CN108805022A - 一种基于多尺度centrist特征的遥感场景分类方法 - Google Patents
一种基于多尺度centrist特征的遥感场景分类方法 Download PDFInfo
- Publication number
- CN108805022A CN108805022A CN201810394618.9A CN201810394618A CN108805022A CN 108805022 A CN108805022 A CN 108805022A CN 201810394618 A CN201810394618 A CN 201810394618A CN 108805022 A CN108805022 A CN 108805022A
- Authority
- CN
- China
- Prior art keywords
- centrist
- features
- multiple dimensioned
- subgraph
- remote sensing
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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
- G06V10/46—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]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度CENTRIST特征的高分辨率遥感场景分类方法,其步骤:首先将图像按照空间金字塔结构进行分解为子图像,然后对每个子图像采用多尺度CENTRIST算子提取每个尺度的CENTRIST特征,对每个尺度的CENTRIST特征进行融合,将这些子图像的多尺度CENTRIST特征进行串接形成该场景的全局特征表达,最后采用SVM算法进行分类。本发明能够实现对图像纹理信息的多尺度表达,提高分类精度。
Description
技术领域
本发明涉及遥感场景分类技术领域,特别是一种基于多尺度CENTRIST特征的遥感场景分类方法。
背景技术
随着遥感技术的快速发展,高分辨率遥感图像的数量也急剧增加,对高分辨率遥感图像的场景分类的需求也变得越来越迫切。相比于中低分辨率遥感图像,高分辨率图像能够提供地物更加清晰的空间布局,更加精细的纹理和尺寸信息,更加丰富的几何结构,但同时也带来同类地物的光谱差异性增强,不同地物的光谱异质性降低等问题。因此,由于遥感场景的复杂性和多变性,使得智能化的场景分类成为一项挑战性的工作。
当前图像分类方法大致可分为两类:一类是基于局部特征的描述方法,另一类是基于全局特征的描述方法。常见的局部特征包括:SIFT,HOG等,而常见的全局特征包括:颜色直方图、Gabor纹理特征、CENTRIST(census transform histogram)特征等。文献[Wu, J.& Rehg, J.M. 2011. “CENTRIST: A Visual Descriptor for Scene Categorization.”IEEE Transactions on Pattern Analysis and Machine Intelligence 33:1489-1501.]提出CENTRIST特征进行场景分类,CENTRIST特征能够对图像中的结构特性进行编码并抑制详细的纹理信息,对于场景识别具有很强的适应性。另外它很容易实现和运算速度非常快。储等人[Chu, W., Chen, C. and Hsu, H. 2014. “Color CENTRIST: Embedding colorinformation in scene categorization.” Journal of Visual Communication andImage Representation 25: 840-854.]提出了将颜色信息融入到CENTRIST特征中,形成彩色CENTRIST特征。由于CENTRIST算子仅考虑局部区域灰度的符号部分而忽略了数值部分,孟等人[Meng, X., Wang, Z. & Wu, L. 2012. “Building global image features forscene recognition.” Pattern Recognition 45:373-380.]通过引入局部差分幅度信息,提出基于局部差分二进制模式。袁等人[Baohua Yuan, Shijin Li, "Extended censustransform histogram for land-use scene classification," J. Appl. Remote Sens.11(2), 025003 (2017)]提出扩展CENTRIST,通过3种不同结构的CENTRIST算子来获取不同的纹理特征,然后将其融合形成图像的整体特征。
上述现有技术虽然各有特点,但普遍存在对某些特定类别的场景分类精度高而对其他类别的场景的分类精度不太理想。
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多尺度CENTRIST特征的遥感场景分类方法,能够获得很好的分类精度。
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多尺度CENTRIST特征的遥感场景分类方法,包括训练阶段和测试阶段,
所述训练阶段包括以下步骤:
步骤1、采用空间金字塔将训练样本图像分解为若干训练子图像;
步骤2、采用多尺度的CENTRIST分别提取每个训练子图像的CENTRIST特征;
步骤3、针对每个训练子图像,将多尺度的CENTRIST特征串接起来形成该训练子图像的多尺度CENTRIST特征;
步骤4、将每个训练子图像的多尺度CENTRIST特征进行串接,从而形成该训练样本图像的全局特征并对一个分类器进行训练,得到分类器模型;
所述测试阶段包括以下步骤:
步骤5、采用与步骤1相同的空间金字塔,将测试样本图像分解为若干测试子图像;
步骤6、采用多尺度的CENTRIST分别提取每个测试子图像的CENTRIST特征;
步骤7、针对每个测试子图像,将多尺度的CENTRIST特征进行串接,形成该测试子图像的多尺度CENTRIST特征;
步骤8、对上述的每个测试子图像的多尺度CENTRIST特征串接形成整体特征并利用训练阶段获得的分类器模型进行分类。
作为本发明所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案,训练子图像的大小相同。
作为本发明所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案,所述多尺度CENTRIST特征由至少两个不同大小邻域的CENTRIST特征组合而成。
作为本发明所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案, 每个邻域的CENTRIST从邻域像素中选择8个像素,选择的原则通过随机选取、等间隔选取、相邻像素的平均值或中值方法确定。
作为本发明所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案,采用周围像素8个,中间像素1个计算CENTRIST特征;具体如下:
将当前中心像素点与其周围像素点作比较:周围像素点的像素值大于或等于当前中心像素点的像素值时,记为0;小于当前中心像素点的像素值时,记为1;
按照设定顺序获得二进制编码;
根据二进制编码获得十进制的CENTRIST特征。
作为本发明所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案,所述顺序为顺时针或逆时针,在同一图像处理中保持相同的顺序。
作为本发明所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案,步骤4中分类器采用SVM分类器。
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)本发明方法使用多尺度CENTRIST提取特征,通过多尺度,得到了更多的纹理信息,更好地表达样本特征;
(2)本发明利用多尺度CENTRIST提取图像的整体特征,具有很好的判别性和鲁棒性。
附图说明
图1是本发明具体实施方式中的训练过程。
图2为本发明具体实施方式中的测试过程。
图3为基于多尺度CENTRIST特征的遥感场景分类的流程图。
图4是空间金字塔结构。
图5是多尺度CENTRIST示意图。
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:
尽管CENTRIST能够提取图像的纹理特征,但是由于其邻域大小仅为3×3,不足以充分表达更大区域的纹理特征,如何有效地描述更大区域的纹理特征以及如何融入多尺度信息都是需要考虑的问题。
图3为基于多尺度CENTRIST特征的遥感场景分类的流程图,本发明基于以上思路,首先利用空间金字塔将遥感图像分成若干子图像,然后对每个子图像采用多尺度的CENTRIST进行特征提取并将其串接表示成多尺度CENTRIST特征,最后将不同子图像多尺度CENTRIST特征进行串接从而形成图像的整体特征,最后采用SVM分类器进行场景分类。
一种基于多尺度CENTRIST特征的遥感场景分类方法,包括训练阶段和测试阶段,
图1是本发明具体实施方式中的训练过程,所述训练阶段包括以下步骤:
步骤1、采用空间金字塔将训练样本图像分解为若干训练子图像;
步骤2、采用多尺度的CENTRIST分别提取每个训练子图像的CENTRIST特征;
步骤3、针对每个训练子图像,将多尺度的CENTRIST特征串接起来形成该训练子图像的多尺度CENTRIST特征;
步骤4、将每个训练子图像的多尺度CENTRIST特征进行串接,从而形成该训练样本图像的全局特征并对一个分类器进行训练,得到分类器模型;
图2为本发明具体实施方式中的测试过程,所述测试阶段包括以下步骤:
步骤5、采用与步骤1相同的空间金字塔,将测试样本图像分解为若干测试子图像;
步骤6、采用多尺度的CENTRIST分别提取每个测试子图像的CENTRIST特征;
步骤7、针对每个测试子图像,将多尺度的CENTRIST特征进行串接,形成该测试子图像的多尺度CENTRIST特征;
步骤8、对上述的每个测试子图像的多尺度CENTRIST特征串接形成整体特征并利用训练阶段获得的分类器模型进行分类。
为了便于公众理解,下面以本发明的一个优选实施例来对本发明的技术方案进行详细说明。
步骤1,采用如图4所示的空间金字塔对图像进行分块。第一层金字塔的图像为原图像大小的1/16,第二层为原图像大小的1/4,第三层为原图像大小。第二层图像按照如图4所示均分为4块,中间1块,共5块子图像。第三层按照如图4所示均分为16块,中间为9块,共25块子图像。这样,采用三层空间金字塔共把图像分为31块大小为原图像1/16的子图像。
步骤2,提取特征
采用3×3,5×5,7×7,三个不同尺度的CENTRIST对步骤1中的每个子图像提取CENTRIST特征,然后将这三种不同尺度的CENTRIST特征进行串接,形成每个子图像的多尺度CENTRIST特征。
所述多尺度CENTRIST,采用局部区域分别为3×3,5×5,7×7,如图5所示,标记字母F的像素为3×3区域所取8个邻域像素,标记字母S的像素为5×5区域所取8个邻域像素,标记字母T的像素为7×7区域所取8个邻域像素。按照相似的方法能够将尺度扩展到9×9等,可以根据不同的要求将这些尺度自由组合从而形成多尺度CENTRIST。
步骤3,特征融合
将每个子图像多尺度的CENTRIST特征进行拼接起来,形成该图像的整体特征。
步骤4,分类
利用训练图像集训练分类模型,即得到全局特征分类器,本实施例中所使用的分类模型为SVM。对测试样本,也采用步骤1-3方法提取整体特征,然后采用SVM进行分类,最终得到该测试样本准确的场景类别。
所述分类器,采用SVM分类器;在步骤2中,所述CENTRIST为现有技术,详细内容可参考文献[Wu, J. & Rehg, J.M. 2011. “CENTRIST: A Visual Descriptor for SceneCategorization.” IEEE Transactions on Pattern Analysis and MachineIntelligence 33:1489-1501.]。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于多尺度CENTRIST特征的遥感场景分类方法,其特征在于,包括训练阶段和测试阶段,
所述训练阶段包括以下步骤:
步骤1、采用空间金字塔将训练样本图像分解为若干训练子图像;
步骤2、采用多尺度的CENTRIST分别提取每个训练子图像的CENTRIST特征;
步骤3、针对每个训练子图像,将多尺度的CENTRIST特征串接起来形成该训练子图像的多尺度CENTRIST特征;
步骤4、将每个训练子图像的多尺度CENTRIST特征进行串接,从而形成该训练样本图像的全局特征并对一个分类器进行训练,得到分类器模型;
所述测试阶段包括以下步骤:
步骤5、采用与步骤1相同的空间金字塔,将测试样本图像分解为若干测试子图像;
步骤6、采用多尺度的CENTRIST分别提取每个测试子图像的CENTRIST特征;
步骤7、针对每个测试子图像,将多尺度的CENTRIST特征进行串接,形成该测试子图像的多尺度CENTRIST特征;
步骤8、对上述的每个测试子图像的多尺度CENTRIST特征串接形成整体特征并利用训练阶段获得的分类器模型进行分类。
2.根据权利要求1所述的一种基于多尺度CENTRIST特征的遥感场景分类方法,其特征在于,训练子图像的大小相同。
3.根据权利要求1所述的一种基于多尺度CENTRIST特征的遥感场景分类方法,其特征在于,所述多尺度CENTRIST特征由至少两个不同大小邻域的CENTRIST特征组合而成。
4.根据权利要求3所述的一种基于多尺度CENTRIST特征的遥感场景分类方法,其特征在于,每个邻域的CENTRIST从邻域像素中选择8个像素,选择的原则通过随机选取、等间隔选取、相邻像素的平均值或中值方法确定。
5.根据权利要求1所述的一种基于多尺度CENTRIST特征的遥感场景分类方法,其特征在于,采用周围像素8个,中间像素1个计算CENTRIST特征;具体如下:
将当前中心像素点与其周围像素点作比较:周围像素点的像素值大于或等于当前中心像素点的像素值时,记为0;小于当前中心像素点的像素值时,记为1;
按照设定顺序获得二进制编码;
根据二进制编码获得十进制的CENTRIST特征。
6.根据权利要求5所述的一种基于多尺度CENTRIST特征的遥感场景分类方法,其特征在于,所述顺序为顺时针或逆时针,在同一图像处理中保持相同的顺序。
7.根据权利要求1所述的一种基于多尺度CENTRIST特征的遥感场景分类方法,其特征在于,步骤4中分类器采用SVM分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810394618.9A CN108805022A (zh) | 2018-04-27 | 2018-04-27 | 一种基于多尺度centrist特征的遥感场景分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810394618.9A CN108805022A (zh) | 2018-04-27 | 2018-04-27 | 一种基于多尺度centrist特征的遥感场景分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805022A true CN108805022A (zh) | 2018-11-13 |
Family
ID=64094115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810394618.9A Pending CN108805022A (zh) | 2018-04-27 | 2018-04-27 | 一种基于多尺度centrist特征的遥感场景分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805022A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857889A (zh) * | 2018-12-19 | 2019-06-07 | 苏州科达科技股份有限公司 | 一种图像检索方法、装置、设备及可读存储介质 |
CN110097073A (zh) * | 2019-03-19 | 2019-08-06 | 中国地质大学(武汉) | 一种基于生物视觉特征的地面利用遥感场景图像分类方法 |
CN110427970A (zh) * | 2019-07-05 | 2019-11-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110555446A (zh) * | 2019-08-19 | 2019-12-10 | 北京工业大学 | 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110229031A1 (en) * | 2010-03-16 | 2011-09-22 | Honda Motor Co., Ltd. | Detecting and labeling places using runtime change-point detection and place labeling classifiers |
CN103473570A (zh) * | 2013-08-16 | 2013-12-25 | 电子科技大学 | 自适应视频场景的行人检测方法 |
CN104063682A (zh) * | 2014-06-03 | 2014-09-24 | 上海交通大学 | 一种基于边缘分级和centrist特征的行人检测方法 |
CN104680173A (zh) * | 2015-01-26 | 2015-06-03 | 河海大学 | 一种遥感图像场景分类方法 |
CN104794440A (zh) * | 2015-04-15 | 2015-07-22 | 杭州景联文科技有限公司 | 一种基于多分块多尺度lbp的假指纹检测方法 |
-
2018
- 2018-04-27 CN CN201810394618.9A patent/CN108805022A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110229031A1 (en) * | 2010-03-16 | 2011-09-22 | Honda Motor Co., Ltd. | Detecting and labeling places using runtime change-point detection and place labeling classifiers |
CN103473570A (zh) * | 2013-08-16 | 2013-12-25 | 电子科技大学 | 自适应视频场景的行人检测方法 |
CN104063682A (zh) * | 2014-06-03 | 2014-09-24 | 上海交通大学 | 一种基于边缘分级和centrist特征的行人检测方法 |
CN104680173A (zh) * | 2015-01-26 | 2015-06-03 | 河海大学 | 一种遥感图像场景分类方法 |
CN104794440A (zh) * | 2015-04-15 | 2015-07-22 | 杭州景联文科技有限公司 | 一种基于多分块多尺度lbp的假指纹检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857889A (zh) * | 2018-12-19 | 2019-06-07 | 苏州科达科技股份有限公司 | 一种图像检索方法、装置、设备及可读存储介质 |
CN109857889B (zh) * | 2018-12-19 | 2021-04-09 | 苏州科达科技股份有限公司 | 一种图像检索方法、装置、设备及可读存储介质 |
CN110097073A (zh) * | 2019-03-19 | 2019-08-06 | 中国地质大学(武汉) | 一种基于生物视觉特征的地面利用遥感场景图像分类方法 |
CN110427970A (zh) * | 2019-07-05 | 2019-11-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
WO2021003938A1 (zh) * | 2019-07-05 | 2021-01-14 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110427970B (zh) * | 2019-07-05 | 2023-08-01 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110555446A (zh) * | 2019-08-19 | 2019-12-10 | 北京工业大学 | 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法 |
CN110555446B (zh) * | 2019-08-19 | 2023-06-02 | 北京工业大学 | 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103761531B (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
CN103208001B (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN105574550B (zh) | 一种车辆识别方法及装置 | |
CN106056155B (zh) | 基于边界信息融合的超像素分割方法 | |
CN103247036B (zh) | 多曝光图像融合方法和装置 | |
CN108805022A (zh) | 一种基于多尺度centrist特征的遥感场景分类方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN108280397B (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
CN106096542B (zh) | 基于距离预测信息的图像视频场景识别方法 | |
CN106127196A (zh) | 基于动态纹理特征的人脸表情的分类与识别方法 | |
CN105825183B (zh) | 基于部分遮挡图像的人脸表情识别方法 | |
CN104715238A (zh) | 一种基于多特征融合的行人检测方法 | |
CN105893925A (zh) | 基于肤色的人手检测方法及装置 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN109086668A (zh) | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN105139004A (zh) | 基于视频序列的人脸表情识别方法 | |
CN103514456A (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
CN107480620A (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
CN107092884A (zh) | 一种快速粗精级联行人检测方法 | |
CN106023098B (zh) | 基于张量结构多字典学习与稀疏编码的图像修补方法 | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |
|
RJ01 | Rejection of invention patent application after publication |