[發明專利]一種高分辨率遙感圖像自動語義標記方法

有效

• 申請號: 201310128944.2
• 申請日: 2013-04-15
• 公開（公告）號: CN103198333A
• 公開（公告）日: 2013-07-10
• 發明（設計）人: 陳克明;鑒萍;郭建恩;周志鑫;張道兵;孫顯
• 申請（專利權）人: 中國科學院電子學研究所
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06T7/00
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 李愛英;高燕燕

1.一種高分辨率遙感圖像自動語義標記方法，包括：?

步驟S102，對高分辨率遙感圖像進行多尺度分解，自低分辨率尺度開始，每個尺度上的圖像進行過分割，獲取多個尺度上的過分割區域；?

步驟S104，以每個尺度上過分割區域為單位對每一幅遙感圖像提取顏色特征、紋理特征，SIFT特征以及熵特征，以過分割區域為單位構造特征向量；?

步驟S106，以某個尺度上圖像為詞袋，以該圖像中的過分割區域為多示例學習中的示例，以過分割區域的特征向量為示例的特征，在每個尺度上構造一個多示例-多標記學習框架，從而在多個尺度上形成一個等級語義多示例-多標記學習框架，利用訓練樣本分別在每個尺度上訓練多示例-多標記學習框架中的分類器，得到最佳分類器參數設置；?

步驟S108，利用已訓練的多示例-多標記學習框架中的分類器，自低尺度到高尺度為序，對測試數據首先在低尺度上進行語義標注，并將標注的語義信息傳遞到高尺度，在低尺度語義信息輔助下對高尺度上圖像進行語義標注；標注結果以概率形式輸出，所有尺度上的語義標注結果構成圖像地物類型等級標注置信構成圖。?

2.根據權利要求1所述的高分辨率遙感圖像自動語義標記方法，其特征在于：所述步驟S102中對高分辨率遙感圖像進行多尺度分解，利用小波金字塔變換方法對每幅圖像進行多個尺度分解，由每一層的小波低頻系數圖像及原始圖像構成多尺度圖像序列。?

3.根據權利要求1所述的高分辨率遙感圖像自動語義標記方法，其特征在于：所述步驟S102中自低分辨率尺度開始，每個尺度上的圖像進行過分割，利用分水嶺分割方法自低分辨率尺度開始，在每個尺度上進行圖像過分割。?

4.根據權利要求1所述的高分辨率遙感圖像自動語義標記方法，其特征在于：所述等級多示例-多標記學習框架構建的步驟包括：?

單尺度上多示例-多標記學習方法的構建：每個尺度上的圖像的每個過分割區域作為多示例-多標記學習方法中的一個示例，該尺度上的圖像作為多示例-多標記學習方法中的一個詞袋，區域的特征矢量對應為該示例的特征表述，區域的標注作為示例的標記；如果一個詞袋中所有的示例均標記為負樣本時，該詞袋被標記為副詞袋；如果一個詞袋中有一個示例被標記為正樣本時，該詞袋被標記為正詞袋；通過“詞袋-圖像，示例-區域”的映射，完成單一尺度上遙感圖像的多示例-多標記學習框架構建；?

多尺度上多示例-多標記學習方法的構建：通過前一步驟單一尺度上遙感圖像的多示例-多標記學習框架構建，按照圖像尺度分割獲取的尺度等級順序，將每個單尺度多示例-多標記學習框架結合起來，通過“詞袋-圖像，示例-區域，尺度-等級”的映射，形成多尺度等級多示例-多標記學習框架。?

5.根據權利要求1所述的高分辨率遙感圖像自動語義標記方法，其特征在于：所述的等級多示例-多標記學習框架中分類器訓練，其步驟包括：?

訓練樣本集建設過程中，首先圖像等級尺度分割和特征表述，然后對圖像進行多尺度語義標注；多尺度語義標注的準則是：以遙感圖像地物先驗信息為輔助，低尺度上的語義標簽涵蓋高尺度上的語義標簽，各個尺度上的語義標簽是隸屬關系，不能存在沖突矛盾；每個語義標簽按照圖像中包含語義信息的多少根據人工專家經驗按照置信度大小進行概率標注；?

多示例-多標記學習框架中分類器選取支持向量機分類器，分類器訓練過程就是利用已標注樣本對支持向量機分類器參數設置的過程；在訓練過程中，自低尺度圖像向高尺度圖像逐尺度訓練，低尺度上的訓練參數作為高尺度上訓練參數設置的先驗；?

利用給定的訓練樣本集對應的每個尺度上的特征矢量集合和標記集合，對支持向量機分類器進行訓練，得到最佳的分類器參數設置；多個尺度上分類器構成一個分類器組，每個分類器對應一組最佳參數設置。?

6.根據權利要求1或5所述的高分辨率遙感圖像自動語義標記方法，其特征在于：所述分類器訓練采用支持向量機分類器，該分類器使用高斯徑向基核函數。?