[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

本發明公開了基于Hash編碼的遙感圖像分類方法，該方法提出了用Hash自動編碼的思想來處理高光譜遙感圖像，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。和基于圖像塊的分類方法相比，在相同的實驗條件下，本發明方法的圖像分類結果更加準確，視覺效果更好。

技術領域

本發明屬于圖像信息處理技術領域，具體涉及基于Hash編碼的遙感圖像分類方法。

背景技術

衛星遙感系統的空間分辨率和光譜分辨率的提高使得我們能夠從遙感圖像中辨識出更細小的物體，例如居民房屋、商業建筑、公交系統和公共事業設備等。從遙感圖像中挖掘出的大量信息可以被應用到諸如災害監測和評估、城市和區域規劃、環境監測等領域。

近年來，基于核的方法，特別是支持向量機，在多光譜和超光譜的圖像分類中取得了很多進展。但是，和所有監督學習一樣，支持向量機的分類準確率依賴于訓練樣本的好壞。事實上，專家對訓練樣本的標注過程通常是根據場景的視覺特征來完成的，因此，如果樣本在未加篩選之前就直接交給專家進行標注，帶來的后果是專家會花費大量的寶貴時間對具有類似信息量的樣本進行充分標注，這樣會使得訓練集的信息非常冗余，這種冗余信息大大降低了訓練速度，甚至會產生過擬合的現象，特別是對于上百萬甚至是上千萬像素的高分辨圖像。所以，對于衛星遙感圖像而言，我們需要一個自動的定義有效訓練集的過程。這個訓練集的樣本數量要盡可能的少而且能有效地提高分類模型的準確率。

所以，我們提出了hash自動編碼的方法來進行遙感圖像的分類。

發明內容

Hash學習通過機器學習機制將數據映射成二進制串的形式，能顯著減少數據的存儲和通信開銷，從而有效提高學習系統的效率。另一方面，因為通過Hash學習得到的Hash碼位數(維度)一般會比原空間的維度要低，因此也能降低數據維度，從而減輕維度災難問題。

本文提出了用Hash自動編碼的思想來處理高光譜遙感圖像，將遙感圖像每個通道提取出來，分成N*N小塊，(將每個小塊先進行DCT變換，然后進行均值處理，將大于平均值的編為1，小于平均值的編為0，生成Hash序列用來表征塊的特征，然后將生成的編碼進行SVM分類。

本發明基于Hash編碼的遙感圖像分類方法，包括以下步驟：

本發明應用的遙感圖像為Indian_pines，有九個通道，提取其中一個通道進行hash編碼

步驟1、將遙感圖像分成n*n的小塊，對遙感圖像的每個像素，構造包含該像素以

及以該像素為中心的領域的n*n的圖像塊，得到一組重疊的圖像塊集合{I₁，I₂，…，I_n*n}；

步驟2、將得到的圖像塊進行DCT處理，可得到的新的圖像塊{D₁，D₂，…，D_n*n}；

步驟3，將每個圖像塊中的像素點{D₁，D₂，…，D_n*n}；進行均值計算得到

步驟4，將每個圖像塊進行Hash編碼H_n＝{h_1,h₂....h_n*n}

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。

有益效果

相比現有技術，本發明方法具有以下有益效果：