基于快速二值編碼的高分辨率遙感影像場景分類方法
【專利摘要】本發(fā)明提供了一種基于快速二值編碼的高分辨率遙感影像場景分類方法，包括步驟：步驟1，劃分待分類遙感影像獲得場景單元；步驟2，從場景單元中提取尺寸相同的圖像塊作為局部圖像塊訓(xùn)練樣本；步驟3，采用非監(jiān)督學(xué)習(xí)法學(xué)習(xí)局部圖像塊訓(xùn)練樣本獲得濾波器組；步驟4，將場景單元與濾波器組中各濾波器分別做卷積獲得各場景單元的幅濾波器響應(yīng)圖，采用二值編碼法分別融合各場景單元的幅濾波器響應(yīng)圖獲得各場景單元的全局特征描述；步驟5，基于場景單元的全局特征描述進行場景單元分類。本發(fā)明在保證場景分類精度的前提下，大大降低了非監(jiān)學(xué)習(xí)法的計算代價。
【專利說明】基于快速二值編碼的高分辨率遙感影像場景分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于遙感影像智能化分析【技術(shù)領(lǐng)域】，特別涉及高分辨率遙感影像場景分類方法，是一種基于快速二值編碼的高分辨率遙感影像場景分類方法。
【背景技術(shù)】
[0002]遙感影像中的場景是指影像中具有特定語義含義的局部區(qū)域，例如一幅城區(qū)遙感影像中通常包括商業(yè)區(qū)、居民區(qū)、工業(yè)區(qū)等多種不同類別場景。遙感影像場景分類能夠?qū)φb感影像做出最直觀的理解，能大大方便其他領(lǐng)域工作者(比如城市建設(shè)規(guī)劃人員)做出正確的決策或規(guī)劃，因此遙感影像場景分類成為了智能化遙感信息處理領(lǐng)域的重要任務(wù)。
[0003]基于濾波器組的方法是信號處理分析領(lǐng)域的重要組成部分。濾波器組不僅在一般信號理論分析中有著廣泛應(yīng)用，而且在圖像處理和圖像理解上都有著十分成功的應(yīng)用。其中，基于濾波器組的紋理圖像識別就是一個經(jīng)典的應(yīng)用[1~3]。首先，將紋理圖像與已設(shè)定好的一組濾波器分別做卷積運算，連接各個濾波器的響應(yīng)；然后，利用量化的方法構(gòu)造紋理基元(textons);最后，統(tǒng)計每幅紋理圖像中不同紋理基元出現(xiàn)的次數(shù)，將紋理基元頻率直方圖作為紋理圖像特征。盡管這種方法在紋理識別中非常有效，識別精度通常也比較高，但是計算代價太大，主要原因在于構(gòu)造紋理基元時，需要大量的訓(xùn)練數(shù)據(jù)，導(dǎo)致量化方法(實際情況一般采用K-means算法)的訓(xùn)練過程十分緩慢。 [0004]近些年來，在圖像特征表示領(lǐng)域出現(xiàn)了很多二進制局部特征描述算子[4_8]，這些二進制局部特征描述算子計算簡便快速，且便于存儲，因此得到了越來越多研究者的關(guān)注。但是這種二進制的特征表示方法會使得特征的魯棒性和判別行較弱，往往會影響圖像分類精度。
[0005]文中涉及如下關(guān)參考文獻:
[0006][I] T.Leung and J.Malik, ^Representing and recognizing the visualappearance of materials using three-dimens1nal textons, "Internat1nal Journal ofComputer Vis1n, vol.43, pp.29-44，2001.[0007][2] M.Varma and A.Zi sserman, 〃A statistical approach to textureclassificat1n from single images, "Internat1nal Journal of ComputerVis1n, vol.62, pp.61-81，2005.[0008][3] L.Liu and P.W.F ieguth, "Texture classificat1n from randomfeatures,"Pattern Analysis and Machine Intelligence,IEEE Transact1nson, vol.34, pp.574-586，2012.[0009][4]T.0jala, M.Pietikainen, and T.Maenpaa, ^Multiresolut1n gray-scaleand rotat1n invariant texture classificat1n with local binary patterns, "PatternAnalysis and Machine Intelligence, IEEE Transact1ns on, vol.24, pp.971-987，2002.[0010][5]T.Ahonen, E.Rahtu, V.0jansivu, and J.Heikkila, "Recognit1n of blurredfaces using local phase quantizat1n,〃in Pattern Recognit1n, 2008.1CPR2008.19thInternat1nal Conference on, 2008，pp.1-4.[0011][6] M.Calonderj V.Lepetit，C.Strecha，and P.Fua，"Brief: Binaryrobust independent elementary features，"in Computer Vis1n -ECCV2010, ed:Springer, 2010，pp.778-792.[0012][7] S.Leuteneggerj M.Chli，and R.Y.Siegwartj 〃BRISK: Binary robust invariantscalable keypoints，〃in Computer Vis1n(ICCV)，201IIEEE Internat1nal Conferenceon, 2011，pp.2548-2555.[0013][8] A.Alahij R.0rtiz, and P.Vandergheynstj ^FreakiFast retinakeypoint,〃in Computer Vis1n and Pattern Recognit1n(CVPR)，2012IEEE Conferenceon, 2012，pp.510-517.
【發(fā)明內(nèi)容】

[0014]針對現(xiàn)有技術(shù)存在的不足，本發(fā)明結(jié)合二進制特征描述算子和濾波器組的優(yōu)點，提出了一種分類精度更高的、基于快速二值編碼的高分辨率遙感影像場景分類方法，尤其適用于大尺寸高分辨率遙感影像場景分類。
[0015]為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案:
[0016]基于快速二值編碼的高分辨率遙感影像場景分類方法，包括步驟:
[0017]步驟I，劃分待分類遙感影像獲得場景單元，并將場景單元的彩色像素轉(zhuǎn)化成灰度像素；
[0018]步驟2，從場景單元中提取尺寸相同的圖像塊作為局部圖像塊訓(xùn)練樣本；
[0019]步驟3，采用非監(jiān)督學(xué)習(xí)法學(xué)習(xí)局部圖像塊訓(xùn)練樣本獲得濾波器組； [0020]步驟4，將場景單元與濾波器組中各濾波器分別做卷積獲得各場景單元的L幅濾波器響應(yīng)圖，L為濾波器組中濾波器數(shù)量，采用二值編碼法分別融合各場景單元的L幅濾波器響應(yīng)圖獲得各場景單元的全局特征描述；
[0021]所述的采用二值編碼法分別融合各場景單元的L幅濾波器響應(yīng)圖獲得各場景單元的全局特征描述，進一步包括子步驟:
[0022]4.1將濾波器響應(yīng)圖上各位置響應(yīng)值分別與預(yù)設(shè)閾值比較，響應(yīng)值大于閾值的位置編碼為1，響應(yīng)值小于閾值的位置編碼為0，從而獲得場景單元的L幅二值編碼圖；
[0023]4.2將場景單元的L幅二值編碼圖上對應(yīng)位置的編碼組合成L位二進制數(shù)，并將二進制數(shù)轉(zhuǎn)化為十進制數(shù)，獲得場景單元的十進制編碼圖；
[0024]4.3以十進制編碼圖上十進制響應(yīng)值的頻率直方圖作為場景單元的全局特征描述；
[0025]步驟5，基于場景單元的全局特征描述進行場景單元分類。
[0026]步驟I具體為:
[0027]采用均勻網(wǎng)格劃分遙感影像獲得一系列子網(wǎng)格，子網(wǎng)格代表一個場景單元，相鄰場景單元間無重疊。
[0028]步驟3進一步包括子步驟:
[0029]3.1以各局部圖像塊訓(xùn)練樣本的像素值構(gòu)成局部圖像塊向量，并對局部圖像塊向量中各元素進行歸一化；
[0030]3.2采用非監(jiān)督學(xué)習(xí)法學(xué)習(xí)歸一化后的局部圖像塊向量，獲得濾波器組。
[0031]步驟3中所述的非監(jiān)督學(xué)習(xí)法為K-means聚類法、稀疏編碼法、主成分分析法、獨立成分分析法、局部保持映射法、非負(fù)矩陣分解法或隨機映射法。
[0032]在執(zhí)行步驟4之前，調(diào)整濾波器組中各濾波器尺寸，使得濾波器尺寸與局部圖像塊訓(xùn)練樣本尺寸相同。
[0033]步驟4.1中所述的預(yù)設(shè)閾值優(yōu)選為O。
[0034]步驟5中采用SVM分類器進行場景單元分類，進一步包括子步驟:
[0035]5.1選擇各類場景單元作為場景單元訓(xùn)練樣本，并標(biāo)注各場景單元訓(xùn)練樣本的類別標(biāo)號；
[0036]5.2采用權(quán)利要求1中所述的步驟I~4獲得各場景單元訓(xùn)練樣本的全局特征描述；
[0037]5.3采用場景單元訓(xùn)練樣本的全局特征描述和類別標(biāo)號訓(xùn)練SVM分類器；
[0038]5.4將待分類遙感影中場景單元的全局特征描述輸入訓(xùn)練的SVM分類器，即可獲得各場景單元的類別標(biāo)號。
[0039]在采用SVM分類器進行場景單元分類時，以直方圖交叉核和空間共生核的聯(lián)合函數(shù)作為SVM分類器的核函數(shù)進行場景單元分類；
[0040]所述的直方圖交叉核和空間共生核的聯(lián)合函數(shù)Khik+sck( {Y(i)，WCM(i)}，{Y(J), WCM(J)})為:
[0041]
【權(quán)利要求】
1.基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是，包括步驟: 步驟1，劃分待分類遙感影像獲得場景單元，并將場景單元的彩色像素轉(zhuǎn)化成灰度像素； 步驟2，從場景單元中提取尺寸相同的圖像塊作為局部圖像塊訓(xùn)練樣本； 步驟3，采用非監(jiān)督學(xué)習(xí)法學(xué)習(xí)局部圖像塊訓(xùn)練樣本獲得濾波器組； 步驟4，將場景單元與濾波器組中各濾波器分別做卷積獲得各場景單元的L幅濾波器響應(yīng)圖，L為濾波器組中濾波器數(shù)量，采用二值編碼法分別融合各場景單元的L幅濾波器響應(yīng)圖獲得各場景單元的全局特征描述； 所述的采用二值編碼法分別融合各場景單元的L幅濾波器響應(yīng)圖獲得各場景單元的全局特征描述，進一步包括子步驟: 4.1將濾波器響應(yīng)圖上各位置響應(yīng)值分別與預(yù)設(shè)閾值比較，響應(yīng)值大于閾值的位置編碼為1，響應(yīng)值小于閾值的位置編碼為O，從而獲得場景單元的L幅二值編碼圖； 4.2將場景單元的L幅二值編碼圖上對應(yīng)位置的編碼組合成L位二進制數(shù)，并將二進制數(shù)轉(zhuǎn)化為十進制數(shù)，獲得場景單元的十進制編碼圖； 4.3以十進制編碼圖上十進制響應(yīng)值的頻率直方圖作為場景單元的全局特征描述； 步驟5，基于場景單元的全局特征描述進行場景單元分類。
2.如權(quán)利要求1所述的基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是: 步驟I具體為: 采用均勻網(wǎng)格劃分遙感影像獲得一系列子網(wǎng)格，子網(wǎng)格代表一個場景單元，相鄰場景單元間無重疊。
3.如權(quán)利要求1所述的基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是: 步驟3進一步包括子步驟: 3.1以各局部圖像塊訓(xùn)練樣本的像素值構(gòu)成局部圖像塊向量，并對局部圖像塊向量中各元素進行歸一化； 3.2采用非監(jiān)督學(xué)習(xí)法學(xué)習(xí)歸一化后的局部圖像塊向量，獲得濾波器組。
4.如權(quán)利要求1所述的基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是: 所述的非監(jiān)督學(xué)習(xí)法為K-means聚類法、稀疏編碼法、主成分分析法、獨立成分分析法、局部保持映射法、非負(fù)矩陣分解法或隨機映射法。
5.如權(quán)利要求1所述的基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是: 在執(zhí)行步驟4之前，調(diào)整濾波器組中各濾波器尺寸，使得濾波器尺寸與局部圖像塊訓(xùn)練樣本尺寸相同。
6.如權(quán)利要求1所述的基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是: 步驟4.1中所述的預(yù)設(shè)閾值為O。
7.如權(quán)利要求1所述的基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是: 步驟5中采用SVM分類器進行場景單元分類。
8.如權(quán)利要求7所述的基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是: 所述的采用SVM分類器進行場景單元分類進一步包括子步驟:5.1選擇各類場景單元作為場景單元訓(xùn)練樣本，并標(biāo)注各場景單元訓(xùn)練樣本的類別標(biāo)號; 5.2采用權(quán)利要求1中所述的步驟I~4獲得各場景單元訓(xùn)練樣本的全局特征描述； 5.3采用場景單元訓(xùn)練樣本的全局特征描述和類別標(biāo)號訓(xùn)練SVM分類器； 5.4將待分類遙感影中場景單元的全局特征描述輸入訓(xùn)練的SVM分類器，即可獲得各場景單元的類別標(biāo)號。
9.如權(quán)利要求7所述的基于快速二值編碼的高分辨率遙感影像場景分類方法，其特征是: 步驟5中，以直方圖交叉核和空間共生核的聯(lián)合函數(shù)作為SVM分類器的核函數(shù)進行場景單元分類； 所述的直方圖交叉核和空間共生核的聯(lián)合函數(shù)ΚΗΙΚ+Μ({Υω，ΙΟΜω}，{Y(J),WCM(J)})為:
【文檔編號】G06K9/62GK104036293SQ201410262170
【公開日】2014年9月10日 申請日期:2014年6月13日 優(yōu)先權(quán)日:2014年6月13日
【發(fā)明者】夏桂松, 胡凡, 張良培 申請人:武漢大學(xué)