[发明专利]基于特征池化与除归一化表示的高分辨率遥感图像分类方法

说明书

一种基于特征池化与除归一化的遥感图像分类方法，首先对遥感图像进行线性滤波，采用特征池化对线性滤波结果的特征进行合并，而后通过除归一化降低遥感图像中的高阶相关性，以稠密网格方式提取局部描述子，最后经Hellinger核映射与特征降维后进行特征编码形成遥感图像的全局表达，再经训练与预测后完成对遥感图像的分类，本发明能够获得较高的图像分类精度，消除了图像中的低阶高阶统计相关性的冗余增强目标位置不变性，特征压缩紧凑，降低了特征维度，提高了计算效率，获得了更好的分类性能，简单易实现，精度高。

技术领域

本发明涉及的是一种遥感图像处理领域的技术，具体是一种基于特征池化与除归一化的遥感图像分类方法。

背景技术

高分辨率的遥感图像分类中的一个关键步骤为提取合适的图像特征，广泛采用的特征有纹理特征和局部特征。常见的纹理特征有Gabor纹理和LBP纹理，局部特征有HOG特征、SIFT特征以及Dense SIFT特征等。但图像分类中存在目标尺度、光照不一致，目标遮挡，低阶与高阶相关性等问题。

现有的基于视觉词汇的遥感图像地物分类方法，大多基于高斯模糊与抽样生成多层高斯空间金字塔；再通过SIFT特征提取与LBP特征提取，并使用支持向量机RBF-SVM进行训练，从而对测试集中遥感图像进行地物分类。但基于视觉词汇的图像分类方法在本质上都受限于词包模型的缺点。第一，采用频率直方图特征的方式并不是最优的图像表示。第二，词包模型对低层次描述子(如SIFT特征)的量化是一个有损过程。另外，径向基核的RBF-SVM在训练时需要进行参数寻优，这样会使得训练耗时较高，并且，训练好的RBF-SVM分类器对测试图像进行分类时也同样是耗时的。

现有技术中也有通过预训练的开源深度学习框架ConvNet并结合SVM分类器，评价了深度特征的泛化能力，在遥感图像分类中同样获得了较高的分类精度。但这类技术中的卷积神经网络中包含许多卷积层的特征提取，并且每一层都涉及到大量滤波器核的卷积操作，当进一步考虑将多个卷积神经网络组合在一起时，随着组合数量的增加，其计算复杂度会成倍地增加。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于特征池化与除归一化的遥感图像分类方法，能够获得较高的图像分类精度，消除了图像中的低阶高阶统计相关性的冗余增强目标位置不变性，特征压缩紧凑，降低了特征维度，提高了计算效率。获得了更好的分类性能，简单易实现，精度高。

本发明首先对遥感图像进行线性滤波，采用特征池化对线性滤波结果的特征进行合并，而后通过除归一化降低遥感图像中的高阶相关性，以稠密网格方式提取分歧归一化因子，最后经Hellinger核映射与特征降维后进行特征编码形成遥感图像的全局表达，再经训练与预测后完成对遥感图像的分类。

本发明包括以下步骤：

1)分别采用Log-Gabor滤波和高斯导数滤波结合方向化幅值的方式得到相应的滤波响应；

2)采用特征池化对得到的滤波响应进行空间上相邻位置合并；

3)对每一空间位置，将其与周围相邻位置进行除归一化，并以稠密网格方式提取分歧归一化因子；

4)对分歧归一化因子进行Hellinger核映射与特征降维后再进行特征融合，之后通过特征编码将融合后的分歧归一化因子聚合成图像形成全局表达；

5)结合线性分类器对聚合的图像进行学习与预测，实现分类。

所述的Log-Gabor滤波采用三个尺度与四个方向，共组成12个滤波器，对输入图像进行线性滤波后，最后形成12幅Log-Gabor幅值图。

所述的高斯导数滤波采用水平、垂直两个方向对遥感图像进行滤波，并计算两个方向上的梯度响应和梯度方向。

所述的方向化幅值指根据梯度方向将每个空间位置的梯度响应离散化，得到若干具有方向性的梯度幅值图。