[发明专利]基于多路分层正交匹配的遥感图像场景分类方法

摘要

本发明公开了一种基于多路分层匹配追踪算法的遥感图像场景分类方法，主要解决现有技术分类精度不高的问题，其实现步骤为：(1)分别建立对遥感场景图像进行分类的训练集和测试集；(2)采用五种不同的滑窗对图像进行密集采样，得到图像采样点；(3)用K‑SVD算法字典学习；(4)对图像采样点进行稀疏编码；(5)对图像进行块最大池化；(6)针对不同滑窗得到的图像块大小，分别建立第二层或第三层特征学习过程；(7)用金字塔模型和最大池化得到图像特征向量；(8)用半监督的支持向量机进行分类。本发明充分利用图像本身的信息建立了不同层次不同路径的特征学习过程，可用于遥感图像的场景检测和目标识别。

主权项

1.一种基于多路分层正交匹配追踪的遥感图像场景分类方法,包括如下步骤：(1)分别建立对遥感场景图像进行分类的训练集和测试集；(1a)根据需要将遥感场景图像数据集定义为N类，类别编号分别为1～N；(1b)在每一类遥感场景图像中随机选择80幅图像组成对遥感场景图像进行分类的训练集，其余图像为遥感场景图像分类的测试集；(2)取大小为W1×W1的滑窗对遥感场景图像分类的训练集和遥感场景图像分类的测试集的每一幅RGB图像进行密集采样，建立单层特征学习过程P1，得到图像特征向量F1；(3)取大小为W2×W2的滑窗对遥感场景图像分类的训练集和遥感场景图像分类的测试集的每一幅RGB图像的灰度图像进行密集采样，建立两层特征学习过程P2，得到图像特征向量F2；(4)取大小为W3×W3的滑窗同步骤(2)进行处理，建立单层特征学习过程P3，得到图像特征向量F3；(5)取大小为W4×W4的滑窗同步骤(3)进行处理，建立两层特征学习过程P4，得到图像特征向量F4；(6)取大小为W5×W5的滑窗对遥感场景图像分类的训练集和遥感场景图像分类的测试集的每一幅RGB图像的灰度图像进行密集采样，建立三层特征学习过程P5，得到图像特征向量F5；(7)将遥感场景图像分类的训练集和遥感场景图像分类的测试集的每一幅图像的特征向量F1、F2、F3、F4和F5依次连接构成最终的特征向量，然后用半监督的支持向量机(Semi‑Supervised Support Vector Machine，S3VM)分类器进行分类，具体包括：(7a)建立支持向量机的判决函数：其中x表示测试样本，c代表类别编号，xc表示第c类的训练样本，K(x,xc)是测试样本x的非线性核函数，表示样本x和xc的相似度，αc是第c类的权重向量，bc是第c类的阈值向量，T表示转置；(7b)用有标签的样本训练有监督的支持向量机，得到分类模型，用此分类模型对无标签的样本进行分类，然后在分类后的正样本中选取前若干个可靠度最高的作为正样本，剩余样本为负样本；(7c)重新用SVM分类器进行分类，得到新的分类结果；(7d)在未分类的样本中选择一个正样本变为负样本，同时选择一个负样本变为正样本，然后用SVM分类器分类，若分类正确率提高了，则取反，否则不取反；(7e)重复步骤(7d)，直到满足设定的阈值为止。