[發明專利]一種基于視覺詞袋模型的高分辨率遙感圖像分類方法

在審

• 申請號: 201710706366.4
• 申請日: 2017-08-17
• 公開（公告）號: CN107480718A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 陳蘇婷;丁杰;馮瑞;王卓
• 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: 南京縱橫知識產權代理有限公司32224
• 代理人: 董建林

技術領域

本發明涉及一種基于視覺詞袋模型的高分辨率遙感圖像分類方法，屬于遙感圖像分類領域。

背景技術

隨著面向對象思想在高分辨率遙感圖像處理中的應用，該方法不斷的發展創新，逐漸成為遙感圖像分類的必然選擇，且近些年，國內外專家學者對高分辨率遙感圖像分類不斷提出新的思想和算法。因此，面向對象的高分辨率遙感圖像分類方法已經逐步取代基于像素的遙感圖像分類方法，在圖像分類領域取得令人矚目的成果。隨著傳感技術的發展和衛星的更新，遙感圖像廣泛應用在各個領域，不僅僅應用在國防建設上，在土地測繪、環境監測、搶險救災、城市規劃等國民經濟方面也越來越普及。

常見的遙感圖像分類方法可以分為監督分類，非監督分類和半監督分類，主要區別在于訓練樣本的差異。一般來講非監督分類不需要先驗知識和其他訓練樣本，直接根據數據的特征性進行分類；監督分類模型先處理分析訓練樣本，再計算分類結果；半監督分類模型將訓練樣本的有無標簽作為學習分類的依據之一。

基于視覺詞袋模型的高分辨率遙感圖像分類方法屬于監督分類，但是現有的基于視覺詞袋模型的高分辨率遙感圖像分類方法中視覺詞袋模型計算復雜度高，冗余信息嚴重。

發明內容

為了解決上述技術問題，本發明提供了一種基于視覺詞袋模型的高分辨率遙感圖像分類方法。

為了達到上述目的，本發明所采用的技術方案是：

一種基于視覺詞袋模型的高分辨率遙感圖像分類方法，包括，

圖像多特征提取：

將待處理圖像進行分割，對每個子區域提取底層特征，并將同一子區域底層特征進行融合；

構建初始視覺詞典：

通過K-means聚類算法對融合后的底層特征聚類，每一類均為一個視覺單詞，聚類中心的數目便是初始視覺詞典的規模；

篩選視覺單詞，構建視覺詞典子集：

首先，通過ReliefF算法賦予視覺單詞權重參數，來表示不同視覺單詞對分類的貢獻度；然后，結合mRMR準則計算視覺單詞的相關度和冗余度，并添加視覺詞典平衡系數；最后建立一個新的詞典判別函數，篩選得到視覺詞典子集；

圖像表達和分類：

視覺詞典子集通過池化后生成高層語義特征，SPM模型提取圖像的空間布局信息，融合高層語義特征和空間布局信息，通過池化后得到最終特征向量，輸入分類器完成分類。

底層特征包括紋理特征、形狀特征和KAZE特征，這些特征采用串行方法進行融合。

K-means聚類算法將所有融合后的底層特征作為待聚類集合X＝{x₁,x₂,...,x_n}，x_j表示第j個子區域融合后的底層特征，選取k個點作為聚類中心，分別計算每個融合后的底層特征與聚類中心的歐式距離，距離最近的歸為一類，如下式：

其中，c⁽ⁱ⁾為x_j所屬的類別，1≤i≤k，x為底層特征，μ為聚類中心。

篩選視覺單詞，構建視覺詞典子集的具體過程為，

定義V＝[v₁,...,v_k]^T為初始視覺詞典；

通過ReliefF算法計算初始視覺詞典中每個視覺單詞與圖像類別的相關性權重，去掉相關性權重最小的視覺單詞，得到新的視覺詞典V_n′，其相關性權重矩陣為w_n′，對v_n′進行加權處理，得到V_m＝V_n′·w_n′；

定義視覺詞典子集中視覺單詞的數量為d；

根據確定第一個與類別最相關的視覺單詞加入到詞典子集V′中，再通過mRMR準則選擇下一個視覺單詞，直到選出d個視覺單詞為止，其中，v_i為V中單詞，1≤i≤k，c為單詞類別，Rlv()表示相關性函數，I()表示互信息函數；

mRMR準則判別函數為：

其中，α為視覺詞典平衡系數，0≤α≤1，v_j為V_m中單詞，m為迭代次數，V_m為加權后詞典。

采用串行方法融合高層語義特征和空間布局信息。

k和d的值的范圍均為200～1200。