[发明专利]一种遥感影像分类与检索方法

摘要

本发明属于数字图像处理技术领域，具体涉及一种遥感影像分类与检索方法，工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像，采用尺度不变特征变换在遥感影像不同尺度空间上查找分类的局部特征，采用通用搜索树构造遥感影像的全局特征，并引入高斯权函数，进行局部特征与全局特征的正则化融合，在正则化局部特征与全局特征融合的基础上开展遥感影像的分类，最终实现影像的检索；其原理科学合理，遥感影像局部特征与全局特征的融合能够全面的刻画遥感影像的多尺度、空间和纹理特征，使得大小及方向各异的地物被完整分类。

主权项

1.一种遥感影像分类与检索方法，其特征在于具体工艺流程包括构建训练数据集、构建尺度空间、构建局部特征、构建全局特征、构建正则化分类特征、构建待分类数据集、构建检索视觉词袋和检索遥感影像共八个步骤：(一)构建训练数据集：通过卫星或航拍获取原始遥感影像，采用ENVI对遥感影像进行几何校正、去燥和裁切的预处理操作，得到训练数据集，完成遥感影像训练数据集的构建；(二)构建尺度空间：利用公式1：S(x,y,σ)＝G(x,y,σ)×I(x,y)进行原始遥感影像与可变尺度的二维高斯函数卷积运算，其中S为尺度空间，σ为正态分布标准差，即尺度空间因子，G(x,y,σ)为可变尺度的二维高斯函数，I(x,y)为原始遥感影像，原始遥感影像被映射为多尺度的关键点序列，完成遥感影像尺度空间的构建；(三)构建局部特征：利用公式2：D(x,y,σ)＝S(x,y,kσ)‑S(x,y,σ)提取尺度空间的关键点，其中D为尺度空间每组影像中相邻上下两层影像相减得到的高斯差分影像，S为尺度空间，σ为尺度空间因子，k为组内总层数的倒数，采用高斯差分算子检测关键点，为尺度不变关键点赋予梯度方向，根据向前差分、向后差分或中心差分计算关键点周围像素梯度方向并绘制直方图，每个像素与所有相邻点比较，在尺度空间寻找极值点，得到局部特征，完成遥感影像局部特征的构建；(四)构建全局特征：利用空间金字塔方法将原始遥感影像划分为4×4网格，通过Gabor函数：对每个网格在四个尺度和方向进行过滤，其中Z为对尺度空间S的θ组影像进行K级别Gabor过滤的函数表达，为滤波指数函数，(x_θ,y_θ)代表θ组影像的像素位置，K为过滤器级别，S为尺度空间，σ为尺度空间因子，生成32副相同尺寸的特征映射，滤波后的遥感影像表达为：其中为尺度空间S的θ组影像进行K级别Gabor过滤后得到的影像表达，I为原始遥感影像，完成遥感影像全局特征的构建；(五)构建正则化分类特征：利用高斯权函数：融合局部特征点和全局特征点，其中w为高斯权重因子，e为自然常数，(x,y)为影像的像素位置，σ为正态分布标准差，构建遥感影像的正则化分类特征：LGF＝wL+(1‑w)G，其中L为影像的局部特征，G为影像的全局特征，LGF为遥感影像的正则化分类特征，w为权重因子，完成遥感影像正则化分类特征的构建；(六)构建待分类数据集：重复步骤(三)、(四)和(五)直至训练数据集为空，得到包含局部特征和全局特征的待分类数据集，完成遥感影像待分类数据集的构建；(七)构建检索视觉词袋：选用支持向量机libsvm作为遥感影像分类器对遥感影像待分类数据集进行影像分类，完成遥感影像检索视觉词袋的构建；(八)检索遥感影像：提取一个待检索遥感影像的影像特征，根据原始遥感影像统计特征生成待检索遥感影像的分布直方图，得到待检索遥感影像的K维向量，根据余弦相似定理计算K维向量与检索视觉词袋中每个遥感影像的余弦夹角，夹角越小，相似度越大，夹角越大，相似度越小，实现遥感影像的检索。