[發明專利]基于圖像分割和改進VLAD的遙感圖像檢索方法及系統

有效

• 申請號: 201811623482.0
• 申請日: 2018-12-28
• 公開（公告）號: CN109766467B
• 公開（公告）日: 2019-12-13
• 發明（設計）人: 鄧練兵
• 申請（專利權）人: 珠海大橫琴科技發展有限公司
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06F16/583;G06F16/51
• 代理公司: 42222 武漢科皓知識產權代理事務所(特殊普通合伙)
• 代理人: 嚴彥

本發明提供一種基于圖像分割和改進VLAD的遙感圖像檢索方法及系統，包括利用全卷積網絡訓練分割，獲取檢索圖像庫中所有圖像的全局卷積層特征和圖像內分割所得不同區域的局部卷積層特征；提取出分割后每個區域的信息熵，利用改進VLAD和信息熵獲取特征表示，利用主成分分析降維；根據圖像特征表示進行相似性度量，返回檢索結果。本發明結合圖像分割和改進的VLAD，同時考慮了不同區域的特征信息，在卷積層特征上進一步提取有效特征表示，降低了計算成本，并且對于尺度變化，噪聲干擾均具有魯棒性。

技術領域

本發明屬于遙感影像處理技術領域，涉及一種基于圖像分割和改進VLAD的遙感圖像檢索方法。

背景技術

隨著遙感圖像的快速增長，遙感數據管理工作已經成為了重中之重。作為遙感數據管理問題的一種解決方法，遙感圖像檢索是從海量數據源中快速檢索出感興趣的遙感圖像，更加方便高效地實現數據管理。在遙感圖像檢索中，分為特征提取和相似度度量兩步，有效的特征表示能大大提高檢索進度，因此，如何提取出有效特征成為一項研究熱點。

目前常用的提取特征方法是利用常見的卷積神經網絡在目標數據集上進行訓練分類，然后提取出中間的卷積層特征或者全連接層特征，再利用不同的編碼方法對特征進行編碼，得到最終的特征表示。然而，一張遙感圖像往往含有多種類別，利用分類的卷積神經網絡進行訓練時得到一種場景分類結果，卻忽略了遙感圖像的多類性。常見的編碼方法有BOVW(詞袋模型)、VLAD(局部特征描述符)和IFK(改進費雪爾核)：其中BOVW是將特征點進行聚類，用離特征點最近的一個聚類中心去代替該特征點，損失較多信息；IFK是對特征點用高斯混合模型建模，高斯混合模型實際也是一種聚類，只不過它是考慮了特征點到每個聚類中心的距離，也就是用所有聚類中心的線性組合去表示該特征點，在建模的過程中也有損失信息；VLAD和BOVW類似，只考慮離特征點最近的聚類中心，但VLAD保存了每個特征點到離它最近的聚類中心的距離，考慮了特征點的每一維的值，對圖像局部信息有更細致的刻畫，沒有損失信息。但VLAD只計算每個特征點到離它最近的聚類中心的距離，也有可能一些特征點在兩個或多個聚類中心之間具有相似甚至相同的距離，將其歸屬于任何一個聚類中心都會損失信息。

發明內容

針對現有技術的不足，本發明提供一種基于圖像分割和改進VLAD的遙感圖像檢索技術方案。

為實現上述目的，本發明的技術方案提供一種基于圖像分割和改進VLAD的遙感圖像檢索方法，包括以下步驟，

步驟a，利用全卷積網絡訓練分割，獲取檢索圖像庫中所有圖像的全局卷積層特征和圖像內分割所得不同區域的局部卷積層特征；

步驟b，對于檢索圖像庫中的每一幅圖像，根據步驟a所得區域的局部卷積層特征，提取出分割后每個區域的信息熵；

步驟c，利用改進VLAD和信息熵獲取對檢索圖像庫中的每一幅圖像編碼后的特征表示，實現如下，

首先，對檢索圖像庫中的所有圖像的全局卷積層特征進行k-means聚類，得到M個聚類中心，聚類中心集合C＝{c_i|i＝1,…,M}，其中，M為聚類中心的總數，i為聚類中心的標號，c_i為第i個聚類中心；

然后，設檢索圖像庫中的所有圖像的局部卷積層特征集為F＝{f_j|j＝1,2,...,N}，f_j代表第j個圖像的局部卷積層特征向量，N是檢索圖像庫中圖像數量；其中，f_j是由第j個圖像的所有區域的局部卷積層特征構成的向量。

利用第j個圖像的局部卷積層特征向量f_j到各聚類中心c_i的距離v_i構成該圖像的特征表示，記為V＝{v₁,v₂,...v_M}，