[发明专利]基于CDCP局部描述子的遥感图像场景分类方法

摘要

本发明公开了一种基于完全双交叉模式CDCP局部描述子的遥感图像场景分类方法，主要解决传统遥感图像分类方法准确率不高的问题。其实现步骤为：1.输入遥感图像数据集；2.对数据集中的图像进行灰度化处理；3.对灰度化处理后的图像提取完全双交叉模式CDCP局部特征描述子，即将每幅图像转化成一个特征向量；4.对图像的特征向量进行归一化；5.以归一化后的特征向量作为分类特征，采用SVM分类器对数据集中所有图像进行分类，并输出分类结果。本发明提出的完全双交叉模式CDCP局部特征描述子对多种遥感图像具有很强的描述能力，提高了场景分类的准确率，可用于对遥感图像数据的分析和管理。

主权项

1.一种基于CDCP局部描述子的遥感图像场景分类方法，包括：(1)输入遥感图像数据集；(2)采用Matlab自带的灰度化函数rgb2gray()对输入的所有图像进行灰度化处理；(3)设置数据集中每幅图像像素点两层邻域的模式，即先将每个像素点的两层邻域分成0，π/4，π/2，3π/4，π，5π/4，3π/2，7π/4这8个方向，再将该8个方向分为两组：第一组为(0，π/2，π，3π/2)，第二组为(π/4，3π/4，5π/4，7π/4)；(4)计算数据集中每幅图像在上述两组模式下的灰度差值符号直方图，再将这两组模式下的灰度差值符号直方图连接起来，生成图像的灰度差值符号直方图；(5)计算数据集中每幅图像在上述两组模式下的灰度差值绝对值直方图，再将这两组模式下的灰度差值绝对值直方图连接起来，生成图像的灰度差值绝对值直方图；(6)将图像的灰度差值符号直方图和灰度差值绝对值直方图连接起来，生成图像的特征向量；(7)在数据集的每一类遥感场景图像中，随机地选择其中80％的图像的特征向量作为训练集，其余图像的特征向量作为测试集；(8)对特征向量进行归一化处理，即将训练集与测试集一起归一化到[0,1]区间；(9)以归一化后的特征向量作为分类特征，采用SVM分类器对数据集中所有图像进行分类，即利用训练集建立SVM分类模型，再利用该分类模型对测试集进行预测。