[发明专利]基于巴氏系数的单类标注下遥感影像目标区域提取方法

摘要

本发明属于遥感影像在单类标注下目标区域的提取方法，其特征在于依次包括如下步骤：1）接收多光谱高分辨率遥感影像，选取若干波段组成多通道图像，并标注目标区域的少量像元位置；2）提取所有像元的特征向量，按标注分成正类和待标注向量集；3）建立隐含混合高斯‑伯努利受限玻尔茨曼机；4）以最小化正类（目标）与负类（非目标）之间的巴氏系数为目标，拟合模型与正类和待标注向量的数据分布，得到模型参数；5）计算得到待标注像元的类别并提取目标区域。本发明具有如下优点：1）适用于仅单类标注下目标区域提取；2）较高的标注准确率，且只需标注少量目标像元；3）不需要人为设定或预训练得到‑分类阈值；4)较快的运算速度。

主权项

1.一种单类标注下遥感影像目标区域的提取方法，其特征在于依次包括以下步骤：步骤 1，输入一张多光谱高分辨率遥感影像至可进行图像处理的计算设备，选取m（m为常数）个波段，将每一波段的值都归一化至[0,1]范围内, 组成m个通道的图像；通过计算设备在图像中人工标注少量目标区域的像元位置；步骤2，对影像的每一个像元位置，在图像的每一个通道上，以该位置为中心施加k×k（k是奇数）的模板提取该位置在该通道上的特征，特征包括模板内所有像素的灰度值、灰度均值、灰度标准差、Gabor特征；将每一个像元位置在所有通道上得到的特征合并组成一个d维列向量，一个像元位置对应一个d维列向量，称为像元特征向量，并将这些向量组成向量集，记为，其中l是已标注像元位置的个数，是待标注像元位置的个数，对应已标注像元位置，组成的集合记为 ，其余对应待标注像元位置，组成的集合记为；步骤3，建立隐含混合高斯‑伯努利受限玻尔茨曼机（Implicit mixture model of Gaussian‑Bernoulli Restricted Boltzmann Machines）用以描述像元特征向量的数据分布，它的两个受限玻尔茨曼机分量分别用以描述正类（目标）和负类（非目标）像元特征向量的数据分布，具体步骤包括：步骤3.1，两个波尔兹曼机分量都是标准的受限波尔兹曼机，具有相同的网络结构，包括可见层和隐藏层，层间全连接，层内无连接；令两个波尔兹曼机分量中可视层的结点个数都为d，隐藏层结点个数都为m；令、和分别是第k个波尔兹曼机可见层第i个结点与隐藏层第j个结点之间的连接权重、可见层所有结点的偏移量和隐藏层所有结点的偏移量，其中，，, 且表示正类, 表示负类；进一步将，，作为元素分别组成d行m列矩阵，d行列向量，m行列向量，；步骤3.2， 混合高斯‑伯努利玻尔茨曼机的自由能量函数定义为：其中， 是可见层结点的取值，是隐藏层结点的取值，被称为指示量，是一个2维2值向量，当中的元素取值只能为0或1，且，当时表示当前像元特征向量属于正类，否则属于负类；步骤3.3，给定可见层结点取值，并给定模型参数如前所述，它属于第k类的后验条件概率为其中；步骤4，以最小化正类分布密度与负类分布密度之间的巴氏系数（Bhattacharyya coefficient）为目标使得正负类之间尽量远离彼此，并要求隐含混合高斯‑伯努利受限玻尔茨曼机与待标注像元特征向量的经验分布相吻合，要求正类玻尔茨曼机分量与已标注目标像元特征向量的经验分布相吻合，建立优化问题如下：，其中：且；以及都是经验分布，是关于向量的函数，它仅在0向量点上为0，其余向量点上值为1； 是Kullback–Leibler散度运算；步骤5，求解步骤4中的优化问题，得到隐含混合高斯‑伯努利受限玻尔茨曼机中的模型参数值，具体步骤包括：步骤5.1，令（是一个常数）；将步骤4中的优化问题转换为无约束优化问题；令，，，，;步骤5.2，采用梯度法求解上述无约束优化问题，具体步骤如下：步骤5.2.1，随机初始化模型参数，给定阈值，给定最大循环次数；令当前迭代次数；步骤5.2.2，令；令优化目标关于模型参数的梯度为，其中，，，；步骤5.2.3，初始化；步骤5.2.4，给定可见层结点取值，估计的类别：若，令；若，通过在当前模型参数基础上计算得到属于正类的后验条件概率；随机生成区间[0,1]之间的一个数，如果，令，表示属于正类，否则令，表示属于负类；步骤5.2.5，给定可见层结点取值，选定第个受限玻尔茨曼机分量，通过，，计算得到给定可见层取值的条件下隐藏层任意结点（）取值为1的概率；随机生成区间[0,1]之间的一个数，如果，令，否则令，得到隐藏层取值为；步骤5.2.6，给定隐藏层结点取值，在第个受限玻尔茨曼机分量上，通过，，重构可见层的取值，得到可见层新的取值为；步骤5.2.7，给定可见层新的取值上，重复步骤5.2.4得到属于正类的后验条件概率，进而得到的类别，如果表示属于正类，否则表示属于负类；选定第个受限玻尔茨曼机分量，在新的可见层取值上重复步骤5.2.5得到隐藏层任意结点（）取值为1的概率，进而得到新的隐藏层结点取值为；步骤5.2.8，当时，输出，，，，，，，，，其中输出；否则令，跳转至步骤5.2.4，继续循环执行步骤5.2.4至步骤5.2.8；步骤5.2.9，关于模型参数（，）偏导的估计值为 ,是仅关于的函数，它关于（）的偏导数的估计值为，是仅关于的函数，它关于（，）的偏导数的估计值为，其中取为个（）中值为1占总数的比例且，与分别是已标注像元特征向量和待标注像元特征向量重构后的经验分布，是关于向量的函数，它仅在0向量点上为0，其余向量点上值为1，，，，，，，，，是二范数；步骤5.2.10，令，，其中；令（），；更新模型参数为，其中为大于0的常数；步骤5.2.11，当U集上的重构误差或迭代次数时输出模型参数；否则跳转至步骤5.2.2，继续循环执行步骤5.2.2至步骤5.2.11；步骤6，对任意一个待标注的像元特征向量，在已得到的模型参数的基础上计算它属于正类的后验概率，即令；根据贝叶斯判别方法，如果，则当前待标注像元特征属于正类，否则属于负类；最后按照待标注像元位置的类别标记从遥感影像中提取得到目标区域。