CN110796176B - 一种基于像素对和加权投票的高分辨率影像分类方法和系统 - Google Patents

一种基于像素对和加权投票的高分辨率影像分类方法和系统 Download PDF

Info

Publication number
CN110796176B
CN110796176B CN201910953683.5A CN201910953683A CN110796176B CN 110796176 B CN110796176 B CN 110796176B CN 201910953683 A CN201910953683 A CN 201910953683A CN 110796176 B CN110796176 B CN 110796176B
Authority
CN
China
Prior art keywords
pixel
pair
classification
image
neighborhood
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
Application number
CN201910953683.5A
Other languages
English (en)
Other versions
CN110796176A (zh
Inventor
张齐
肖窈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910953683.5A priority Critical patent/CN110796176B/zh
Publication of CN110796176A publication Critical patent/CN110796176A/zh
Application granted granted Critical
Publication of CN110796176B publication Critical patent/CN110796176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于像素对和加权投票的高分辨率影像分类方法。该方法首先对影像中的所有像素进行结对处理形成一系列像素对，并以像素对作为影像分类的基本单元，在不同结对模式下对影像进行初始分类获得一系列初始分类结果。然后，评估结对形成的每个像素对的结对适宜度。最后，以结对适宜度作为权重，对初始分类的结果进行加权投票来获得影像最终的分类图。本发明提出的分类方法有效考虑影像中像素之间在空间上的关联性来提升高分辨率影像分类的精度和可靠性。本发明的优点在于通过借助面向对象分类的像素集群分类优势来克服单像素分类方法天然具备的分类不确定性，同时又能避免面向对象分类中不准确的影像分割所引起的高分类不确定性。

Description

一种基于像素对和加权投票的高分辨率影像分类方法和系统
技术领域
本发明属于遥感图像处理领域，特别是涉及一种基于像素对和加权投票的高分辨率影像分类方法和系统。
背景技术
高分辨率遥感影像分类在很多应用领域具有非常重要的作用，比如环境和突发灾害的监测、精准农业、城市管理与决策制定等。然而随着遥感影像空间分辨率的不断提高，传统基于像素的分类方法不再适用于高分辨率影像的分类，因为高分辨率影像中噪声、类内差异大等现象变得更加突出，它极大的影响了基于像素的影像分类方法的精度和可靠性。
基于对象的影像分类方法以影像对象为分类的基本单元，能够比较好地降低噪声和类内差异大等带来的负面影响。但是，目前大多经典的分类算法主要是针对基于像素的分类而提出的；并且基于对象的分类方法对影像进行分类前必须要对影像进行对象分割，不精确的分割结果会导致较大的分类误差。不幸的是，到目前为止，并没有形成一个统一的、普遍认可的影像分割标准方法。不同的影像分割方法和分割参数必然会导致不同的影像分割结果，不同的分割结果又必然会导致不同的分类结果和分类误差。因此，基于对象的影像分类的分类过程和分类结果中往往也具有较高的不确定性。
如果能够有效利用面向对象的分类中像素集群分类的优势对现有基于像素的分类方法进行改进，让其在克服单像素分类的内在不确定性的同时，避免不准确的对象分割引起的分类不确定性，那么，高分辨率影像分类的结果的可靠性和准确性将会有很大的提升。为此，我们提出了一种基于像素对和加权投票的高分辨率影像分类方法。
发明内容
本发明的目的在于，针对现有技术的上述不足，提供一种基于像素对和加权投票的高分辨率影像分类方法。
本发明所采用的技术方案是：一种基于像素对和加权投票的高分辨率影像分类方法，包括以下步骤：
步骤1：对原始高分辨率遥感影像进行数据预处理和特征提取；
步骤2：对影像中的所有像素进行结对处理和初始分类，其具体实现包括以下子步骤：
步骤2.1：对于影像中的每个像素，将其k*k邻域内的像素轮流与其进行配对，形成一系列像素对，共k2-1种结对模式，其中k为大于1的奇数；
步骤2.2：在每一种结对模式下，使用已有分类算法对影像进行分类，并获得一系列初始分类结果；
步骤3：评估步骤2.1中结对形成的每个像素对的结对适宜度；
步骤4：以步骤3中评估得到的结对适宜度为权重，对步骤2.2中获得的初始分类结果进行加权投票来获得影像最终的分类图。
作为优选，k的取值为3。
作为优选，在步骤2中：对于一幅给定的高分辨率遥感影像X，影像X中的一个像素i的3*3邻域系统表示为Oi(不包括中心像素i)。通过特征提取获得的影像X的特征的维度为n，像素i对应的n维特征向量用vi表示。在Oi中，像素i的第j个邻域像素的特征向量为
Figure BDA0002226558650000021
像素i与其第j个邻域像素结对形成的像素对可以用一个2n维的新特征向量Vij来表示。Vij的表达式为：
Figure BDA0002226558650000022
作为优选，在步骤3中：采用余弦相似度来衡量每个像素对中两个像素之间的相似性，并用归一化的余弦相似度作为该像素对的结对适宜度。具体地，像素i与其第j个邻域像素结对形成的像素对Vij的结对适宜度Sij的计算公式为：
Figure BDA0002226558650000023
Figure BDA0002226558650000024
其中，vi表示像素i对应的n维特征向量，
Figure BDA0002226558650000025
表示像素i的第j个邻域像素的特征向量。
Figure BDA0002226558650000026
表示像素i和它的第j个邻域像素之间的余弦相似度。
作为优选，在步骤4中：通过加权投票来获得影像的最终分类图时，以结对适宜度作为权重来计算每个像素属于每个类别的加权投票得分。以结对适宜度作为权重的加权投票得分的计算方法为：
Figure BDA0002226558650000027
其中，Score(i,c)表示加权投票后像素i属于第c类的得分，1≤c≤C，C是影像分类前预定义的类别总数。Lij表示像素i与其第j个邻域像素形成的像素对的初始分类结果。δ(·)是一个判别函数，它用于判别像素i与其第j个邻域像素形成的像素对的初始分类结果是否为c，其取值规则如下：
Figure BDA0002226558650000031
本发明提供一种基于像素对和加权投票的高分辨率影像分类系统，包括以下模块：
预处理和特征提取模块，用于对原始高分辨率遥感影像进行数据预处理和特征提取；
结对处理和初始分类模块，用于对影像中的所有像素进行结对处理和初始分类，其具体实现包括以下子模块：
结对处理子模块，对于影像中的每个像素，将其k*k邻域内的像素轮流与其进行配对，形成一系列像素对，共k2-1种结对模式，其中k为大于1的奇数；
初始分类子模块，在每一种结对模式下，使用已有分类算法对影像进行分类，并获得一系列初始分类结果；
结对适宜度评估模块，用于评估结对处理子模块中结对形成的每个像素对的结对适宜度；
最终分类模块，用于以结对适宜度评估模块中评估得到的结对适宜度为权重，对初始分类子模块中获得的初始分类结果进行加权投票来获得影像最终的分类图。
作为优选，k的取值为3。
作为优选，结对处理子模块中：
对于一幅给定的高分辨率遥感影像X，影像X中的一个像素i的3*3邻域表示为Oi，不包括中心像素i；通过特征提取获得的影像X的特征的维度为n，像素i对应的n维特征向量用vi表示，在Oi中，像素i的第j个邻域像素的特征向量为
Figure BDA0002226558650000032
像素i与其第j个邻域像素结对形成的像素对用一个2n维的新特征向量Vij来表示，Vij的表达式为：
Figure BDA0002226558650000033
作为优选，结对适宜度评估模块中采用余弦相似度来衡量每个像素对中两个像素之间的相似性，并用归一化的余弦相似度作为该像素对的结对适宜度，具体地，像素i与其第j个邻域像素结对形成的像素对Vij的结对适宜度Sij的计算公式为：
Figure BDA0002226558650000041
Figure BDA0002226558650000042
其中，vi表示像素i对应的n维特征向量，
Figure BDA0002226558650000043
表示像素i的第j个邻域像素的特征向量，
Figure BDA0002226558650000044
表示像素i和它的第j个邻域像素之间的余弦相似度。
作为优选，最终分类模块中通过加权投票来获得影像的最终分类图时，以结对适宜度作为权重来计算每个像素属于每个类别的加权投票得分；
以结对适宜度作为权重的加权投票得分的计算方法为：
Figure BDA0002226558650000045
其中，Score(i,c)表示加权投票后像素i属于第c类的得分，1≤c≤C，C是影像分类前预定义的类别总数；Lij表示像素i与其第j个邻域像素形成的像素对的初始分类结果；δ(·)是一个判别函数，它用于判别像素i与其第j个邻域像素形成的像素对的初始分类结果是否为c，其取值规则如下：
Figure BDA0002226558650000046
本发明的优点在于：
(1)本发明虽然以现有的基于像素的分类方法作为基分类器，但有效考虑像素之间在空间上的关联性来提升高分辨率影像分类的精度和可靠性，可以进一步拓展基于像素的分类方法在高分辨率影像分类中的应用价值，最大化传统基于像素的分类方法的应用潜能。
(2)本发明中提出的分类方法能够兼顾面向对象分类的像素集群分类优势来克服单像素分类在高分辨率影像分类中天然具备的分类不确定性，同时又无需对影像进行对象分割，能避免面向对象分类中不准确的影像分割所引起的高分类不确定性。
(3)本发明提出的方法简单有效，可操作性强，易于实现，且其准确性和自适应程度高，能获得空间一致性强，精度和可靠性较高的分类结果。因此，本发明具有很高的实用价值。
总之，本发明所提出的方法可以有效地实现高分辨率影像的分类，可以使高分辨率影像分类的结果具有更好的空间一致性、更高的分类精度和可靠性。具有很高的实用价值。
附图说明
图1为本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
目前大多经典的分类算法主要是针对基于像素的分类而提出的，但在噪声多、类内差异大等现象明显的高分辨率影像的分类中，仅以像素为分类基本单元的逐像素分类方法，天然的具有较高的分类不确定性；而面向对象的影像分类中，由于对象分割具有的高不确定性，导致其分类过程和结果中往往也具有很高的分类不确定性。如果能够有效利用基于对象的分类方法的像素集群分类优势对现有基于像素的分类方法进行改进，高分辨率影像分类的结果的可靠性和准确性将会有很大的提升，并且可以进一步拓展传统基于像素的分类方法在高分辨率影像分类任务中的应用价值和潜能。
请见图1，本实施例以3*3邻域为例，本发明提供的一种基于像素对和加权投票的高分辨率影像分类方法，包括以下步骤：
步骤1：对原始高分辨率遥感影像进行数据预处理和特征提取。数据预处理主要指对待分类影像进行辐射校正，几何校正等。特征提取可以使用现有的遥感专业软件ENVI或eCognition等提供的特征提取工具，对原始遥感影像进行光谱、纹理、形状和空间关系等特征的提取。
步骤2：对待分类的高分辨率影像中的所有像素进行结对处理和初始分类，其具体实现包括以下子步骤：
步骤2.1：对于影像中的每个像素，将其3*3邻域(不包含中心像素)内的像素轮流与其进行配对，形成一系列像素对。每个像素的邻域内包含8个邻接像素，因此存在八种不同的结对模式。
对于一幅给定的高分辨率遥感影像X，影像X中的一个像素i的八邻域系统表示为Oi(不包括中心像素i)。通过特征提取获得的影像X的特征的维度为n，像素i对应的n维特征向量用vi表示。在Oi中，像素i的第j个邻域像素的特征向量为
Figure BDA0002226558650000051
像素i与其第j个邻域像素结对形成的像素对可以用一个2n维的新特征向量Vij来表示。Vij的表达式为：
Figure BDA0002226558650000052
步骤2.2：在每一种结对模式下，使用当前应用比较广泛并且有效的已有分类算法，比如支持向量机分类器SVM或神经网络NN等，对影像进行初始分类，并获得一系列初始分类结果。具体的，对于每个像素而言，共有八种像素结对模式，意味着每个像素有八个初始分类结果。
步骤3：评估步骤2.1中结对形成的每个像素对的结对适宜度。影像中的像素与其周围不同邻域像素之间的相似度一般会存在差异，并且待分类像素与属于同类地物的邻域像素之间往往表现出更高的相似性。明显地，如果用于结对的邻域像素与当前待分类像素属于同一类地物，那么它们结对后被正确分类的概率也就越大，那么它们之间的结对适宜度也就越高。也就是说，待分类像素与邻域像素相似性越高，它们的结对适宜度也就越大。因此，我们采用余弦相似度来衡量每个像素对中两个像素之间的相似性，并用归一化的余弦相似度作为该像素对的结对适宜度。具体地，像素i与其第j个邻域像素结对形成的像素对Vij的结对适宜度Sij的计算公式为：
Figure BDA0002226558650000061
Figure BDA0002226558650000062
其中，vi表示像素i对应的n维特征向量，
Figure BDA0002226558650000063
表示像素i的第j个邻域像素的特征向量。
Figure BDA0002226558650000064
表示像素i和它的第j个邻域像素之间的余弦相似度。
步骤4：步骤2中像素对的结对适宜度越高，它们被正确分类的概率也就越大。因此，我们以步骤3中评估得到的结对适宜度为权重(结对适宜度越大，权重越大)，对步骤2.2中获得的一系列初始分类结果进行加权投票来获得影像最终的分类图。
具体地，我们首先以结对适宜度作为权重来计算每个像素属于每个类别的加权投票得分，然后将投票得分最高的类别作为待分类像素的最终分类类别。以结对适宜度作为权重的加权投票得分的计算方法为：
Figure BDA0002226558650000065
其中，Score(i,c)表示加权投票后像素i属于第c类的得分，1≤c≤C，C是影像分类前预定义的类别总数。Lij表示像素i与其第j个邻域像素形成的像素对的初始分类结果。δ(·)是一个判别函数，它用于判别像素i与其第j个邻域像素形成的像素对的初始分类结果是否为c，其取值规则如下：
Figure BDA0002226558650000071
本发明中提出的基于像素对的影像分类方法有效考虑像素之间在空间上的关联性来提升高分辨率影像分类的精度和可靠性，它不仅能够兼顾面向对象分类的集群分类优势来克服单像素分类在高分辨率影像分类中天然具备的分类不确定性，同时又无需对影像进行对象分割，能避免面向对象分类中不准确的影像分割所引起的高分类不确定性。本发明提出的方法简单有效，可操作性强，易于实现，且其准确性和自适应程度高，能获得空间一致性强，精度和可靠性较高的分类结果。具有很高的实用价值。
本发明提供一种基于像素对和加权投票的高分辨率影像分类系统，包括以下模块：
预处理和特征提取模块，用于对原始高分辨率遥感影像进行数据预处理和特征提取；
结对处理和初始分类模块，用于对影像中的所有像素进行结对处理和初始分类，其具体实现包括以下子模块：
结对处理子模块，对于影像中的每个像素，将其k*k邻域内的像素轮流与其进行配对，形成一系列像素对，共k2-1种结对模式，其中k为大于1的奇数；
初始分类子模块，在每一种结对模式下，使用已有分类算法对影像进行分类，并获得一系列初始分类结果；
结对适宜度评估模块，用于评估结对处理子模块中结对形成的每个像素对的结对适宜度；
最终分类模块，用于以结对适宜度评估模块中评估得到的结对适宜度为权重，对初始分类子模块中获得的初始分类结果进行加权投票来获得影像最终的分类图。
作为优选，k的取值为3。
作为优选，结对处理子模块中：
对于一幅给定的高分辨率遥感影像X，影像X中的一个像素i的3*3邻域表示为Oi，不包括中心像素i；通过特征提取获得的影像X的特征的维度为n，像素i对应的n维特征向量用vi表示，在Oi中，像素i的第j个邻域像素的特征向量为
Figure BDA0002226558650000072
像素i与其第j个邻域像素结对形成的像素对用一个2n维的新特征向量Vij来表示，Vij的表达式为：
Figure BDA0002226558650000073
作为优选，结对适宜度评估模块中采用余弦相似度来衡量每个像素对中两个像素之间的相似性，并用归一化的余弦相似度作为该像素对的结对适宜度，具体地，像素i与其第j个邻域像素结对形成的像素对Vij的结对适宜度Sij的计算公式为：
Figure BDA0002226558650000081
Figure BDA0002226558650000082
其中，vi表示像素i对应的n维特征向量，
Figure BDA0002226558650000083
表示像素i的第j个邻域像素的特征向量，
Figure BDA0002226558650000084
表示像素i和它的第j个邻域像素之间的余弦相似度。
作为优选，最终分类模块中通过加权投票来获得影像的最终分类图时，以结对适宜度作为权重来计算每个像素属于每个类别的加权投票得分；
以结对适宜度作为权重的加权投票得分的计算方法为：
Figure BDA0002226558650000085
其中，Score(i,c)表示加权投票后像素i属于第c类的得分，1≤c≤C，C是影像分类前预定义的类别总数；Lij表示像素i与其第j个邻域像素形成的像素对的初始分类结果；δ(·)是一个判别函数，它用于判别像素i与其第j个邻域像素形成的像素对的初始分类结果是否为c，其取值规则如下：
Figure BDA0002226558650000086
各模块的具体实施和各步骤相应，本发明不予撰述。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (2)

1.一种基于像素对和加权投票的高分辨率影像分类方法，其特征在于，包括以下步骤：
步骤1，对原始高分辨率遥感影像进行数据预处理和特征提取；
步骤2，对影像中的所有像素进行结对处理和初始分类，其具体实现包括以下子步骤：
步骤2.1，对于影像中的每个像素，将其k*k邻域内的像素轮流与其进行配对，形成一系列像素对，共k2-1种结对模式，其中k为大于1的奇数，k的取值为3；
步骤2.1中：
对于一幅给定的高分辨率遥感影像X，影像X中的一个像素i的3*3邻域表示为Oi，不包括中心像素i；通过特征提取获得的影像X的特征的维度为n，像素i对应的n维特征向量用vi表示，在Oi中，像素i的第j个邻域像素的特征向量为
Figure FDA0003788929860000011
像素i与其第j个邻域像素结对形成的像素对用一个2n维的新特征向量Vij来表示，Vij的表达式为：
Figure FDA0003788929860000012
步骤2.2，在每一种结对模式下，使用已有分类算法对影像进行分类，并获得一系列初始分类结果；
步骤3，评估步骤2.1中结对形成的每个像素对的结对适宜度；
步骤3中采用余弦相似度来衡量每个像素对中两个像素之间的相似性，并用归一化的余弦相似度作为该像素对的结对适宜度，具体地，像素i与其第j个邻域像素结对形成的像素对Vij的结对适宜度Sij的计算公式为：
Figure FDA0003788929860000013
Figure FDA0003788929860000014
其中，vi表示像素i对应的n维特征向量，
Figure FDA0003788929860000015
表示像素i的第j个邻域像素的特征向量，
Figure FDA0003788929860000016
表示像素i和它的第j个邻域像素之间的余弦相似度；
步骤4，以步骤3中评估得到的结对适宜度为权重，对步骤2.2中获得的初始分类结果进行加权投票来获得影像最终的分类图；
步骤4中通过加权投票来获得影像的最终分类图时，以结对适宜度作为权重来计算每个像素属于每个类别的加权投票得分；
以结对适宜度作为权重的加权投票得分的计算方法为：
Figure FDA0003788929860000021
其中，Score(i,c)表示加权投票后像素i属于第c类的得分，1≤c≤C，C是影像分类前预定义的类别总数；Lij表示像素i与其第j个邻域像素形成的像素对的初始分类结果；δ(·)是一个判别函数，它用于判别像素i与其第j个邻域像素形成的像素对的初始分类结果是否为c，其取值规则如下：
Figure FDA0003788929860000022
2.一种基于像素对和加权投票的高分辨率影像分类系统，其特征在于，包括以下模块：
预处理和特征提取模块，用于对原始高分辨率遥感影像进行数据预处理和特征提取；
结对处理和初始分类模块，用于对影像中的所有像素进行结对处理和初始分类，其具体实现包括以下子模块：
结对处理子模块，对于影像中的每个像素，将其k*k邻域内的像素轮流与其进行配对，形成一系列像素对，共k2-1种结对模式，其中k为大于1的奇数，k的取值为3；
结对处理子模块中：
对于一幅给定的高分辨率遥感影像X，影像X中的一个像素i的3*3邻域表示为Oi，不包括中心像素i；通过特征提取获得的影像X的特征的维度为n，像素i对应的n维特征向量用vi表示，在Oi中，像素i的第j个邻域像素的特征向量为
Figure FDA0003788929860000023
像素i与其第j个邻域像素结对形成的像素对用一个2n维的新特征向量Vij来表示，Vij的表达式为：
Figure FDA0003788929860000024
初始分类子模块，在每一种结对模式下，使用已有分类算法对影像进行分类，并获得一系列初始分类结果；
结对适宜度评估模块，用于评估结对处理子模块中结对形成的每个像素对的结对适宜度；
结对适宜度评估模块中采用余弦相似度来衡量每个像素对中两个像素之间的相似性，并用归一化的余弦相似度作为该像素对的结对适宜度，具体地，像素i与其第j个邻域像素结对形成的像素对Vij的结对适宜度Sij的计算公式为：
Figure FDA0003788929860000031
Figure FDA0003788929860000032
其中，vi表示像素i对应的n维特征向量，
Figure FDA0003788929860000033
表示像素i的第j个邻域像素的特征向量，
Figure FDA0003788929860000034
表示像素i和它的第j个邻域像素之间的余弦相似度；
最终分类模块，用于以结对适宜度评估模块中评估得到的结对适宜度为权重，对初始分类子模块中获得的初始分类结果进行加权投票来获得影像最终的分类图；
最终分类模块中通过加权投票来获得影像的最终分类图时，以结对适宜度作为权重来计算每个像素属于每个类别的加权投票得分；
以结对适宜度作为权重的加权投票得分的计算方法为：
Figure FDA0003788929860000035
其中，Score(i,c)表示加权投票后像素i属于第c类的得分，1≤c≤C，C是影像分类前预定义的类别总数；Lij表示像素i与其第j个邻域像素形成的像素对的初始分类结果；δ(·)是一个判别函数，它用于判别像素i与其第j个邻域像素形成的像素对的初始分类结果是否为c，其取值规则如下：
Figure FDA0003788929860000036
CN201910953683.5A 2019-10-09 2019-10-09 一种基于像素对和加权投票的高分辨率影像分类方法和系统 Active CN110796176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910953683.5A CN110796176B (zh) 2019-10-09 2019-10-09 一种基于像素对和加权投票的高分辨率影像分类方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910953683.5A CN110796176B (zh) 2019-10-09 2019-10-09 一种基于像素对和加权投票的高分辨率影像分类方法和系统

Publications (2)

Publication Number Publication Date
CN110796176A CN110796176A (zh) 2020-02-14
CN110796176B true CN110796176B (zh) 2022-12-16

Family

ID=69438870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910953683.5A Active CN110796176B (zh) 2019-10-09 2019-10-09 一种基于像素对和加权投票的高分辨率影像分类方法和系统

Country Status (1)

Country Link
CN (1) CN110796176B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516103A (zh) * 2016-06-17 2017-12-26 北京市商汤科技开发有限公司 一种影像分类方法和系统
CN107909039A (zh) * 2017-11-16 2018-04-13 武汉大学 基于并行算法的高分辨率遥感影像的地表覆盖分类方法
CN109034233A (zh) * 2018-07-18 2018-12-18 武汉大学 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法
CN110084205A (zh) * 2019-04-30 2019-08-02 合肥工业大学 一种基于改进的面向对象高分辨率遥感影像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10496902B2 (en) * 2017-09-21 2019-12-03 International Business Machines Corporation Data augmentation for image classification tasks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516103A (zh) * 2016-06-17 2017-12-26 北京市商汤科技开发有限公司 一种影像分类方法和系统
CN107909039A (zh) * 2017-11-16 2018-04-13 武汉大学 基于并行算法的高分辨率遥感影像的地表覆盖分类方法
CN109034233A (zh) * 2018-07-18 2018-12-18 武汉大学 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法
CN110084205A (zh) * 2019-04-30 2019-08-02 合肥工业大学 一种基于改进的面向对象高分辨率遥感影像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hyperspectral image classification using deep pixel-pair features;Wei Li等;《IEEE Transactions on Geoscience and Remote Sensing》;20161104;第55卷(第2期);第844-853页 *
Wei Li等.Hyperspectral image classification using deep pixel-pair features.《IEEE Transactions on Geoscience and Remote Sensing》.2016,第55卷(第2期), *
基于视觉短语的商品图像检索;王晓慧;《中国优秀硕士学位论文全文数据库信息科技辑》;20130815;I138-650 *

Also Published As

Publication number Publication date
CN110796176A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
Zhang et al. A feature difference convolutional neural network-based change detection method
CN108052966B (zh) 基于卷积神经网络的遥感图像场景自动提取和分类方法
Zheng et al. Unsupervised change detection by cross-resolution difference learning
Touati et al. An energy-based model encoding nonlocal pairwise pixel interactions for multisensor change detection
Yin et al. Hot region selection based on selective search and modified fuzzy C-means in remote sensing images
Zhao et al. Detail-preserving smoothing classifier based on conditional random fields for high spatial resolution remote sensing imagery
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN102629374B (zh) 基于子空间投影和邻域嵌入的图像超分辨率重建方法
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
Zhang et al. Semantic classification of heterogeneous urban scenes using intrascene feature similarity and interscene semantic dependency
JP2017016593A (ja) 画像処理装置、画像処理方法、及びプログラム
CN113449594A (zh) 一种多层网络组合的遥感影像地类语义分割与面积计算方法
Peng et al. Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion
US20160078634A1 (en) Methods and systems for image matting and foreground estimation based on hierarchical graphs
CN109801305B (zh) 基于深度胶囊网络的sar图像变化检测方法
CN109829519B (zh) 基于自适应空间信息的遥感图像分类方法及系统
CN110598564A (zh) 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法
Xing et al. An adaptive change threshold selection method based on land cover posterior probability and spatial neighborhood information
CN116486251A (zh) 一种基于多模态融合的高光谱图像分类方法
Xiao et al. Multiresolution-Based Rough Fuzzy Possibilistic C-Means Clustering Method for Land Cover Change Detection
CN112329818B (zh) 基于图卷积网络嵌入表征的高光谱图像非监督分类方法
CN111080649B (zh) 一种基于黎曼流形空间的图像分割处理方法及系统
CN110910497B (zh) 实现增强现实地图的方法和系统
Schulz et al. Object-class segmentation using deep convolutional neural networks

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