一種遙感圖像場景分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種遙感圖像場景分類方法。
【背景技術(shù)】
[0002] 近年來，高分辨率對地觀測技術(shù)得到了迅猛發(fā)展，已經(jīng)在土地調(diào)查、城市規(guī)劃、災(zāi) 害管理和軍事等諸多領(lǐng)域發(fā)揮了重要的作用。相比于中低分辨率遙感圖像，高分辨率遙感 圖像能夠提供詳細的地面信息，但各種地物空間結(jié)構(gòu)分布較復(fù)雜。隨著遙感圖像分辨率的 提高，空間信息量更加豐富，空間地物幾何信息、紋理信息等更加明顯，但同時也帶來了高 分影像同類地物的光譜差異性增強，不同地物的光譜異質(zhì)性降低等問題。因此，雖然高分遙 感影像提供了更為精細的地表刻畫，但智能化、自動化信息提取任務(wù)的難度相比如中低分 辨率遙感影像大大增加。傳統(tǒng)的遙感圖像目視解譯方法不僅要求豐富的專業(yè)經(jīng)驗和充足的 野外實地調(diào)查資料，而且由于這種識別方法是建立在特定的先驗知識基礎(chǔ)上，因此識別難 度較大，效率較低。
[0003] 根據(jù)圖像描述方式的不同，當(dāng)前圖像分類方法大致可以分為：基于全局特征 的描述方法和基于局部特征的的描述方法。常見的全局特征包括：LBP(Local binary pattern)、顏色直方圖、紋理特征等。由于全局特征通常是整幅圖像，因而不能較好 地描述圖像中的局部目標(biāo)，因此對飛機、網(wǎng)球場等特征點分布較稀疏的類別圖像分類 精度較低?；诰植刻卣鞯膱D像描述方法由于可以在同一類別千變?nèi)f化的圖像中尋 找不變的特征，受到廣大研究者青睞。2004年，Csurka等學(xué)者[Csurka G, Dance C R, Fan L, et al. Visual categorization with bags of keypoints[C]//Proceedings of Workshop on Statistical Learning in Computer Vision.Prague,Czech Republic:Springer, 2004:1-22]首次將詞包模型（亦稱為視覺詞袋模型）用于圖像場景分 類，并提出了針對圖像場景分類的視覺詞包模型算法。Lazebnik等人[Lazebnik S, Schmid Cj Ponce J.Beyond bags of features:Spatial pyramid matching for recognizing naturalscene categories. [C]In CVPRjNew York, USA: IEEEComputer 2006:2169-2178] 在視覺詞包模型中加入空間金字塔匹配核，提出空間金字塔核的詞包模型。Yang等學(xué) 者[Yang J Cj Yu Kj Gong Y Hj et al. Linear spatial pyramid matchingusing sparse coding for image classification[C]//Proceedingsof the 22nd International Conference on Computer Vision and Pattern Recognition. Miami, USA:IEEE Computer Society，2009:1794-1801.]提出稀疏編碼方法ScSPM，它通過解凸優(yōu)化問題求取局部描 述矢量關(guān)于視覺單詞向量的稀疏表示，使用多個視覺單詞向量線性組合表示局部矢量，大 大提高了分類性能。文獻[Ji R R，Yao H X，Liu W.Task-dependent visual-codebook compression[J]. IEEE Transactions on Image Processing，2012:21 (4):2282-2293.]使 用硬分配編碼取代稀疏編碼，使用監(jiān)督字典學(xué)習(xí)算法對Bof特征進行壓縮以彌補編碼方 法所帶來的不足。Bolovinou 等人[Bolovinou A，Pratikakis I，Perantonis S. Bag of spatio-visual words for context inference in scene classification[J]. Pattern Re cognition, 2013, 46 (3) : 1039-1053.]提出了基于有序空間結(jié)構(gòu)關(guān)系的視覺單詞，在內(nèi)容表 達中加入了上下文信息。
[0004] 上述現(xiàn)有技術(shù)雖然各有其特點，但均存在未能很好平衡分類精度和分類時間之間 的矛盾。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)不足，提供一種遙感圖像場景分類 方法，利用多特征融合多分類器的方法對遙感圖像進行場景分類，在提高分類精度的同時 降低了分類所需的時間。
[0006] 本發(fā)明具體采用以下技術(shù)方案：
[0007] -種遙感圖像場景分類方法，包括訓(xùn)練階段和測試階段；
[0008] 所述訓(xùn)練階段包括以下步驟：
[0009] 步驟1、提取各訓(xùn)練樣本圖像的局部不變特征，并根據(jù)局部不變特征點在圖像中的 密度分布情況將訓(xùn)練樣本圖像分為特征點分布均勻和特征點分布不均勻這兩類；
[0010] 步驟2、提取特征點分布均勻的訓(xùn)練樣本圖像的全局特征，并對一個分類器進行訓(xùn) 練，得到第一分類器；提取特征點分布不均勻的訓(xùn)練樣本圖像的局部特征，并對另一個分類 器進行訓(xùn)練，得到第二分類器；
[0011] 所述測試階段包括以下步驟：
[0012] 步驟3、提取測試樣本圖像的局部不變特征，并根據(jù)局部不變特征點在圖像中的密 度分布情況將測試樣本圖像分為特征點分布均勻和特征點分布不均勻這兩類；
[0013] 步驟4、提取特征點分布均勻的測試樣本圖像的全局特征，利用第一分類器對其進 行分類；提取特征點分布不均勻的測試樣本圖像的局部特征，利用第二分類器進行分類。
[0014] 優(yōu)選地，所述全局特征為相互串接并歸一化的顏色特征和紋理特征。
[0015] 優(yōu)選地，所述局部特征為基于稀疏編碼的空間金子塔匹配模型特征。
[0016] 所述將圖像分為特征點分布均勻和特征點分布不均勻這兩類，可根據(jù)實際需要設(shè) 計相應(yīng)的判斷方法，以下為兩種優(yōu)選方案：
[0017] 第一種、具體通過以下方法將圖像分為特征點分布均勻和特征點分布不均勻這兩 類：
[0018] 對于訓(xùn)練樣本圖像，將圖像分為一組互不重疊的圖像塊，并判斷局部不變特征點 在這些圖像塊中的分布方差是否大于預(yù)設(shè)的方差閾值，如是，則將該圖像初步判定為特征 點分布不均勻；反之，則初步判定為特征點分布均勻；對于每一類場景的所有訓(xùn)練樣本圖 像，如其中被初步判定為特征點分布均勻的圖像所占比例達到或超過預(yù)設(shè)的比例下限值， 則將該類場景的所有訓(xùn)練樣本圖像劃為特征點分布均勻的一類，否則，將該類場景的所有 訓(xùn)練樣本圖像劃為特征點分布不均勻的一類；所述比例下限值的取值范圍為[0.8, 1);
[0019] 對于測試樣本圖像，將圖像分為一組互不重疊的圖像塊，并判斷局部不變特征點 在這些圖像塊中的分布方差是否大于預(yù)設(shè)的方差閾值，如是，則將該圖像劃為特征點分布 不均勻的一類；反之，則為特征點分布均勻的一類。所述方差閾值的優(yōu)選范圍為[1.5,3]， 最好取為2.5。
[0020] 第二種、具體通過以下方法將圖像分為特征點分布均勻和特征點分布不均勻這兩 類：
[0021] 對于訓(xùn)練樣本圖像，將圖像分為一組互不重疊的圖像塊，并統(tǒng)計各圖像塊中所包 含的局部不變特征點數(shù)量，如所包含局部不變特征點數(shù)量在預(yù)設(shè)范圍內(nèi)的圖像塊在該圖像 所有圖像塊中所占的比例大于預(yù)設(shè)的比例閾值，則將該圖像初步判定為特征點分布均勻的 一類；反之，則初步判定為特征點分布不均勻的一類；對于每一類場景的所有訓(xùn)練樣本圖 像，如其中被初步判定為特征點分布均勻的圖像所占比例達到或超過預(yù)設(shè)的比例下限值， 則將該類場景的所有訓(xùn)練樣本圖像劃為特征點分布均勻的一類，否則，將該類場景的所有 訓(xùn)練樣本圖像劃為特征點分布不均勻的一類；所述比例下限值的取值范圍為[0.8, 1);
[0022] 對于測試樣本圖像，將圖像分為一組互不重疊的圖像塊，并統(tǒng)計各圖像塊中所包 含的局部不變特征點數(shù)量，如所包含局部不變特征點數(shù)量在預(yù)設(shè)范圍內(nèi)的圖像塊在該圖像 所有圖像塊中所占的比例大于預(yù)設(shè)