[发明专利]一种确定遥感图像归属的场景类别的方法

权利要求书

1.一种确定遥感图像归属的场景类别的方法，其特征在于，包括如下步骤：

步骤(1)、对每一张遥感图像的原始图像I(x)，使用高斯核密度估计方法分析图像的显著性，得到遥感图像的显著图S(x)；显著图S(x)的计算过程具体为：

假设有一副遥感图像I，将遥感图像中的每个像素定义为其中是图像I中像素x的坐标，f是每个坐标的特征向量，假定存在表示像素显著性的二进制随机变量H_x，并且满足：

根据P(H_x＝1|f)＝P(1|f)来计算x的显著性，利用贝叶斯公式，可以得到如下结果：

假定Θ包含一个显著对象，用窗口Window把图像分为一个环绕Ω和中心Θ，具体为：Θ中的像素作用于P(f|1)，而Ω中的像素作用于P(f|0)，通过滑动窗口Window，就可以扫描整个图像，并计算局部显著值；

利用定义属于显著性检测中心的测量点像素x，那么应用贝叶斯理论，可以得到：

上式进一步改写为：

采用高斯核函数，对和进行估计，并完成特征分布的计算，得到：

其中，m和n是样本数，是属于Ω的第i_th个样本，是属于Θ的第i_th个样本，G(·)是高斯核函数：

其中，σ₁是标准差；

假设Ω中的样本是少量的、均匀地散落在半径为r的圆上的，并且对有贡献，由得到：

其中，σ₁和σ₀是标准差，n是Ω中的样本数，r是取样的半径，根据采样圆半径和采样数，定义图像的显著性为：

其中，是一个循环平均滤波器，*是卷积算子，α≥1是强调高概率区域效应的衰减因子，

计算不同尺度像素的显著性，取所有尺度的平均值，可以得到显著图S(x)：

其中，τ是尺度数，是第i_th个经计算得到的显著图；

步骤(2)、引进比例系数将显著图与原始图像叠加，得到预处理好的图像，所述预处理好的图像能够用于提取特征以及用于编码；具体为：借助比例系数κ∈(0，1]，采用如下计算方式，实现显著图与原始图像叠加，得到突出场景部位并可用于提取特征的图像，即预处理好的图像I′(x)：

I′(x)＝I(x)+κ·S(x)

步骤(3)、对预处理好的图像通过尺度不变特征变换SIFT进行特征提取，将预处理好的图像转化为由特征描述的格式，得到由特征表示的图像；

步骤(4)、对特征采用局部约束线性编码，将由特征表示的图像转化为编码数据；

步骤(5)、采用支持向量机对编码数据进行场景类别分类训练，得到训练好的分类模型，该分类模型能够根据输入的编码数据输出对应的遥感图像所归属的场景类别。

2.如权利要求1所述的方法，其特征在于，所述步骤(3)中对预处理好的图像通过尺度不变特征变换SIFT进行特征提取包括以下步骤：1.对不同尺度空间的预处理好的图像具有方向信息的局部极值点进行检测，定义不同尺度空间的预处理好的图像具有方向信息的局部极值点为关键点；所述关键点能够反应不会因光照条件的改变而消失的特征，包括：角点、边缘点、暗区域的亮点以及亮区域的暗点；2.对关键点进行精确定位；3.确定关键点的主方向；4.生成SIFT矢量。

3.如权利要求1所述的方法，其特征在于，所述步骤(4)具体包括：定义矩阵矢量X，B，假设X表示从特征表示的图像中提取出来的一组D维局部描述符，B为通过学习得到的词典，X＝[x₁，x₂，...，x_N]∈R^D×N，B＝[b₁，b₂，...，b_N]∈R^D×N，R是实数集，N表示视觉词典库的大小，假设码本有M个元素，会将每个描述符转化为一个M维码，将特征表示的图像转化为编码数据。

4.如权利要求1所述的方法，其特征在于，所述步骤(5)采用线性支持向量机对编码数据进行场景类别分类训练。