[发明专利]一种基于非线性降维及稀疏表示的遥感图像检索方法

摘要

本发明提出一种基于非线性降维及稀疏表示的遥感图像检索方法，包括：获取遥感图像，作为训练样本；通过去雾增强及色彩恢复进行预处理；使用卷积神经网络模型进行特征提取；线性降维加非线性降维；利用SOMP算法求解稀疏系数矩阵，并使用K‑SVD稀疏编码算法进行字典训练学习；构建分类准则；使用随机森林作为分类器，得到分类后的稀疏表示特征；用测试样本的图像特征向量与分类后的稀疏表示特征向量计算欧式距离，得到图像检索结果；本发明通过线性及非线性降维方式结合，对高维特征进行有效降维，并利用结合最近邻空间域像素的稀疏分类，使得数据集分类准确，经过实验结果验证，本发明可以解决遥感图像检索中效率低下和精度不高的问题。

主权项

1.一种基于非线性降维及稀疏表示的遥感图像检索方法，其特征在于，具体包括如下步骤：步骤1：获取遥感图像，作为训练样本；步骤2：对遥感图像通过去雾增强MSR及色彩恢复进行预处理，得到预处理后遥感图像；在MSR算法的基础上添加色彩恢复因子C，具体过程如下：其中，R_i(x,y)是Retinex算法的输出图像，i∈R,G,B表示3个颜色谱带，F(x,y)是高斯滤波函数，W_n表示尺度的权重因子，N表示使用尺度的个数，当N＝3时，其表示的是彩色图像，i∈R,G,B；当N＝1时，其表示的便为灰度图像；C_i表示第i个通道的色彩恢复系数，作用是用来调节3个通道颜色的比例，f(·)表示的是颜色空间的映射函数；步骤3：使用卷积神经网络模型中的VGG‑16模型，对预处理后遥感图像进行特征提取，得到卷积神经网络图像特征；步骤4：对卷积神经网络图像特征进行线性与非线性降维，用PCA进行线性降维，用t‑SNE进行非线性降维，得到降维后图像特征；步骤5：采用同步正交匹配追踪SOMP算法，求解稀疏系数矩阵X；步骤6：使用K‑SVD稀疏编码算法进行字典学习，对降维后图像特征进行处理，得到最优稀疏系数矩阵X及过完备字典矩阵D，同时进行重构图像；步骤7：基于过完备字典矩阵，构建分类准则；具体为：将中心像素的空间域中的四个最近邻像素也纳入到稀疏模型中，即将上下文信息纳入到稀疏模型中,令I表示遥感图像，假设X₁是I中的中心像素，X₂～X₅是X₁在空间域的四个最近邻像素，其中，将X₁处进行拉普拉斯约束，得到拉普拉斯向量B_t，定义为Q维向量，即：为了使整个相邻像素平滑，将拉普拉斯算子在X₁处强制变成0，以这种方式将训练样本X₁被迫重建为与其四个最近邻像素具有相似的特征，其中便为所求的稀疏向量，在式(5)中，第一组线性约束使得重构的图像向量B_t进行拉普拉斯变换为0，使得重建的相邻像素具有相似的特征，第二组约束使得重构误差降至最小，即应用最小重构误差分类判别准则：第一组线性约束的优化问题可以写成最小化式(6):其中，定义λ＞0，λ为控制平滑约束与重构精度之间的权重因子，可以表示为：所以，此时定义作为像素的一种新的表示形式，即像素在过完备字典矩阵D上的稀疏表示的特征向量；步骤8：使用随机森林作为分类器，随机森林构造是所述稀疏表示的特征向量构造随机森林，并利用多数投票策略，完成遥感图像特征向量分类，得到分类后的稀疏表示的特征向量每棵树训练集不同且含有重复的训练样本，当决策树构造之后，便是待选特征的随机选取过程，在所述选取过程中随机选出m个特征子集，每次树进行分裂操作时，会选择出最优的特征；最终利用多数投票策略，完成遥感图像特征向量分类；步骤9：获取遥感图像，作为测试样本；步骤10：通过步骤2预处理、步骤3特性提取、步骤4线性与非线性降维，对测试样本进行处理，得到降维后的测试样本图像特征；步骤11：用欧式距离进行特征匹配，得到遥感图像检索结果：将降维后的测试样本图像特征向量与分类后的稀疏表示的特征向量计算欧式距离，得到欧式距离的计算结果，将欧式距离的结果由小到大排序，得出遥感图像检索结果。