[發明專利]一種基于弱監督學習框架的遙感圖像機場檢測方法

有效

• 申請號: 201410751420.3
• 申請日: 2014-12-09
• 公開（公告）號: CN104463249B
• 公開（公告）日: 2018-02-02
• 發明（設計）人: 韓軍偉;張鼎文;李超;郭雷
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06T7/136
• 代理公司: 西北工業大學專利中心61204
• 代理人: 王鮮凱

技術領域

本發明屬于計算機視覺算法研究領域，涉及一種基于弱監督學習框架的遙感圖像機場檢測方法，可以在遙感圖像數據庫中準確、魯棒地檢測出圖像的機場。

背景技術

遙感技術的飛速發展促使許多衛星和航空傳感器可以提供具有高空間分辨率的光學圖像，這些圖像有廣泛的應用，如災害治理，土地規劃，監控和交通規劃。在這些應用中，自然或人造物體的自動檢測是一個基礎任務，而且已經吸引了越來越多的研究興趣。光學遙感圖像的機場中包含的豐富的空間信息和詳細的結構信息，為我們解決這一挑戰性的任務提供了新的機遇。

早期對于遙感圖像的機場檢測都是無監督的方式，首先開始于通過對像素的聚類得到感興趣區域，然后基于形狀和頻譜信息檢測機場。此后，許多監督學習的方法得以提出，它們利用訓練樣本中的先驗信息有效地學習出機場檢測模型，通過依賴于大量的人工標注訓練樣本，然后將問題轉化為分類問題去解決，監督學習的方法可以比無監督的方法得到更好的效果，因此，基本上所有的機場檢測系統都是基于監督學習工具。

遙感技術的最新進展已經導致了衛星和航空影像的數量和質量的爆炸式增長。它同時也帶來了光學遙感圖像機場檢測任務中兩個日益嚴重的問題。首先，基于監督學習的機場檢測方法通常需要大量的訓練數據，這些訓練數據需要人工將圖片中的的每一個機場標注在一個矩形框中，然而，大規模圖像集的手動標注通常代價昂貴，有時甚至是不可靠的。例如，對于滑坡等自然物體，合適的手動標注通常需要大量的專業知識。此外，對于飛機和汽車等人造物體，人工標注也是困難的，因為這些機場對象的覆蓋范圍看起來很小，特別是當圖像的背景中包含復雜的紋理時。因而在這些小區域實現精確標注是非常困難的。此外，如果機場被遮擋或偽裝，手動人工標注的準確性和可靠性也會降低。因此，對于大型光學衛星和空間圖像數據集，利用弱監督方法訓練機場檢測器成為一個引人注目的方向。

發明內容

要解決的技術問題

為了避免現有技術的不足之處，本發明提出一種基于弱監督學習框架的遙感圖像機場檢測方法，解決人工標注費時費力的問題。

技術方案

一種基于弱監督學習框架的遙感圖像機場檢測方法，其特征在于：利用方形滑動窗口在拍攝的遙感圖像中提取圖塊，然后利用訓練得到的機場檢測器對圖塊進行分類，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可能高度重疊的問題，從而得到最終的機場檢測結果；所述機場檢測器的訓練步驟如下：

步驟1、對遙感圖像數據庫中隨機抽取的多幅遙感圖像進行正負樣本分類，將含有機場信息的遙感圖像作為正樣本圖像，未含有機場信息的遙感圖像作為負樣本圖像；

步驟2、利用多尺度方形滑動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樣本圖像得到的圖塊作為負樣本集中的圖塊所述滑動步長為所選取窗口大小的1/3；

步驟3、計算正樣本集中圖塊的顯著性：以正樣本圖集中的每一個圖塊周圍圖塊作為字典對該圖塊進行稀疏編碼χ_p≈Dic_pα_p，根據編碼的稀疏度||α_p||₀和編碼產生的殘差r_p＝χ_p-Dic_pα_p，得到圖塊相對于周圍背景的顯著值其中：χ_p為圖塊的原始RGB特征，Dic_p和α_p分別是圖塊周圍圖塊構成的字典和編碼產生的稀疏系數，表示出現的概率；

步驟4、計算正負樣本集的類間差異性：以反映圖塊出現在負樣本集中的概率作為該圖塊與負樣本之間的差異性，且其中為負樣本集X^-中第j維特征所對應的第k個高斯分量的權重，均值和方差，表示該高斯混合模型中高斯分量的數目；

步驟5、獲取近似初始正訓練集：根據判斷圖塊為機場的概率，當圖塊是機場的概率大于閾值時，將該圖塊作為初始訓練集中的正圖塊，所述閾值范圍為0.5～1；將選出的圖塊作為近似正訓練集；

步驟6、計算正樣本圖像中圖塊與近似正訓練集的相似性：首先利用高斯混合模型擬合近似正訓練集中的樣本分布；以作為圖塊與近似正訓練集之間的相似性；其中：表示圖塊的第j維特征，H表示圖塊的特征的總維數，其中為正樣本集中第k個圖塊對應的高斯混合模型中第j維特征的權重，均值和方差；