[發(fā)明專(zhuān)利]一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場(chǎng)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410751420.3
• 申請(qǐng)日: 2014-12-09
• 公開(kāi)（公告）號(hào): CN104463249B
• 公開(kāi)（公告）日: 2018-02-02
• 發(fā)明（設(shè)計(jì)）人: 韓軍偉;張鼎文;李超;郭雷
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/66
• 分類(lèi)號(hào): G06K9/66;G06T7/136
• 代理公司: 西北工業(yè)大學(xué)專(zhuān)利中心61204
• 代理人: 王鮮凱

1.一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場(chǎng)檢測(cè)方法，其特征在于：利用方形滑動(dòng)窗口在拍攝的遙感圖像中提取圖塊，然后利用訓(xùn)練得到的機(jī)場(chǎng)檢測(cè)器對(duì)圖塊進(jìn)行分類(lèi)，并利用非極大值抑制的方法保留得分最高的窗口以解決不同尺度下所取窗口高度重疊的問(wèn)題，從而得到最終的機(jī)場(chǎng)檢測(cè)結(jié)果；所述機(jī)場(chǎng)檢測(cè)器的訓(xùn)練步驟如下：

步驟1、對(duì)遙感圖像數(shù)據(jù)庫(kù)中隨機(jī)抽取的多幅遙感圖像進(jìn)行正負(fù)樣本分類(lèi)，將含有機(jī)場(chǎng)信息的遙感圖像作為正樣本圖像，未含有機(jī)場(chǎng)信息的遙感圖像作為負(fù)樣本圖像；

步驟2、利用多尺度方形滑動(dòng)窗口在每一幅遙感圖像中提取圖塊，將正樣本圖像得到的圖塊作為正樣本集中的圖塊負(fù)樣本圖像得到的圖塊作為負(fù)樣本集中的圖塊滑動(dòng)步長(zhǎng)為所選取窗口大小的1/3；

步驟3、計(jì)算正樣本集中圖塊的顯著性：以正樣本圖集中的每一個(gè)圖塊周?chē)鷪D塊作為字典對(duì)該圖塊進(jìn)行稀疏編碼χ_p≈Dic_pα_p，根據(jù)編碼的稀疏度||α_p||₀和編碼產(chǎn)生的殘差r_p＝χ_p-Dic_pα_p，得到圖塊相對(duì)于周?chē)尘暗娘@著值其中：χ_p為圖塊的原始RGB特征，Dic_p和α_p分別是圖塊周?chē)鷪D塊構(gòu)成的字典和編碼產(chǎn)生的稀疏系數(shù)，表示出現(xiàn)的概率；

步驟4、計(jì)算正負(fù)樣本集的類(lèi)間差異性：以反映圖塊出現(xiàn)在負(fù)樣本集中的概率作為該圖塊與負(fù)樣本之間的差異性，且其中為負(fù)樣本集X^-中第j維特征所對(duì)應(yīng)的第k個(gè)高斯分量的權(quán)重，均值和方差，表示高斯混合模型中高斯分量的數(shù)目；

步驟5、獲取近似初始正訓(xùn)練集：根據(jù)判斷圖塊為機(jī)場(chǎng)的概率，當(dāng)圖塊是機(jī)場(chǎng)的概率大于閾值時(shí)，將該圖塊作為初始訓(xùn)練集中的正圖塊，所述閾值范圍為0.5～1；將選出的圖塊作為近似正訓(xùn)練集；

步驟6、計(jì)算正樣本圖像中圖塊與近似正訓(xùn)練集的相似性：首先利用高斯混合模型擬合近似正訓(xùn)練集中的樣本分布；以作為圖塊與近似正訓(xùn)練集之間的相似性；其中：表示圖塊的第j維特征，H表示圖塊的特征的總維數(shù)，其中為正樣本集中第k個(gè)圖塊對(duì)應(yīng)的高斯混合模型中第j維特征的權(quán)重，均值和方差；

步驟7、產(chǎn)生初始訓(xùn)練集：利用貝葉斯框架對(duì)步驟2-6得到的顯著性、類(lèi)內(nèi)相似性、類(lèi)間差異性進(jìn)行融合，最終得到圖塊是機(jī)場(chǎng)的概率其中

和分別為圖塊x_p屬于近似正訓(xùn)練集和負(fù)訓(xùn)練集的概率，用最近鄰法計(jì)算；

當(dāng)圖塊是機(jī)場(chǎng)的概率大于閾值時(shí)，該圖塊作為初始訓(xùn)練集中的正圖塊；所述閾值范圍為0.5～1；

初始訓(xùn)練集中的負(fù)訓(xùn)練集由負(fù)樣本圖像隨機(jī)采樣產(chǎn)生；

步驟8、訓(xùn)練機(jī)場(chǎng)檢測(cè)器：利用初始訓(xùn)練集對(duì)支持向量機(jī)進(jìn)行迭代訓(xùn)練得到穩(wěn)定的機(jī)場(chǎng)檢測(cè)器，在每次迭代中，前一次迭代所更新得到的最新訓(xùn)練集用于訓(xùn)練當(dāng)前的機(jī)場(chǎng)檢測(cè)器，再利用訓(xùn)練后得到的當(dāng)前的機(jī)場(chǎng)檢測(cè)器對(duì)訓(xùn)練集進(jìn)行更新并用作下一次迭代的訓(xùn)練集，直到該模型開(kāi)始漂移時(shí)迭代結(jié)束，并將漂移前一次的機(jī)場(chǎng)檢測(cè)器作為最終的機(jī)場(chǎng)檢測(cè)器。

2.根據(jù)權(quán)利要求1所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場(chǎng)檢測(cè)方法，其特征在于：所述多尺度方形滑動(dòng)窗口大小為size∈{60,100,130}。

3.根據(jù)權(quán)利要求1所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場(chǎng)檢測(cè)方法，其特征在于：所述最近鄰法計(jì)算：圖塊x_p與正負(fù)樣本集中特征距離最接近的圖塊之間的特征距離作為圖塊x_p屬于正負(fù)樣本集的概率，公式分別為其中||·||₁表示L₁范數(shù)，和分別表示圖塊x_p在正負(fù)樣本集中最近鄰圖塊的特征。

4.根據(jù)權(quán)利要求1所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場(chǎng)檢測(cè)方法，其特征在于：所述遙感圖像數(shù)據(jù)庫(kù)采用Landsat庫(kù)。