[發(fā)明專利]基于異構(gòu)特征融合的遙感圖像自動(dòng)目標(biāo)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710659363.X
• 申請(qǐng)日: 2017-08-04
• 公開（公告）號(hào): CN107480620B
• 公開（公告）日: 2020-06-16
• 發(fā)明（設(shè)計(jì)）人: 王鑫;熊星南;石愛業(yè);徐立中
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 李玉平

1.一種基于異構(gòu)特征融合的遙感圖像自動(dòng)目標(biāo)識(shí)別方法，包含訓(xùn)練階段和測(cè)試階段，其特征在于，所述的訓(xùn)練階段包括以下步驟：

步驟1：構(gòu)建多類遙感圖像目標(biāo)樣本訓(xùn)練集，將待訓(xùn)練的目標(biāo)樣本分類，并制作標(biāo)簽；

步驟2：在分析遙感圖像特殊成像機(jī)理的基礎(chǔ)上，提取遙感目標(biāo)樣本訓(xùn)練多種異構(gòu)特征，包括：改進(jìn)的稠密SURF-BOF(Speeded Up Robust Feature-Bag of Features)特征、改進(jìn)的Mean-Std(Mean-Standard Deviation)特征、及LBP(Local Binary Patterns)特征；

步驟3：選擇和構(gòu)建完備的多核空間，將不同類型的目標(biāo)特征映射到統(tǒng)一核空間，設(shè)計(jì)多核融合算法，實(shí)現(xiàn)異構(gòu)特征在核空間的自適應(yīng)融合；

步驟4：設(shè)計(jì)基于異構(gòu)特征融合的MKL-SVM分類器；

所述的測(cè)試階段包括以下步驟：

步驟5：構(gòu)建多類遙感圖像目標(biāo)測(cè)試集；

步驟6：提取遙感圖像目標(biāo)測(cè)試集的改進(jìn)的稠密SURF-BOF特征、改進(jìn)的Mean-Std特征、及LBP特征；

步驟7：將提取的測(cè)試圖像的多種異構(gòu)特征輸入到步驟4訓(xùn)練好的MKL-SVM分類器，對(duì)測(cè)試圖像進(jìn)行分類識(shí)別。

2.根據(jù)權(quán)利要求1所述的一種基于異構(gòu)特征融合的遙感圖像自動(dòng)目標(biāo)識(shí)別方法，其特征在于，從實(shí)際拍攝得到的遙感衛(wèi)星圖像或航拍圖像中獲取多類遙感目標(biāo)樣本圖像，構(gòu)建遙感圖像目標(biāo)樣本訓(xùn)練集Train＝[Train₁,...,Train_i,...,Train_n]，并制作相應(yīng)的樣本標(biāo)簽Label＝[Label₁,...,Label_i,...,Label_n]，其中n表示有n類遙感目標(biāo)樣本，Train_i表示第i類遙感圖像目標(biāo)樣本的集合，Label_i表示第i類遙感圖像目標(biāo)樣本集的標(biāo)簽。

3.根據(jù)權(quán)利要求1所述的一種基于異構(gòu)特征融合的遙感圖像自動(dòng)目標(biāo)識(shí)別方法，其特征在于，改進(jìn)的稠密SURF-BOF特征提取方法是：該方法在SURF算法提取的特征點(diǎn)的基礎(chǔ)上，采用網(wǎng)格的方式融入圖像中的固定描述點(diǎn)作為補(bǔ)充，最終可以得到圖像的改進(jìn)型稠密SURF-BOF特征；具體步驟如下：

第一，對(duì)原始多類遙感圖像目標(biāo)樣本訓(xùn)練集進(jìn)行預(yù)處理，統(tǒng)一變換為灰度圖像，由于選取的范圍太大則會(huì)影響特征提取效率，選取太小則會(huì)影響特征的有效性，通過多次實(shí)驗(yàn)統(tǒng)計(jì)圖像取不同尺寸時(shí)的識(shí)別率和識(shí)別速度，選取的最優(yōu)尺寸為能使得識(shí)別率達(dá)到最優(yōu)識(shí)別率80％的多個(gè)尺寸中識(shí)別速度最快的，對(duì)應(yīng)圖像大小a×b；

第二，針對(duì)每一幅遙感圖像目標(biāo)樣本，提取稠密SURF特征，具體過程如下：

(a)基于SURF特征檢測(cè)算法，檢測(cè)SURF特征點(diǎn)，得到SURF稀疏點(diǎn)集P＝[P₁,...,P_i,...,P_u]，其中，P_i表示第i個(gè)稀疏點(diǎn)；

(b)基于網(wǎng)格方式增加稠密點(diǎn)：按經(jīng)驗(yàn)用c×d大小的網(wǎng)格劃分圖像，其中取c、d為圖像長(zhǎng)寬的到之間；選取所有的網(wǎng)格交點(diǎn)做為稠密點(diǎn)，得到SURF稠密點(diǎn)集Q＝[Q₁,...,Q_j,...,Q_v]，其中，Q_j表示第j個(gè)稠密點(diǎn)；

(c)確定每個(gè)特征點(diǎn)的主方向：融合SURF稀疏點(diǎn)集和稠密點(diǎn)集，構(gòu)成Point＝[P,Q]；統(tǒng)計(jì)Point點(diǎn)集內(nèi)所有點(diǎn)半徑為6×s鄰域內(nèi)的Haar小波特性，s表示傳統(tǒng)的SURF特征檢測(cè)算法中的尺度因子；求某一個(gè)特征點(diǎn)其60度扇形內(nèi)所有點(diǎn)在水平和垂直方向的Haar小波響應(yīng)，并以距離特征點(diǎn)遠(yuǎn)近給不同的響應(yīng)賦予二維高斯權(quán)重系數(shù)，其中，選取σ＝2.5s，(x₀,y₀)為該特征點(diǎn)坐標(biāo)，(x,y)為領(lǐng)域內(nèi)對(duì)應(yīng)的其它特征點(diǎn)坐標(biāo)，將響應(yīng)按權(quán)重相加形成最終的矢量；最后遍歷整個(gè)圓形區(qū)域選擇最長(zhǎng)矢量的方向?yàn)樵撎卣鼽c(diǎn)的主方向；

(d)構(gòu)造SURF特征點(diǎn)描述算子：以某一個(gè)特征點(diǎn)為中心，將坐標(biāo)軸旋轉(zhuǎn)到主方向，按主方向選取邊長(zhǎng)為20×s的正方形區(qū)域，將該區(qū)域劃分成4×4的子區(qū)域，計(jì)算(5×s)×(5×s)范圍內(nèi)的小波響應(yīng)；對(duì)應(yīng)于主方向的水平、垂直方向的Haar小波響應(yīng)設(shè)為dx、dy，按高斯權(quán)重對(duì)響應(yīng)值賦予系數(shù)，其中σ＝2.5s；然后將每個(gè)子區(qū)域的響應(yīng)系數(shù)及其絕對(duì)值相加形成矢量v＝(∑dx,∑dy,∑|dx|,∑|dy|)；每一個(gè)特征點(diǎn)得到4×(4×4)＝64維的特征描述向量feature，則第j類中第i幅樣本圖像的(u+v)個(gè)特征點(diǎn)對(duì)應(yīng)的特征向量集為sf_ji＝[feature₁,...,feature_(u+v)]，最后對(duì)其進(jìn)行歸一化；

(e)根據(jù)上述步驟(a)-(d)，最終可以得到所有樣本圖像的稠密SURF特征；其中，第j類圖像的稠密SURF特征集可以表示為sf_j＝[sf_j1,...,sf_jN]，其中N表示第j類樣本圖像的個(gè)數(shù)；所有訓(xùn)練樣本SURF特征集表示為sf＝[sf₁,...,sf_n]，其中n表示有n類遙感目標(biāo)樣本；

第三，將稠密SURF特征和BOF模型結(jié)合，提取改進(jìn)的稠密SURF-BOF特征，具體過程如下：

(a)求BOF字典：由于不同類別的圖像特征存在異構(gòu)性，每類圖像對(duì)應(yīng)的字典視覺單詞個(gè)數(shù)也不同，因此對(duì)第j類圖像的特征集合sf_j，采用K-Means算法聚類成為h_j個(gè)視覺單詞，視覺單詞的數(shù)目h_j可以依據(jù)不同的類別的特點(diǎn)設(shè)定，即可得到第j類樣本圖像的BOF模型子字典K_j；其中，的初始值在集合sf_j中隨機(jī)選定；將n類樣本圖像重復(fù)以上操作得到所有類別圖像的BOF模型子字典，并串聯(lián)得最終的BOF模型字典K＝[K₁,...,K_n]；

(b)基于BOF模型字典K，提取所有樣本圖像的稠密SURF-BOF特征：計(jì)算第j類樣本圖像中第i幅圖像的稠密SURF特征sf_ji中單個(gè)feature到字典K中每一個(gè)視覺單詞的距離，得到其中l(wèi)為視覺單詞個(gè)數(shù)總和；然后求得min(d)＝d_p，則該feature為第p個(gè)視覺單詞；重復(fù)上述步驟，統(tǒng)計(jì)第j類樣本圖像中第i幅圖像的稠密SURF特征sf_ji中每個(gè)視覺單詞出現(xiàn)的頻率，即可得到維稠密SURF-BOF特征。