[发明专利]一种遥感影像分类与检索方法

说明书

本发明属于数字图像处理技术领域，具体涉及一种遥感影像分类与检索方法，工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像，采用尺度不变特征变换在遥感影像不同尺度空间上查找分类的局部特征，采用通用搜索树构造遥感影像的全局特征，并引入高斯权函数，进行局部特征与全局特征的正则化融合，在正则化局部特征与全局特征融合的基础上开展遥感影像的分类，最终实现影像的检索；其原理科学合理，遥感影像局部特征与全局特征的融合能够全面的刻画遥感影像的多尺度、空间和纹理特征，使得大小及方向各异的地物被完整分类。

技术领域：

本发明属于数字图像处理技术领域，涉及一种遥感影像分类与检索方法，采用具有尺度不变特征的分类方法，基于通用搜索树和改进词袋模型，实现对遥感影像的分类与检索。

背景技术：

随着卫星遥感和无人机低空数码航测技术的发展，高分辨率影像在地学理解和分析应用的主要障碍已经不再是数据源的不足，而是从遥感影像中提取更丰富、更有用和更可靠信息的技术与能力。遥感影像(Remote Sensing Image，RS)是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片，用计算机处理的遥感影像必须是数字图像，以摄影方式获取的模拟图像必须用图像扫描仪等进行模数(A/D)转换；以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的CCT等通用载体上，计算机图像处理要在图像处理系统中进行，图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入，输出，校正，变换，分类等功能)构成，图像处理内容主要包括校正、变换和分类。遥感影像分类是地物解译与特征提取的重要环节，根据光谱特征、空间结构特征或其他信息对地球表面及其环境进行自动判别分类。遥感影像分类根据分类对象可分为基于像元、基于对象和基于混合像元分类方法：基于像元的遥感影像分类方法是使用统计学习计算每个图像像元的光谱或纹理或结构信息进行判别分类；基于对象的遥感影像分类方法综合考虑空间、纹理信息使分类的依据是对象而不是单个像元；基于混合像元的遥感影像分类方法是通过在一个像元内包含多种地物的像元进行分类，克服“异物同谱”问题。为克服传统模式识别分类方法的缺点，机器学习模式识别领域的智能计算方法与技术被引入遥感影像的多分类研究中，但由于分类之前采用维数约减，会损失一部分影像信息，分类常出现错分、漏分、分类精度不高等问题。

为了提高遥感影像分类效率，分类过程的智能计算方法与技术被应用到高光谱高分辨率遥感影像的维数约减与智能分类中，根据波段选择是否采用学习算法，维数约减方法包括包装袋和滤波器：包装袋方法首先采用人工智能算法(包括支持向量机、遗传算法、粒子群算法、蚁群算法或其算法组合)进行分类精度的训练，然后将分类精度作为适应度函数评价所选波段集合。随着人工智能的迅猛发展，决策树、随机森林、神经网络、支持向量机和最新的卷积神经网络等先进的分类技术聚焦于高分辨率遥感影像分类，并取得较好的研究成果。

为了提高遥感影像分类精度和计算效率，包括词袋模型的局部特征算法被用于遥感影像的维数约减，词袋模型的基本原理(Bag of words)如下：假设有5类图像，每一类中有10幅图像，每一幅图像划分成patch(可以是刚性分割也可以是像SIFT基于关键点检测的)，每一个图像由多个patch表示，每一个patch用一个特征向量来表示，一幅图像有成百上千个patch，每一个patch特征向量的维数128，假设Dictionary词典的Size为100，用K-means算法对所有的patch进行聚类，k＝100，等k-means收敛时，得到每一个cluster最后的质心，这100个质心(维数128)就是词典里的100个词了，词典构建完毕，先初始化一个100个bin的初始值为0的直方图h，再次计算每一幅图像的patch和每一个质心的距离，看看每一个patch离哪一个质心最近，那么直方图h中相对应的bin就加1，计算完这幅图像所有的patches之后，得到一个bin＝100的直方图，进行归一化，用这个100维的向量来表示这幅图像；但词袋模型通常聚焦于局部图像特征的提取，无法表达遥感影像包括纹理与空间结构的全局特征，降低了遥感影像分类的准确度。