[发明专利]一种遥感景象的自动识别方法

说明书

技术领域

本发明属于遥感技术领域，具体地说，涉及了一种遥感景象的识别方法。

背景技术

图像景象识别的一般流程为：首先提取一幅图像的向量形式的描述子，然后用图像的描述子和其对应的景象类别标识作为训练数据训练分类器。所得的分类器可以估计未知景象图像的类别标识，达到识别景象类别的目的。

美国麻省理工学院的Aude Oliva和Antonio Torralba发表论文Modeling the Shape ofthe Scene:AHolistic Representation ofthe Spatial Envelope,International Journal of ComputerVision,42(3),145–175,2001，设计了一种用来提取景象图像的全局特征的GIST描述子，广泛的应用在景象图像识别。对于相似的景象图像，其GIST描述子相似；对于完全不同的景象图像，其GIST描述子差异大。但现有的GIST描述子不具备旋转不变性。若将一幅图像左右或上下旋转，则原图像的GIST描述子和旋转图像的GIST描述子完全不同。在遥感图像分析中，拍摄方向不同会导致同景象呈现出左右或上下旋转的图像。如图1至3所示，图1至3分别是UC Merced Land Use Dataset数据集中的遥感图像，图1所示为同一机场遥感景象旋转呈现的两张图像，图2所示为同一河流遥感景象旋转呈现的两张图像，图3所示为同一农田遥感景象旋转呈现的两张图像。

由图1-3可知，同一景象由于拍摄方向不同会导致遥感图像旋转。由同景图像旋转前后的图像计算出的GIST描述子完全不相似，不利于运用机器学习的方法进行景象类别识别，其训练的分类器分类效果差。

发明内容

本发明针对现有遥感图像旋转时GIST描述子不相似导致的景象类别识别效果差的上述不足，提供一种遥感景象的自动识别方法，该方法能够显著提高遥感景象的分类识别。

本发明的技术方案是：一种遥感景象的自动识别方法，含有以下步骤：

步骤一：设计特征提取滤波器，其步骤为：

定义I表示一张分辨率为X×Y的遥感景象黑白图像，I是X×Y维矩阵，I(x,y)是矩阵(x,y)位置的元素，表示遥感景象图像(x,y)位置像素的灰度值；

令(x',y')为图像空间域(x,y)变换到频域的单位度量；

在频域，针对N_S个尺度和N_O个角度设计N_SN_O个特征提取滤波器，其中第i尺度层级和第j角度层级的特征提取滤波器为：

式中，特征提取滤波器G(x',y'；i,j)的指数函数中包括尺度项和角度项两部分；尺度项刻画遥感景象图像频谱在第i尺度上的特征，角度项刻画遥感景象图像频谱在角度上的特征；γ是权重参数，用来平衡尺度项和角度项在特征滤波器中的作用权重。

步骤二：用特征提取滤波器对遥感景像图像进行空间域滤波，提取遥感景象图像的旋转不变子，其步骤为：

根据空间域卷积滤波等效于频域乘积，特征提取滤波器G(x',y'；i,j)对遥感景象图像I(x,y)在空间域的滤波通过频域乘积形式计算，表示为：

F_ij(x,y)＝IDFT2[DFT2[I(x,y)]G(x',y'；i,j)] (2)

式中，DFT2[]表示二维傅里叶变换，IDFT2[]表示二维逆傅里叶变换，F_ij是X×Y维特征映射矩阵，其第(x,y)元素为F_ij(x,y)；

为了进一步聚合特征，对特征映射矩阵F_ij的邻域元素进行平均，将整个特征映射矩阵F_ij均分为S_x×S_y个不交叠的子矩阵，要求S_x和S_y分别能整除X和Y，然后将每个子矩阵中的元素按公式(3)进行平均，公式(3)表示为：

式中，是S_x×S_y维的聚合特征映射矩阵；

将聚合特征映射矩阵由左至右的所有列从上到下排列，得到M＝S_xS_y维向量表示遥感景象图像在i尺度层级和j角度层级的子描述子；