[發(fā)明專利]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（公告）號(hào): CN104463249B
• 公開（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)（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66;G06T7/136
• 代理公司: 西北工業(yè)大學(xué)專利中心61204
• 代理人: 王鮮凱

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺算法研究領(lǐng)域，涉及一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場(chǎng)檢測(cè)方法，可以在遙感圖像數(shù)據(jù)庫(kù)中準(zhǔn)確、魯棒地檢測(cè)出圖像的機(jī)場(chǎng)。

背景技術(shù)

遙感技術(shù)的飛速發(fā)展促使許多衛(wèi)星和航空傳感器可以提供具有高空間分辨率的光學(xué)圖像，這些圖像有廣泛的應(yīng)用，如災(zāi)害治理，土地規(guī)劃，監(jiān)控和交通規(guī)劃。在這些應(yīng)用中，自然或人造物體的自動(dòng)檢測(cè)是一個(gè)基礎(chǔ)任務(wù)，而且已經(jīng)吸引了越來越多的研究興趣。光學(xué)遙感圖像的機(jī)場(chǎng)中包含的豐富的空間信息和詳細(xì)的結(jié)構(gòu)信息，為我們解決這一挑戰(zhàn)性的任務(wù)提供了新的機(jī)遇。

早期對(duì)于遙感圖像的機(jī)場(chǎng)檢測(cè)都是無監(jiān)督的方式，首先開始于通過對(duì)像素的聚類得到感興趣區(qū)域，然后基于形狀和頻譜信息檢測(cè)機(jī)場(chǎng)。此后，許多監(jiān)督學(xué)習(xí)的方法得以提出，它們利用訓(xùn)練樣本中的先驗(yàn)信息有效地學(xué)習(xí)出機(jī)場(chǎng)檢測(cè)模型，通過依賴于大量的人工標(biāo)注訓(xùn)練樣本，然后將問題轉(zhuǎn)化為分類問題去解決，監(jiān)督學(xué)習(xí)的方法可以比無監(jiān)督的方法得到更好的效果，因此，基本上所有的機(jī)場(chǎng)檢測(cè)系統(tǒng)都是基于監(jiān)督學(xué)習(xí)工具。

遙感技術(shù)的最新進(jìn)展已經(jīng)導(dǎo)致了衛(wèi)星和航空影像的數(shù)量和質(zhì)量的爆炸式增長(zhǎng)。它同時(shí)也帶來了光學(xué)遙感圖像機(jī)場(chǎng)檢測(cè)任務(wù)中兩個(gè)日益嚴(yán)重的問題。首先，基于監(jiān)督學(xué)習(xí)的機(jī)場(chǎng)檢測(cè)方法通常需要大量的訓(xùn)練數(shù)據(jù)，這些訓(xùn)練數(shù)據(jù)需要人工將圖片中的的每一個(gè)機(jī)場(chǎng)標(biāo)注在一個(gè)矩形框中，然而，大規(guī)模圖像集的手動(dòng)標(biāo)注通常代價(jià)昂貴，有時(shí)甚至是不可靠的。例如，對(duì)于滑坡等自然物體，合適的手動(dòng)標(biāo)注通常需要大量的專業(yè)知識(shí)。此外，對(duì)于飛機(jī)和汽車等人造物體，人工標(biāo)注也是困難的，因?yàn)檫@些機(jī)場(chǎng)對(duì)象的覆蓋范圍看起來很小，特別是當(dāng)圖像的背景中包含復(fù)雜的紋理時(shí)。因而在這些小區(qū)域?qū)崿F(xiàn)精確標(biāo)注是非常困難的。此外，如果機(jī)場(chǎng)被遮擋或偽裝，手動(dòng)人工標(biāo)注的準(zhǔn)確性和可靠性也會(huì)降低。因此，對(duì)于大型光學(xué)衛(wèi)星和空間圖像數(shù)據(jù)集，利用弱監(jiān)督方法訓(xùn)練機(jī)場(chǎng)檢測(cè)器成為一個(gè)引人注目的方向。

發(fā)明內(nèi)容

要解決的技術(shù)問題

為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場(chǎng)檢測(cè)方法，解決人工標(biāo)注費(fèi)時(shí)費(fèi)力的問題。

技術(shù)方案

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，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(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，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)樣本集中的圖塊所述滑動(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)圖塊周圍圖塊作為字典對(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(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，表示該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；