[發明專利]一種圖像特征提取方法及系統

在審

• 申請號: 201811525051.0
• 申請日: 2018-12-13
• 公開（公告）號: CN109635738A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 王建峰;楊誠;裴大茗;白雪;李漢智;李占
• 申請（專利權）人: 中國船舶工業綜合技術經濟研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 程華

本發明公開了一種圖像特征提取方法及系統。該方法包括：構建深度多核映射學習模型，所述學習模型的每個單元均為一個基礎核，所述學習模型層間各基礎核為全連接結構，層內各基礎核相互獨立；采用樣本數據對所述深度多核映射學習模型進行訓練，所述樣本數據為圖像的多維特征數據；獲取待識別圖像；采用訓練后的深度多核映射學習模型對所述待識別圖像進行特征提取。本發明提供的圖像特征提取方法及系統具有特征提取準確度高、效率高的特點。

技術領域

本發明涉及圖像特征提取領域，特別是涉及一種圖像特征提取方法及系統。

背景技術

針對遙感圖像目標的研究一直以來都是遙感領域研究的熱點，一方面源于遙感圖像覆蓋范圍廣、信息量大、觀測周期短的特點，另一方面也因為在軍事和民用的多方面廣泛應用需求，推動了遙感圖像目標的檢測、識別、分類與分析等應用方向的發展。然而伴隨著成像技術和目標應用的發展，遙感圖像目標研究也產生了很多問題。首先，隨著成像技術的發展，遙感圖像獲取量不斷增大，所涵蓋的目標信息越來越多，包含的冗余信息也越來越大，需要高效智能的方法對有效信息進行提取和篩選。其次，遙感圖像目標任務也隨著需求的復雜化、精細化而變得更加復雜。例如，原本地物研究需求只需要依照差異性進行區分，對遙感圖像進行簡單分割即可，現在需要對其組成、發展和深層次信息進行智能分析和判定；再比如，原本目標識別需求只需要運用基本變換，在背景中提取物體目標即可，當下需要對目標的種類、趨勢、態勢等進行智能識別和分析，因此需要新的方法來提取目標特征。特征提取作為遙感目標研究的核心關鍵也存在很多問題：傳統方法如基于頻域、小波等在提取信號類特征時能提取很多實用特征，雖然在簡單的圖像任務能取得十分良好的效果，但在復雜分析任務中卻無法滿足日益復雜的要求，例如形狀相近的目標物體(如區分軍事車輛和普通車輛)，傳統方法只能獲取目標卻無法對其進行細致的區分，因此對于圖像及其特征的研究在新的圖像目標分析任務需求下顯得尤為重要。傳統的特征提取方法一般采用人工設定特征的方式，并且目標識別判讀過程也需要依賴人力，這樣不僅消耗大量的人力和時間，并且識別準確度很大程度上受到操作人員的影響，因此利用機器自主學習來提取特征是十分有效的。對于遙感圖像目標這類非線性對象，對特征提取算法的非線性能力有一定要求。在機器學習的眾多算法中，核映射具備非常好的非線性特征提取能力，但是單核、單層的核映射方法有其局限性，并且性能也受所選核函數種類和參數影響。

發明內容

本發明的目的是提供一種圖像特征提取方法及系統，具有特征提取準確度高、效率高的特點。

為實現上述目的，本發明提供了如下方案：

一種圖像特征提取方法，包括：

構建深度多核映射學習模型，所述學習模型的每個單元均為一個基礎核，所述學習模型層間各基礎核為全連接結構，層內各基礎核相互獨立；

采用樣本數據對所述深度多核映射學習模型進行訓練，所述樣本數據為圖像的多維特征數據；

獲取待識別圖像；

采用訓練后的深度多核映射學習模型對所述待識別圖像進行特征提取。

可選的，所述采用樣本數據對所述深度多核映射學習模型進行訓練，具體包括：

設定所述深度多核映射學習模型的初始學習率和初始權重值；

向所述深度多核映射學習模型中輸入樣本數據和標簽，進行訓練；

根據訓練后的深度多核映射學習模型的損失函數對所述深度多核映射學習模型中各基礎核的權重值進行調整，直至損失函數值小于預設值。

可選的，所述構建深度多核映射學習模型，具體包括：

確定各基本核的種類和內部參數；

構建以各所述基本核為單元的全連接結構的深度置信網絡，記為深度多核映射學習模型。