[发明专利]一种基于弱监督学习框架的遥感图像机场检测方法

摘要

本发明涉及一种基于弱监督学习框架的遥感图像机场检测方法。首先得到正样本中图块的显著性，正样本集中图块的相似性，正负样本类间差异性，然后利用贝叶斯框架对这三类信息进行融合，得到初始的正负训练集，然后利用这些训练集迭代训练得到最终的稳定的机场检测器，用该机场检测器检测测试图片的机场，最终取得更具准确性，鲁棒性的机场检测结果。

主权项

一种基于弱监督学习框架的遥感图像机场检测方法，其特征在于：利用方形滑动窗口在拍摄的遥感图像中提取图块，然后利用训练得到的机场检测器对图块进行分类，并利用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口高度重叠的问题，从而得到最终的机场检测结果；所述机场检测器的训练步骤如下：步骤1、对遥感图像数据库中随机抽取的多幅遥感图像进行正负样本分类，将含有机场信息的遥感图像作为正样本图像，未含有机场信息的遥感图像作为负样本图像；步骤2、利用多尺度方形滑动窗口在每一幅遥感图像中提取图块，将正样本图像得到的图块作为正样本集中的图块负样本图像得到的图块作为负样本集中的图块滑动步长为所选取窗口大小的1/3；步骤3、计算正样本集中图块的显著性：以正样本图集中的每一个图块周围图块作为字典对该图块进行稀疏编码χp≈Dicpαp，根据编码的稀疏度||αp||0和编码产生的残差rp＝χp‑Dicpαp，得到图块相对于周围背景的显著值其中：χp为图块的原始RGB特征，Dicp和αp分别是图块周围图块构成的字典和编码产生的稀疏系数，表示出现的概率；步骤4、计算正负样本集的类间差异性：以反映图块出现在负样本集中的概率作为该图块与负样本之间的差异性，且其中为负样本集X‑中第j维特征所对应的第k个高斯分量的权重，均值和方差，表示高斯混合模型中高斯分量的数目；步骤5、获取近似初始正训练集：根据判断图块为机场的概率，当图块是机场的概率大于阈值时，将该图块作为初始训练集中的正图块，所述阈值范围为0.5～1；将选出的图块作为近似正训练集；步骤6、计算正样本图像中图块与近似正训练集的相似性：首先利用高斯混合模型拟合近似正训练集中的样本分布；以作为图块与近似正训练集之间的相似性；其中：表示图块的第j维特征，H表示图块的特征的总维数，其中为正样本集中第k个图块对应的高斯混合模型中第j维特征的权重，均值和方差；步骤7、产生初始训练集：利用贝叶斯框架对步骤2‑6得到的显著性、类内相似性、类间差异性进行融合，最终得到图块是机场的概率其中和分别为图块xp属于近似正训练集和负训练集的概率，用最近邻法计算；当图块是机场的概率大于阈值时，该图块作为初始训练集中的正图块；所述阈值范围为0.5～1；初始训练集中的负训练集由负样本图像随机采样产生；步骤8、训练机场检测器：利用初始训练集对支持向量机进行迭代训练得到稳定的机场检测器，在每次迭代中，前一次迭代所更新得到的最新训练集用于训练当前的机场检测器，再利用训练后得到的当前的机场检测器对训练集进行更新并用作下一次迭代的训练集，直到该模型开始漂移时迭代结束，并将漂移前一次的机场检测器作为最终的机场检测器。