[发明专利]一种高分辨率遥感图像自动语义标记方法

说明书

技术领域

本发明涉及遥感图像处理领域，尤其涉及高分辨率遥感图像的语义标注或语义分类方法。

背景技术

遥感图像语义自动标注是遥感图像组织、索引的基础，特别是随着近年来遥感数据爆炸式增加，高分辨率遥感图像数据量极大，直接查找、获取图像困难更大，高分辨率遥感图像的语义标注意义更加明显。但是现有的人工直接标注费时、费力，可行性不强，急需从图像语义层次的高效标注方法。现有技术中，对高分辨率遥感图像语义标注的方法主要有：多示例-多标记学习方法（Multi-instance multi-label learning，简称MIML）。

多示例-多标记学习方法是近年来提出的一种方便的图像分类、标注方法。与传统的图像标注方法相比，多示例-多标记学习方法在分类器训练过程中不需要对每一个图像区域进行标记，只需要对包的标记进行标记，指示包中是否包含示例标记，因此，在分类器训练中比较简单方便，实际可操作性比较强。

但是传统的多示例-多标记学习方法忽略了词袋中示例之间的语义相关性，并且在示例构造时往往采用均匀切分图像的方法，致使多示例-多标记学习方法在图像标注时均衡对待每一个示例，无法真正从图像目标角度出发实现图像的语义层标注。这种处理问题的思路明显不符合遥感图像的特点：遥感图像尺寸一般很大，反映了一个较大区域内的地物地貌，而遥感图像通常在遥感图像解译过程中，用户感兴趣的只是其中若干局部区域，因此，直接提取整幅图像的全局特征根本无法反映感兴趣的目标概念，故有必要对整幅图像进行分解或者分割。例如，从低空间尺度图像上可以更方便区分“陆地”和“海洋”，从中等空间分辨率上可以区分“陆地”上的“城市”和“乡村”，而想要区分开“城市”中的“建筑物”、“道路”、“植被”等目标语义则需要较高空间分辨率。另外，可以明显看出，这些语义标签之间存在严格的等级隶属关系。以图像区域目标为单位，结合图像空间尺度变换，利用遥感图像地物先验信息，实现遥感图像等级语义隶属关系建模，是提高遥感图像语义标注的主要途径。

发明内容

本发明提供了一种高分辨率遥感图像自动语义标记方法，将目标等级语义模型和多示例-多标记学习方法相结合，通过利用遥感图像中目标语义之间的等级隶属先验信息，构建目标等级语义模型，以克服传统多示例-多标记学习方法中对示例之间语义相关性以及语义等级约束的忽略造成的标注精度不高。

本发明的技术方案为：

步骤S102，对高分辨率遥感图像进行多尺度分解，自低分辨率尺度开始，每个尺度上的图像进行过分割，获取多个尺度上的过分割区域；

步骤S104，以每个尺度上过分割区域为单位对每一幅遥感图像提取颜色特征、纹理特征，SIFT特征以及熵特征，以过分割区域为单位构造特征向量；

步骤S106，以某个尺度上图像为词袋，以该图像中的过分割区域为多示例学习中的示例，以过分割区域的特征向量为示例的特征，在每个尺度上构造一个多示例-多标记学习框架，从而在多个尺度上形成一个等级语义多示例-多标记学习框架，利用训练样本分别在每个尺度上训练多示例-多标记学习框架中的分类器，得到最佳分类器参数设置；

步骤S108，利用已训练的多示例-多标记学习框架中的分类器，自低尺度到高尺度为序，对测试数据首先在低尺度上进行语义标注，并将标注的语义信息传递到高尺度，在低尺度语义信息辅助下对高尺度上图像进行语义标注；标注结果以概率形式输出，所有尺度上的语义标注结果构成图像地物类型等级标注置信构成图。

所述步骤S102中对高分辨率遥感图像进行多尺度分解，利用小波金字塔变换方法对每幅图像进行多个尺度分解，由每一层的小波低频系数图像及原始图像构成多尺度图像序列。

所述步骤S102中自低分辨率尺度开始，每个尺度上的图像进行过分割，利用分水岭分割方法自低分辨率尺度开始，在每个尺度上进行图像过分割。

所述等级多示例-多标记学习框架构建的步骤包括：

单尺度上多示例-多标记学习方法的构建：每个尺度上的图像的每个过分割区域作为多示例-多标记学习方法中的一个示例，该尺度上的图像作为多示例-多标记学习方法中的一个词袋，区域的特征矢量对应为该示例的特征表述，区域的标注作为示例的标记；如果一个词袋中所有的示例均标记为负样本时，该词袋被标记为副词袋；如果一个词袋中有一个示例被标记为正样本时，该词袋被标记为正词袋；通过“词袋-图像，示例-区域”的映射，完成单一尺度上遥感图像的多示例-多标记学习框架构建；