[發明專利]基于Hash編碼的遙感圖像分類方法

有效

• 申請號: 201510867801.2
• 申請日: 2015-12-01
• 公開（公告）號: CN105512677B
• 公開（公告）日: 2019-02-01
• 發明（設計）人: 徐軍;張倩;杭仁龍;龔磊;季衛萍
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 江蘇愛信律師事務所 32241
• 代理人: 唐小紅

1.基于Hash編碼的遙感圖像分類方法，其特征在于，將遙感圖像每個通道分成N*N小塊，將每個小塊進行Hash處理，生成Hash序列用來表征塊的特征，然后將生成的編碼進行分類，并使得最終得到的分類結果圖具有更好的視覺效果；具體步驟如下：

步驟1、設N＝3，將遙感圖像分成3*3的小塊；

對于遙感圖像的每個像素，以該像素為中心，取鄰域構造3*3的圖像塊，得到一組重疊的圖像塊集合{I₁，I₂，…，I₉}

遙感圖像中各個像素的明暗程度用灰度值來表示，0～255，白色的灰度值定為255，黑色的定為0，黑白之間的明暗程度用256個等級來表示；

步驟2、將得到的圖像塊進行DCT處理，得到的新的矩陣塊{D₁，D₂，…，D₉}

離散余弦變換DCT為圖像壓縮算法，它將圖像從像素域變換到頻率域，然后一般圖像都存在很多冗余和相關性的，所以轉換到頻率域之后，只有很少的一部分頻率分量的系數才不為0，大部分系數都為0，或者說接近于0；

步驟3、將每個圖像塊中的DCT值{D₁₁，D₁₂，…，D₁₉}進行平均值計算，得到

步驟4、將每個圖像塊進行Hash編碼H_n＝{h₁,h₂,...,h₉}生成Hash序列來表征塊的

步驟5、從所述圖像塊集合中選擇少量圖像塊對應的Hash碼進行人工標注，以這一部分圖像塊做為初始塊訓練樣本集，以這一部分圖像塊的Hash碼作為初始點訓練樣本集；

步驟6，用SVM完成遙感圖像的分類；

SVM分類器的訓練過程如下：給定一個標注集其中x_i∈R^d，y_i∈{-1,1}；x_i為反饋樣本的底層視覺特征矢量，y_i為類別標注，正反饋樣本的類別標注為1，負反饋樣本的類別標注為-1，R^d為實數域上R上的d維向量空間；為了更好的解決非線性問題，利用一個非線性映射將樣本映射到高維空間中，如下所示：

Φ:R^d→F x→Φ(x)

其中，F是映射到的高維空間，Φ是對應的映射函數，決策函數表示為以下形式：

g(x)＝w·Φ(x)+b (1)

相應地，支持向量機分類面寫成：

w·Φ(x)+b＝0 (2)

其中，w為權值向量，b為偏移常量；

落在w·Φ(x)+b＝±1這兩個超平面上的點稱為支持向量，支持向量到分類面的距離稱為分類間隔，大小為分類間隔的大小表示了分類器的泛化能力，因此要使分類器的間隔最大化：

subject to：

y_i(w·Φ(x_i)+b)≥1,i＝1,…,N (3)

根據(3)式的求解即得到支持向量機分類面；通過拉格朗日乘子法對(3)式中的二次規劃問題進行求解，得到：

其中，x_i為支持向量，y_i和α_i分別為該支持向量對應的類別標注和拉格朗日系數；樣本x通過二類SVM分類器得到的輸出為：

利用核函數避開非線性映射的顯示表達，圖像樣本通過二類SVM分類器得到的輸出可以改寫為：

其中，K(·)為核函數，且K(x_i,x)＝Φ(x_i)^T·Φ(x)，上標T表示轉置矩陣；根據(6)式，對于任意一個為標準的樣本，如果f(x)的值大于0，則該樣本的類標為1，f(x)的值小于0則類標為-1；

對于多類分類，通過一對多的方式對多個二分類器進行聯合，每個二類分類器產生一個分類超平面，圖像有多少類便可生成多少個分類超平面，然后計算每個未標注樣本到所有分類超平面的距離，樣本屬于距離最大的那一類。