[发明专利]基于直线单词的高空间分辨率遥感图像词袋分类方法

摘要

本发明公开了一种基于直线单词的高空间分辨率遥感图像词袋分类方法。先将待分类图像划分为训练样本和分类样本，对于训练样本的步骤：提取训练图像的直线特征并计算直线的特征向量；利用K-Means++算法聚类生成直线视觉词汇表；对训练图像进行分割，在此基础上获取各分割斑块的直线视觉单词直方图；对斑块进行类别标注，并将类别、直线视觉单词直方图存储入库。样本训练后，对于分类样本的步骤：提取待分类图像的直线特征；对待分类图像进行分割，在此基础上计算直线的特征向量，并获取各斑块的直线视觉单词直方图；选取SVM分类器对待分类图像进行分类，获得分类结果。本方法利用直线特征建立词袋模型，能够获得更好的高空间分辨率遥感图像分类效果。

主权项

基于直线单词的高空间分辨率遥感图像词袋分类方法，其特征在于，所述方法包括以下两个阶段：第一阶段：训练阶段，采取如下步骤，第一步，提取训练图像的直线特征，并在此基础上计算直线的特征向量：(a)利用基于相位编组提取图像中直线的方法获取训练图像的相位直线；(b)计算直线的特征向量，获取直线的密度、长度、长度熵、角度、角度熵、对比度、对比度熵、颜色特征的均值和方差的特征向量；直线密度为以所述直线中点为中心的n×n的窗口内的直线的条数，记为N；直线长度的计算公式如下： h ( i ) = ( pb ( x ) - pe ( x ) ) 2 + ( pb ( y ) - pe ( y ) ) 2 - - - ( 1 ) 其中pb(x)、pb(y)分别为所述直线起点在图像坐标平面上的X坐标值和Y坐标值；pe(x)、pe(y)分别为所述直线终点在图像坐标平面上的X坐标值和Y坐标值；直线长度熵的计算公式如下： E = - Σ i = 1 N [ h ( i ) × log 2 ( h ( i ) ) ] - - - ( 2 ) 其中N是所述直线的密度；h(i)为其中经过所述n×n窗口的第i条直线的长度；直线角度是所述直线与图像坐标平面水平方向的夹角；直线角度熵的计算公式如下： E , = - Σ i = 1 N [ ( g ( i ) - aveG ) × log 2 ( ( g ( i ) - aveG ) ) ] - - - ( 3 ) 其中N是所述直线的密度；aveG为经过所述n×n窗口的所有直线角度的平均值；g(i)为经过所述n×n窗口的第i条直线与图像坐标平面水平方向的夹角；直线对比度是所述直线支持区域内所有像元点的梯度最大值；直线对比度熵的计算公式如下： E , , = - Σ i = 1 N [ c ( i ) × log 2 ( c ( i ) ) ] - - - ( 4 ) 其中N是所述直线的密度；c(i)为经过所述n×n窗口的第i条直线的对比 度；直线颜色特征的均值和方差的计算公式如下： μ = 1 M Σ 1 M P ( x , y ) - - - ( 5 ) σ = 1 M Σ 1 M ( P ( x , y ) - μ ) - - - ( 6 ) 其中P(x，y)为图像(x，y)点处灰度值，M为所述直线缓冲区包含像元的个数；(c)获取训练图像中所有图像的直线特征向量后，将直线的起点和终点坐标，连同以上得到的特征向量一起存入训练样本数据库中；第二步，读取训练样本数据库中直线的特征向量，利用K‑Means++算法聚类生成直线视觉词汇表；第三步，对训练图像采用光谱和形状特征结合的多精度图像分割方法进行分割，形成分割斑块，在此基础上，根据直线与斑块的位置关系，将包含左侧或右侧颜色特征的直线赋予斑块，形成各斑块的直线视觉单词直方图；第四步，为分割斑块指定地物类别，并将斑块的类别信息和对应的直线视觉单词直方图信息一起存入训练样本数据库，作为分类的训练样本；第二阶段：样本训练后，进入样本的分类阶段，采取如下步骤，第一步，对待分类图像，利用基于相位编组提取图像中直线的方法获取待分类图像的相位直线；第二步，对待分类图像，利用光谱和形状特征结合的多精度图像分割方法进行分割，形成分割斑块，在此基础上计算直线的特征向量，其计算方法与第一阶段第一步中的(b)相同，在此基础上，根据直线与斑块的位置关系，将包含左侧或右侧颜色特征的直线赋予斑块，形成各斑块的直线视觉单词直方图；第三步，采用SVM分类器，其核函数为高斯径向基函数，对分割后的图像进行分类，即遍历待分类图像所有图斑，根据各图斑的直线单词直方图，利用训练样本判断各斑块所属类别，完成分类过程，获得分类结果，实现基于直线单词的词袋模型分类。