[发明专利]基于图像分割和改进VLAD的遥感图像检索方法及系统

说明书

本发明提供一种基于图像分割和改进VLAD的遥感图像检索方法及系统，包括利用全卷积网络训练分割，获取检索图像库中所有图像的全局卷积层特征和图像内分割所得不同区域的局部卷积层特征；提取出分割后每个区域的信息熵，利用改进VLAD和信息熵获取特征表示，利用主成分分析降维；根据图像特征表示进行相似性度量，返回检索结果。本发明结合图像分割和改进的VLAD，同时考虑了不同区域的特征信息，在卷积层特征上进一步提取有效特征表示，降低了计算成本，并且对于尺度变化，噪声干扰均具有鲁棒性。

技术领域

本发明属于遥感影像处理技术领域，涉及一种基于图像分割和改进VLAD的遥感图像检索方法。

背景技术

随着遥感图像的快速增长，遥感数据管理工作已经成为了重中之重。作为遥感数据管理问题的一种解决方法，遥感图像检索是从海量数据源中快速检索出感兴趣的遥感图像，更加方便高效地实现数据管理。在遥感图像检索中，分为特征提取和相似度度量两步，有效的特征表示能大大提高检索进度，因此，如何提取出有效特征成为一项研究热点。

目前常用的提取特征方法是利用常见的卷积神经网络在目标数据集上进行训练分类，然后提取出中间的卷积层特征或者全连接层特征，再利用不同的编码方法对特征进行编码，得到最终的特征表示。然而，一张遥感图像往往含有多种类别，利用分类的卷积神经网络进行训练时得到一种场景分类结果，却忽略了遥感图像的多类性。常见的编码方法有BOVW(词袋模型)、VLAD(局部特征描述符)和IFK(改进费雪尔核)：其中BOVW是将特征点进行聚类，用离特征点最近的一个聚类中心去代替该特征点，损失较多信息；IFK是对特征点用高斯混合模型建模，高斯混合模型实际也是一种聚类，只不过它是考虑了特征点到每个聚类中心的距离，也就是用所有聚类中心的线性组合去表示该特征点，在建模的过程中也有损失信息；VLAD和BOVW类似，只考虑离特征点最近的聚类中心，但VLAD保存了每个特征点到离它最近的聚类中心的距离，考虑了特征点的每一维的值，对图像局部信息有更细致的刻画，没有损失信息。但VLAD只计算每个特征点到离它最近的聚类中心的距离，也有可能一些特征点在两个或多个聚类中心之间具有相似甚至相同的距离，将其归属于任何一个聚类中心都会损失信息。

发明内容

针对现有技术的不足，本发明提供一种基于图像分割和改进VLAD的遥感图像检索技术方案。

为实现上述目的，本发明的技术方案提供一种基于图像分割和改进VLAD的遥感图像检索方法，包括以下步骤，

步骤a，利用全卷积网络训练分割，获取检索图像库中所有图像的全局卷积层特征和图像内分割所得不同区域的局部卷积层特征；

步骤b，对于检索图像库中的每一幅图像，根据步骤a所得区域的局部卷积层特征，提取出分割后每个区域的信息熵；

步骤c，利用改进VLAD和信息熵获取对检索图像库中的每一幅图像编码后的特征表示，实现如下，

首先，对检索图像库中的所有图像的全局卷积层特征进行k-means聚类，得到M个聚类中心，聚类中心集合C＝{c_i|i＝1,…,M}，其中，M为聚类中心的总数，i为聚类中心的标号，c_i为第i个聚类中心；

然后，设检索图像库中的所有图像的局部卷积层特征集为F＝{f_j|j＝1,2,...,N}，f_j代表第j个图像的局部卷积层特征向量，N是检索图像库中图像数量；其中，f_j是由第j个图像的所有区域的局部卷积层特征构成的向量。

利用第j个图像的局部卷积层特征向量f_j到各聚类中心c_i的距离v_i构成该图像的特征表示，记为V＝{v₁,v₂,...v_M}，