σ为正态分布标准差,即尺度空间因子,G(x,y,σ)为可变尺度的二维高斯函数,I(x,y)为原始遥感影像,原始遥感影像被映射为多尺度的关键点序列,完成遥感影像尺度空间的构建;
(三)构建局部特征:利用公式2:D(x,y,σ)=S(x,y,kσ)-S(x,y,σ)提取尺度空间的关键点,其中D为尺度空间每组影像中相邻上下两层影像相减得到的高斯差分影像,S为尺度空间,σ为尺度空间因子,k为组内总层数的倒数,采用高斯差分算子检测关键点,为尺度不变关键点赋予梯度方向,根据向前差分、向后差分或中心差分计算关键点周围像素梯度方向并绘制直方图,每个像素与所有相邻点比较,在尺度空间寻找极值点,得到局部特征,完成遥感影像局部特征的构建;
(四)构建全局特征:利用空间金字塔方法将原始遥感影像划分为4×4网格,通过Gabor函数:对每个网格在四个尺度和方向进行过滤,其中Z为对尺度空间S的θ组影像进行K级别Gabor过滤的函数表达,为滤波指数函数,(xθ,yθ)代表θ组影像的像素位置,K为过滤器级别,S为尺度空间,σ为尺度空间因子,生成32副相同尺寸的特征映射,滤波后的遥感影像表达为:其中为尺度空间S的θ组影像进行K级别Gabor过滤后得到的影像表达,I为原始遥感影像,完成遥感影像全局特征的构建;
(五)构建正则化分类特征:利用高斯权函数:融合局部特征点和全局特征点,其中w为高斯权重因子,e为自然常数,(x,y)为影像的像素位置,σ为正态分布标准差,构建遥感影像的正则化分类特征:LGF=wL+(1-w)G,其中L为影像的局部特征,G为影像的全局特征,LGF为遥感影像的正则化分类特征,w为权重因子,完成遥感影像正则化分类特征的构建;
(六)构建待分类数据集:重复步骤(三)、(四)和(五)直至训练数据集为空,得到包含局部特征和全局特征的待分类数据集,完成遥感影像待分类数据集的构建;
(七)构建检索视觉词袋:选用支持向量机libsvm作为遥感影像分类器对遥感影像待分类数据集进行影像分类,完成遥感影像检索视觉词袋的构建;
(八)检索遥感影像:提取一个待检索遥感影像的影像特征,根据原始遥感影像统计特征生成待检索遥感影像的分布直方图,得到待检索遥感影像的K维向量,根据余弦相似定理计算K维向量与检索视觉词袋中每个遥感影像的余弦夹角,夹角越小,相似度越大,夹角越大,相似度越小,实现遥感影像的检索。
本发明与现有技术相比,采用尺度不变特征变换(Scale-invariant featuretransform,SIFT)在遥感影像不同尺度空间上查找分类的局部特征,采用通用搜索树(Generalized Search Tree,GIFT)构造遥感影像的全局特征,并引入高斯权函数,进行局部特征与全局特征的正则化融合,在正则化局部特征与全局特征融合的基础上开展遥感影像的分类,最终实现影像的检索,其中最关键的步骤是遥感影像局部特征与全局特征的提取与融合,因为局部特征向量难以表达遥感影像的包括影像纹理和空间结构特征全局特征,采用通用搜索树提取全局特征向量,能够刻画遥感影像的整体属性,并支持查询谓词的扩展和融合局部特征与全局特征的数据类型,遥感影像的局部特征与全局特征之间存在互补信息,融合不同的遥感影像特征能够提高分类的精确度,通过引入高斯权函数,能够融合局部特征与全局特征构造遥感影像的正则化分类特征;其原理科学合理,遥感影像局部特征与全局特征的融合能够全面的刻画遥感影像的多尺度、空间和纹理特征,使得大小及方向各异的地物被完整分类,避免了错分漏分的现象,能够提高遥感影像检索正确率,为后续遥感影像地物的分析与解译奠定了基础。
附图说明:
图1为本发明的工艺流程框图。
图2为本发明实施例1步骤(一)涉及的船只的原始遥感影像。
图3为本发明实施例1步骤(一)涉及的船只的遥感影像训练数据集。
图4为本发明实施例1步骤(二)涉及的船只的遥感影像尺度空间。
图5为本发明实施例1步骤(五)涉及的船只的遥感影像局部特征点和全局特征点。
图6为本发明实施例1步骤(八)涉及的船只的遥感影像检索结果示意图。
图7为本发明实施例2步骤(一)涉及的商业区的原始遥感影像。
图8为本发明实施例2步骤(一)涉及的商业区的遥感影像训练数据集。
图9为本发明实施例2步骤(二)涉及的商业区的遥感影像尺度空间。
图10为本发明实施例2步骤(五)涉及的商业区的遥感影像局部特征点和全局特征点。
图11为本发明实施例2步骤(八)涉及的商业区的遥感影像检索结果示意图。
图12为本发明实施例3步骤(一)涉及的飞机的原始遥感影像。
图13为本发明实施例3步骤(一)涉及的飞机的遥感影像训练数据集。
图14为本发明实施例3步骤(二)涉及的飞机的遥感影像尺度空间。
图15为本发明实施例3步骤(五)涉及的飞机的遥感影像局部特征点和全局特征点。
图16为本发明实施例3步骤(八)涉及的飞机的遥感影像检索结果示意图。
具体实施方式:
下面通过实施例并结合附图对本发明做进一步描述。
实施例1:
本实施例涉及的遥感影像分类与检索方法的用于检索船只遥感影像的具体工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像共八个步骤:
(一)构建训练数据集:通过卫星或航拍获取船只原始遥感影像,采用ENVI(完整的遥感影像处理平台)对船只遥感影像进行几何校正、去燥和裁切的预处理操作,得到训练数据集,完成船只遥感影像训练数据集的构建;
(二)构建尺度空间:利用公式1:S(x,y,σ)=G(x,y,σ)*I(x,y)进行船只的原始遥感影像与可变尺度的二维高斯函数卷积运算,其中S为尺度空间,σ为正态分布标准差,即尺度空间因子,G(x,y,σ)为可变尺度的二维高斯函数,I(x,y)为原始遥感影像,船只的原始遥感影像被映射为多尺度的关键点序列,完成船只的遥感影像尺度空间的构建;
(三)构建局部特征:利用公式2:D(x,y,σ)=S(x,y,kσ)-S(x,y,σ)提取尺度空间的关键点,其中D为尺度空间每组影像中相邻上下两层影像相减得到的高斯差分影像,S为尺度空间,σ为尺度空间因子,k为组内总层数的倒数,采用高斯差分算子检测关键点,为尺度不变关键点赋予梯度方向,根据向前差分、向后差分或中心差分计算关键点周围像素梯度方向并绘制直方图,每个像素与所有相邻点比较,在尺度空间寻找极值点,得到局部特征,完成船只的遥感影像局部特征的构建;
(四)构建全局特征:利用空间金字塔方法将船只的原始遥感影像划分为4×4网格,通过Gabor函数:对每个网格在四个尺度和方向进行过滤,其中Z为对尺度空间S的θ组影像进行K级别Gabor过滤的函数表达,为滤波指数函数,(xθ,yθ)代表θ组影像的像素位置,K为过滤器级别,S为尺度空间,σ为尺度空间因子,生成32副相同尺寸的特征映射,滤波后的船只遥感影像表达为:其中为尺度空间S的θ组影像进行K级别Gabor过滤后得到的影像表达,I为原始遥感影像,完成船只的遥感影像全局特征的构建;
(五)构建正则化分类特征:利用高斯权函数:融合局部特征点和全局特征点,其中w为高斯权重因子,e为自然常数,(x,y)为影像的像素位置,σ为正态分布标准差,构建的船只遥感影像的正则化分类特征:LGF=wL+(1-w)G,其中L为影像的局部特征,G为影像的全局特征,LGF为遥感影像的正则化分类特征,w为权重因子,完成船只的遥感影像正则化分类特征的构建;
(六)构建待分类数据集:重复步骤(三)、(四)和(五)直至训练数据集为空,得到包含局部特征和全局特征的待分类数据集,完成船只的遥感影像待分类数据集的构建;
(七)构建检索视觉词袋:选用支持向量机libsvm作为遥感影像分类器对船只的遥感影像待分类数据集进行影像分类,完成船只的遥感影像检索视觉词袋的构建;
(八)检索遥感影像:提取一个待检索船只的遥感影像的局部、全局和正则化分类特征,根据原始遥感影像统计特征生成船只的待检索遥感影像的分布直方图,得到待检索船只的遥感影像的K维向量,根据余弦相似定理计算K维向量与检索视觉词袋中每个遥感影像的余弦夹角,夹角越小,相似度越大,夹角越大,相似度越小,实现船只的遥感影像的检索,船只的遥感影像检索结果准确率为92.33%。
实施例2:
本实施例涉及的遥感影像分类与检索方法的用于检索商业区遥感影像的具体工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像共八个步骤:
(一)构建训练数据集:通过卫星或航拍获取商业区原始遥感影像,采用ENVI(完整的遥感图像处理平台)对商业区遥感影像进行几何校正、去燥和裁切的预处理操作,得到训练数据集,完成商业区遥感影像训练数据集的构建;
(二)构建尺度空间:利用公式1:S(x,y,σ)=G(x,y,σ)*I(x,y)进行商业区的原始遥感影像与可变尺度的二维高斯函数卷积运算,其中S为尺度空间,σ为正态分布标准差,即尺度空间因子,G(x,y,σ)为可变尺度的二维高斯函数,I(x,y)为原始遥感影像,商业区的原始遥感影像被映射为多尺度的关键点序列,完成商业区的遥感影像尺度空间的构建;
(三)构建局部特征:利用公式2:D(x,y,σ)=S(x,y,kσ)-S(x,y,σ)提取尺度空间的关键点,其中D为尺度空间每组影像中相邻上下两层影像相减得到的高斯差分影像,S为尺度空间,σ为尺度空间因子,k为组内总层数的倒数,采用高斯差分算子检测关键点,为尺度不变关键点赋予梯度方向,根据向前差分、向后差分或中心差分计算关键点周围像素梯度方向并绘制直方图,每个像素与所有相邻点比较,在尺度空间寻找极值点,得到局部特征,完成商业区的遥感影像局部特征的构建;
(四)构建全局特征:利用空间金字塔方法将商业区的原始遥感影像划分为4×4网格,通过Gabor函数:对每个网格在四个尺度和方向进行过滤,其中Z为对尺度空间S的θ组影像进行K级别Gabor过滤的函数表达,为滤波指数函数,(xθ,yθ)代表θ组影像的像素位置,K为过滤器级别,S为尺度空间,σ为尺度空间因子,生成32副相同尺寸的特征映射,滤波后的商业区遥感影像表达为:其中为尺度空间S的θ组影像进行K级别Gabor过滤后得到的影像表达,I为原始遥感影像,完成商业区的遥感影像全局特征的构建;
(五)构建正则化分类特征:利用高斯权函数:融合局部特征点和全局特征点,其中w为高斯权重因子,e为自然常数,(x,y)为影像的像素位置,σ为正态分布标准差,构建的商业区遥感影像的正则化分类特征:LGF=wL+(1-w)G,其中L为影像的局部特征,G为影像的全局特征,LGF为遥感影像的正则化分类特征,w为权重因子,完成商业区的遥感影像正则化分类特征的构建;
(六)构建待分类数据集:重复步骤(三)、(四)和(五)直至训练数据集为空,得到包含局部特征和全局特征的待分类数据集,完成商业区的遥感影像待分类数据集的构建;
(七)构建检索视觉词袋:选用支持向量机libsvm作为遥感影像分类器对商业区的遥感影像待分类数据集进行影像分类,完成商业区的遥感影像检索视觉词袋的构建;
(八)检索遥感影像:提取一个待检索商业区的遥感影像的局部、全局或正则化分类特征,根据原始遥感影像统计特征生成商业区的待检索遥感影像的分布直方图,得到待检索商业区的遥感影像的K维向量,根据余弦相似定理计算K维向量与检索视觉词袋中每个遥感图像的余弦夹角,夹角越小,相似度越大,夹角越大,相似度越小,实现商业区的遥感影像的检索,商业区的遥感影像检索结果准确率为89.25%。
实施例3:
本实施例涉及的遥感影像分类与检索方法的用于检索飞机遥感影像的具体工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像共八个步骤:
(一)构建训练数据集:通过卫星或航拍获取飞机原始遥感影像,采用ENVI(完整的遥感图像处理平台)对飞机遥感影像进行几何校正、去燥和裁切的预处理操作,得到训练数据集,完成飞机遥感影像训练数据集的构建;
(二)构建尺度空间:利用公式1:S(x,y,σ)=G(x,y,σ)*I(x,y)进行飞机的原始遥感影像与可变尺度的二维高斯函数卷积运算,其中S为尺度空间,σ为正态分布标准差,即尺度空间因子,G(x,y,σ)为可变尺度的二维高斯函数,I(x,y)为原始遥感影像,飞机的原始遥感影像被映射为多尺度的关键点序列,完成飞机的遥感影像尺度空间的构建;
(三)构建局部特征:利用公式2:D(x,y,σ)=S(x,y,kσ)-S(x,y,σ)提取尺度空间的关键点,其中D为尺度空间每组影像中相邻上下两层影像相减得到的高斯差分影像,S为尺度空间,σ为尺度空间因子,k为组内总层数的倒数,采用高斯差分算子检测关键点,为尺度不变关键点赋予梯度方向,根据向前差分、向后差分或中心差分计算关键点周围像素梯度方向并绘制直方图,每个像素与所有相邻点比较,在尺度空间寻找极值点,得到局部特征,完成飞机的遥感影像局部特征的构建;
(四)构建全局特征:利用空间金字塔方法将飞机的原始遥感影像划分为4×4网格,通过Gabor函数:对每个网格在四个尺度和方向进行过滤,其中Z为对尺度空间S的θ组影像进行K级别Gabor过滤的函数表达,为滤波指数函数,(xθ,yθ)代表θ组影像的像素位置,K为过滤器级别,S为尺度空间,σ为尺度空间因子,生成32副相同尺寸的特征映射,滤波后的飞机遥感影像表达为:其中为尺度空间S的θ组影像进行K级别Gabor过滤后得到的影像表达,I为原始遥感影像,完成飞机的遥感影像全局特征的构建;
(五)构建正则化分类特征:利用高斯权函数:融合局部特征点和全局特征点,其中w为高斯权重因子,e为自然常数,(x,y)为影像的像素位置,σ为正态分布标准差,构建的飞机遥感影像的正则化分类特征:LGF=wL+(1-w)G,其中L为影像的局部特征,G为影像的全局特征,LGF为遥感影像的正则化分类特征,w为权重因子,完成飞机的遥感影像正则化分类特征的构建;
(六)构建待分类数据集:重复步骤(三)、(四)和(五)直至训练数据集为空,得到包含局部特征和全局特征的待分类数据集,完成飞机的遥感影像待分类数据集的构建;
(七)构建检索视觉词袋:选用支持向量机libsvm作为遥感影像分类器对飞机的遥感影像待分类数据集进行影像分类,完成飞机的遥感影像检索视觉词袋的构建;
(八)检索遥感影像:提取一个待检索飞机的遥感影像的局部和/或全局特征,根据原始遥感影像统计特征生成飞机的待检索遥感影像的分布直方图,得到待检索飞机的遥感影像的K维向量,根据余弦相似定理计算K维向量与检索视觉词袋中每个遥感图像的余弦夹角,夹角越小,相似度越大,夹角越大,相似度越小,实现飞机的遥感影像的检索,飞机的遥感影像检索结果准确率为95.40%。
Claims (1)
1.一种遥感影像分类与检索方法,其特征在于具体工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像共八个步骤:
(一)构建训练数据集:通过卫星或航拍获取原始遥感影像,采用ENVI对遥感影像进行几何校正、去燥和裁切的预处理操作,得到训练数据集,完成遥感影像训练数据集的构建;
(二)构建尺度空间:利用公式1:S(x,y,σ)=G(x,y,σ)×I(x,y)进行原始遥感影像与可变尺度的二维高斯函数卷积运算,其中S为尺度空间,σ为正态分布标准差,即尺度空间因子,G(x,y,σ)为可变尺度的二维高斯函数,I(x,y)为原始遥感影像,原始遥感影像被映射为多尺度的关键点序列,完成遥感影像尺度空间的构建;
(三)构建局部特征:利用公式2:D(x,y,σ)=S(x,y,kσ)-S(x,y,σ)提取尺度空间的关键点,其中D为尺度空间每组影像中相邻上下两层影像相减得到的高斯差分影像,S为尺度空间,σ为尺度空间因子,k为组内总层数的倒数,采用高斯差分算子检测关键点,为尺度不变关键点赋予梯度方向,根据向前差分、向后差分或中心差分计算关键点周围像素梯度方向并绘制直方图,每个像素与所有相邻点比较,在尺度空间寻找极值点,得到局部特征,完成遥感影像局部特征的构建;
(四)构建全局特征:利用空间金字塔方法将原始遥感影像划分为4×4网格,通过Gabor函数:对每个网格在四个尺度和方向进行过滤,其中Z为对尺度空间S的θ组影像进行K级别Gabor过滤的函数表达,为滤波指数函数,(xθ,yθ)代表θ组影像的像素位置,K为过滤器级别,S为尺度空间,σ为尺度空间因子,生成32副相同尺寸的特征映射,滤波后的遥感影像表达为:其中为尺度空间S的θ组影像进行K级别Gabor过滤后得到的影像表达,I为原始遥感影像,完成遥感影像全局特征的构建;
(五)构建正则化分类特征:利用高斯权函数:融合局部特征点和全局特征点,其中w为高斯权重因子,e为自然常数,(x,y)为影像的像素位置,σ为正态分布标准差,构建遥感影像的正则化分类特征:LGF=wL+(1-w)G,其中L为影像的局部特征,G为影像的全局特征,LGF为遥感影像的正则化分类特征,w为权重因子,完成遥感影像正则化分类特征的构建;
(六)构建待分类数据集:重复步骤(三)、(四)和(五)直至训练数据集为空,得到包含局部特征和全局特征的待分类数据集,完成遥感影像待分类数据集的构建;
(七)构建检索视觉词袋:选用支持向量机libsvm作为遥感影像分类器对遥感影像待分类数据集进行影像分类,完成遥感影像检索视觉词袋的构建;
(八)检索遥感影像:提取一个待检索遥感影像的影像特征,根据原始遥感影像统计特征生成待检索遥感影像的分布直方图,得到待检索遥感影像的K维向量,根据余弦相似定理计算K维向量与检索视觉词袋中每个遥感影像的余弦夹角,夹角越小,相似度越大,夹角越大,相似度越小,实现遥感影像的检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810332114.4A CN108537238A (zh) | 2018-04-13 | 2018-04-13 | 一种遥感影像分类与检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810332114.4A CN108537238A (zh) | 2018-04-13 | 2018-04-13 | 一种遥感影像分类与检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537238A true CN108537238A (zh) | 2018-09-14 |
Family
ID=63480440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810332114.4A Withdrawn CN108537238A (zh) | 2018-04-13 | 2018-04-13 | 一种遥感影像分类与检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537238A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886221A (zh) * | 2019-02-26 | 2019-06-14 | 浙江水利水电学院 | 基于图像显著性检测的采砂船识别方法 |
CN109902192A (zh) * | 2019-01-15 | 2019-06-18 | 华南师范大学 | 基于无监督深度回归的遥感图像检索方法、系统、设备及介质 |
CN110033460A (zh) * | 2019-04-03 | 2019-07-19 | 中国科学院地理科学与资源研究所 | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 |
CN111126467A (zh) * | 2019-12-16 | 2020-05-08 | 武汉大学 | 一种基于多目标正余弦算法的遥感影像空谱聚类方法 |
CN111160273A (zh) * | 2019-12-31 | 2020-05-15 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
CN111160478A (zh) * | 2019-12-31 | 2020-05-15 | 北京理工大学重庆创新中心 | 一种基于深度学习的高光谱目标显著性检测方法 |
CN111582104A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种遥感图像语义分割方法及装置 |
CN111652034A (zh) * | 2019-12-27 | 2020-09-11 | 珠海大横琴科技发展有限公司 | 一种基于sift算法的船只检索方法及装置 |
CN113177456A (zh) * | 2021-04-23 | 2021-07-27 | 西安电子科技大学 | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 |
CN113688808A (zh) * | 2021-10-26 | 2021-11-23 | 南京信息工程大学 | 一种基于拉普拉斯金字塔遥感图像融合的滑坡体识别方法 |
US20220172462A1 (en) * | 2020-02-13 | 2022-06-02 | Tencent Technology (Shenzhen) Company Limited | Image processing method, apparatus, and device, and storage medium |
CN116955671A (zh) * | 2023-09-20 | 2023-10-27 | 吉林大学 | 细粒度图像检索方法及装置 |
-
2018
- 2018-04-13 CN CN201810332114.4A patent/CN108537238A/zh not_active Withdrawn
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902192A (zh) * | 2019-01-15 | 2019-06-18 | 华南师范大学 | 基于无监督深度回归的遥感图像检索方法、系统、设备及介质 |
CN109886221A (zh) * | 2019-02-26 | 2019-06-14 | 浙江水利水电学院 | 基于图像显著性检测的采砂船识别方法 |
CN110033460A (zh) * | 2019-04-03 | 2019-07-19 | 中国科学院地理科学与资源研究所 | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 |
CN111126467A (zh) * | 2019-12-16 | 2020-05-08 | 武汉大学 | 一种基于多目标正余弦算法的遥感影像空谱聚类方法 |
CN111126467B (zh) * | 2019-12-16 | 2022-02-15 | 武汉大学 | 一种基于多目标正余弦算法的遥感影像空谱聚类方法 |
CN111652034A (zh) * | 2019-12-27 | 2020-09-11 | 珠海大横琴科技发展有限公司 | 一种基于sift算法的船只检索方法及装置 |
CN111160273A (zh) * | 2019-12-31 | 2020-05-15 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
CN111160478A (zh) * | 2019-12-31 | 2020-05-15 | 北京理工大学重庆创新中心 | 一种基于深度学习的高光谱目标显著性检测方法 |
CN111160478B (zh) * | 2019-12-31 | 2022-07-26 | 北京理工大学重庆创新中心 | 一种基于深度学习的高光谱目标显著性检测方法 |
US20220172462A1 (en) * | 2020-02-13 | 2022-06-02 | Tencent Technology (Shenzhen) Company Limited | Image processing method, apparatus, and device, and storage medium |
CN111582104A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种遥感图像语义分割方法及装置 |
CN111582104B (zh) * | 2020-04-28 | 2021-08-06 | 中国科学院空天信息创新研究院 | 基于自注意特征聚合网络的遥感图像语义分割方法及装置 |
CN113177456A (zh) * | 2021-04-23 | 2021-07-27 | 西安电子科技大学 | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 |
CN113177456B (zh) * | 2021-04-23 | 2023-04-07 | 西安电子科技大学 | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 |
CN113688808A (zh) * | 2021-10-26 | 2021-11-23 | 南京信息工程大学 | 一种基于拉普拉斯金字塔遥感图像融合的滑坡体识别方法 |
CN113688808B (zh) * | 2021-10-26 | 2022-02-11 | 南京信息工程大学 | 一种基于拉普拉斯金字塔遥感图像融合的滑坡体识别方法 |
US11521377B1 (en) | 2021-10-26 | 2022-12-06 | Nanjing University Of Information Sci. & Tech. | Landslide recognition method based on laplacian pyramid remote sensing image fusion |
CN116955671A (zh) * | 2023-09-20 | 2023-10-27 | 吉林大学 | 细粒度图像检索方法及装置 |
CN116955671B (zh) * | 2023-09-20 | 2023-12-01 | 吉林大学 | 细粒度图像检索方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537238A (zh) | 一种遥感影像分类与检索方法 | |
Shendryk et al. | Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery | |
Su et al. | Rock classification in petrographic thin section images based on concatenated convolutional neural networks | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
CN110992217B (zh) | 一种外观设计专利多视图特征表示、检索的方法及装置 | |
Xia et al. | Deep extraction of cropland parcels from very high-resolution remotely sensed imagery | |
CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
Wang et al. | TransEffiDet: aircraft detection and classification in aerial images based on EfficientDet and transformer | |
Kowalczuk et al. | Classification of objects in the LIDAR point clouds using Deep Neural Networks based on the PointNet model | |
CN105069459B (zh) | 一种针对高分辨率sar图像地物类型提取方法 | |
Wang et al. | Material-aware Cross-channel Interaction Attention (MCIA) for occluded prohibited item detection | |
El-Rahman et al. | Hyperspectral image analysis for oil spill detection: A comparative study | |
Bhatt et al. | Content-based high-resolution satellite image classification | |
Tu et al. | Detection of damaged rooftop areas from high-resolution aerial images based on visual bag-of-words model | |
Tombe et al. | Adaptive deep co-occurrence feature learning based on classifier-fusion for remote sensing scene classification | |
Al-Ghrairi et al. | Classification of satellite images based on color features using remote sensing | |
Kazimi et al. | Semantic segmentation of manmade landscape structures in digital terrain models | |
Chen et al. | Improved fast r-cnn with fusion of optical and 3d data for robust palm tree detection in high resolution uav images | |
KR102158967B1 (ko) | 영상 분석 장치, 영상 분석 방법 및 기록 매체 | |
Li et al. | Evaluation the performance of fully convolutional networks for building extraction compared with shallow models | |
Janu et al. | Query-based image retrieval using SVM | |
CN107392926A (zh) | 基于前期土地专题图的遥感影像特征选择方法 | |
Zhao et al. | Spectral-spatial classification integrating band selection for hyperspectral imagery with severe noise bands | |
CN105844299A (zh) | 一种基于词袋模型的图像分类方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180914 |
|
WW01 | Invention patent application withdrawn after publication |