[发明专利]基于Hash编码的遥感图像分类方法

摘要

本发明公开了基于Hash编码的遥感图像分类方法，该方法提出了用Hash自动编码的思想来处理高光谱遥感图像，将遥感图像每个通道分成N*N小块，将每个小块进行Hash处理，生成Hash序列用来表征块的特征，然后将生成的编码进行分类。和基于图像块的分类方法相比，在相同的实验条件下，本发明方法的图像分类结果更加准确，视觉效果更好。

主权项

1.基于Hash编码的遥感图像分类方法，其特征在于，将遥感图像每个通道分成N*N小块，将每个小块进行Hash处理，生成Hash序列用来表征块的特征，然后将生成的编码进行分类，并使得最终得到的分类结果图具有更好的视觉效果；具体步骤如下：步骤1、设N＝3，将遥感图像分成3*3的小块；对于遥感图像的每个像素，以该像素为中心，取邻域构造3*3的图像块，得到一组重叠的图像块集合{I1，I2，…，I9}遥感图像中各个像素的明暗程度用灰度值来表示，0～255，白色的灰度值定为255，黑色的定为0，黑白之间的明暗程度用256个等级来表示；步骤2、将得到的图像块进行DCT处理，得到的新的矩阵块{D1，D2，…，D9}离散余弦变换DCT为图像压缩算法，它将图像从像素域变换到频率域，然后一般图像都存在很多冗余和相关性的，所以转换到频率域之后，只有很少的一部分频率分量的系数才不为0，大部分系数都为0，或者说接近于0；步骤3、将每个图像块中的DCT值{D₁₁，D₁₂，…，D₁₉}进行平均值计算，得到步骤4、将每个图像块进行Hash编码Hn＝{h1,h2,...,h9}生成Hash序列来表征块的步骤5、从所述图像块集合中选择少量图像块对应的Hash码进行人工标注，以这一部分图像块做为初始块训练样本集，以这一部分图像块的Hash码作为初始点训练样本集；步骤6，用SVM完成遥感图像的分类；SVM分类器的训练过程如下：给定一个标注集其中x_i∈R^d，y_i∈{‑1,1}；x_i为反馈样本的底层视觉特征矢量，y_i为类别标注，正反馈样本的类别标注为1，负反馈样本的类别标注为‑1，R^d为实数域上R上的d维向量空间；为了更好的解决非线性问题，利用一个非线性映射将样本映射到高维空间中，如下所示：Φ:Rd→F       x→Φ(x)其中，F是映射到的高维空间，Φ是对应的映射函数，决策函数表示为以下形式：g(x)＝w·Φ(x)+b                 (1)相应地，支持向量机分类面写成：w·Φ(x)+b＝0                   (2)其中，w为权值向量，b为偏移常量；落在w·Φ(x)+b＝±1这两个超平面上的点称为支持向量，支持向量到分类面的距离称为分类间隔，大小为分类间隔的大小表示了分类器的泛化能力，因此要使分类器的间隔最大化：subject to：yi(w·Φ(xi)+b)≥1,i＝1,…,N               (3)根据(3)式的求解即得到支持向量机分类面；通过拉格朗日乘子法对(3)式中的二次规划问题进行求解，得到：其中，xi为支持向量，yi和αi分别为该支持向量对应的类别标注和拉格朗日系数；样本x通过二类SVM分类器得到的输出为：利用核函数避开非线性映射的显示表达，图像样本通过二类SVM分类器得到的输出可以改写为：其中，K(·)为核函数，且K(xi,x)＝Φ(xi)T·Φ(x)，上标T表示转置矩阵；根据(6)式，对于任意一个为标准的样本，如果f(x)的值大于0，则该样本的类标为1，f(x)的值小于0则类标为‑1；对于多类分类，通过一对多的方式对多个二分类器进行联合，每个二类分类器产生一个分类超平面，图像有多少类便可生成多少个分类超平面，然后计算每个未标注样本到所有分类超平面的距离，样本属于距离最大的那一类。