[发明专利]基于Hash编码的遥感图像分类方法

说明书

本发明公开了基于Hash编码的遥感图像分类方法，该方法提出了用Hash自动编码的思想来处理高光谱遥感图像，将遥感图像每个通道分成N*N小块，将每个小块进行Hash处理，生成Hash序列用来表征块的特征，然后将生成的编码进行分类。和基于图像块的分类方法相比，在相同的实验条件下，本发明方法的图像分类结果更加准确，视觉效果更好。

技术领域

本发明属于图像信息处理技术领域，具体涉及基于Hash编码的遥感图像分类方法。

背景技术

卫星遥感系统的空间分辨率和光谱分辨率的提高使得我们能够从遥感图像中辨识出更细小的物体，例如居民房屋、商业建筑、公交系统和公共事业设备等。从遥感图像中挖掘出的大量信息可以被应用到诸如灾害监测和评估、城市和区域规划、环境监测等领域。

近年来，基于核的方法，特别是支持向量机，在多光谱和超光谱的图像分类中取得了很多进展。但是，和所有监督学习一样，支持向量机的分类准确率依赖于训练样本的好坏。事实上，专家对训练样本的标注过程通常是根据场景的视觉特征来完成的，因此，如果样本在未加筛选之前就直接交给专家进行标注，带来的后果是专家会花费大量的宝贵时间对具有类似信息量的样本进行充分标注，这样会使得训练集的信息非常冗余，这种冗余信息大大降低了训练速度，甚至会产生过拟合的现象，特别是对于上百万甚至是上千万像素的高分辨图像。所以，对于卫星遥感图像而言，我们需要一个自动的定义有效训练集的过程。这个训练集的样本数量要尽可能的少而且能有效地提高分类模型的准确率。

所以，我们提出了hash自动编码的方法来进行遥感图像的分类。

发明内容

Hash学习通过机器学习机制将数据映射成二进制串的形式，能显著减少数据的存储和通信开销，从而有效提高学习系统的效率。另一方面，因为通过Hash学习得到的Hash码位数(维度)一般会比原空间的维度要低，因此也能降低数据维度，从而减轻维度灾难问题。

本文提出了用Hash自动编码的思想来处理高光谱遥感图像，将遥感图像每个通道提取出来，分成N*N小块，(将每个小块先进行DCT变换，然后进行均值处理，将大于平均值的编为1，小于平均值的编为0，生成Hash序列用来表征块的特征，然后将生成的编码进行SVM分类。

本发明基于Hash编码的遥感图像分类方法，包括以下步骤：

本发明应用的遥感图像为Indian_pines，有九个通道，提取其中一个通道进行hash编码

步骤1、将遥感图像分成n*n的小块，对遥感图像的每个像素，构造包含该像素以

及以该像素为中心的领域的n*n的图像块，得到一组重叠的图像块集合{I₁，I₂，…，I_n*n}；

步骤2、将得到的图像块进行DCT处理，可得到的新的图像块{D₁，D₂，…，D_n*n}；

步骤3，将每个图像块中的像素点{D₁，D₂，…，D_n*n}；进行均值计算得到

步骤4，将每个图像块进行Hash编码H_n＝{h_1,h₂....h_n*n}

步骤5，从所述图像块集合中选择少量图像块对应的Hash码进行人工标注，以这一部分图像块做为初始块训练样本集，以这一部分图像块的Hash码作为初始点训练样本集；

步骤6，用SVM完成遥感图像的分类。

有益效果

相比现有技术，本发明方法具有以下有益效果：