一种遥感图像场景分类方法技术

本发明专利技术公开了一种遥感图像场景分类方法。本发明专利技术方法根据图像中局部不变特征点的分布情况将图像先进行预分类，分为特征点分布均匀和特征点分布不均匀两类；然后，对特征点分布均匀的图像，利用颜色直方图与纹理特征融合的全局特征进行训练和分类，对特征点分布不均匀的图像，利用ScSPM（Sparse Coding Spatial Pyramid Matching，基于稀疏编码的空间金字塔匹配模型特征）局部特征进行训练和分类。相比现有技术，本发明专利技术在提高分类精度的同时降低了分类所需的时间。

【技术实现步骤摘要】
一种遥感图像场景分类方法
本专利技术涉及一种遥感图像场景分类方法。
技术介绍
近年来，高分辨率对地观测技术得到了迅猛发展，已经在土地调查、城市规划、灾害管理和军事等诸多领域发挥了重要的作用。相比于中低分辨率遥感图像，高分辨率遥感图像能够提供详细的地面信息，但各种地物空间结构分布较复杂。随着遥感图像分辨率的提高，空间信息量更加丰富，空间地物几何信息、纹理信息等更加明显，但同时也带来了高分影像同类地物的光谱差异性增强，不同地物的光谱异质性降低等问题。因此，虽然高分遥感影像提供了更为精细的地表刻画，但智能化、自动化信息提取任务的难度相比如中低分辨率遥感影像大大增加。传统的遥感图像目视解译方法不仅要求丰富的专业经验和充足的野外实地调查资料，而且由于这种识别方法是建立在特定的先验知识基础上，因此识别难度较大，效率较低。根据图像描述方式的不同，当前图像分类方法大致可以分为：基于全局特征的描述方法和基于局部特征的的描述方法。常见的全局特征包括：LBP(Localbinarypattern)、颜色直方图、纹理特征等。由于全局特征通常是整幅图像，因而不能较好地描述图像中的局部目标，因此对飞机、网球场等特征点分布较稀疏的类别图像分类精度较低。基于局部特征的图像描述方法由于可以在同一类别千变万化的图像中寻找不变的特征，受到广大研究者青睐。2004年，Csurka等学者[CsurkaG,DanceCR,FanL,etal.Visualcategorizationwithbagsofkeypoints[C]//ProceedingsofWorkshoponStatisticalLearninginComputerVision.Prague,CzechRepublic:Springer,2004:1-22]首次将词包模型(亦称为视觉词袋模型)用于图像场景分类，并提出了针对图像场景分类的视觉词包模型算法。Lazebnik等人[LazebnikS,SchmidC,PonceJ.Beyondbagsoffeatures:Spatialpyramidmatchingforrecognizingnaturalscenecategories.[C]InCVPR,NewYork,USA:IEEEComputer2006:2169-2178]在视觉词包模型中加入空间金字塔匹配核，提出空间金字塔核的词包模型。Yang等学者[YangJC,YuK,GongYH,etal.Linearspatialpyramidmatchingusingsparsecodingforimageclassification[C]//Proceedingsofthe22ndInternationalConferenceonComputerVisionandPatternRecognition.Miami,USA:IEEEComputerSociety,2009:1794-1801.]提出稀疏编码方法ScSPM，它通过解凸优化问题求取局部描述矢量关于视觉单词向量的稀疏表示，使用多个视觉单词向量线性组合表示局部矢量，大大提高了分类性能。文献[JiRR,YaoHX,LiuW.Task-dependentvisual-codebookcompression[J].IEEETransactionsonImageProcessing,2012:21(4):2282-2293.]使用硬分配编码取代稀疏编码，使用监督字典学习算法对Bof特征进行压缩以弥补编码方法所带来的不足。Bolovinou等人[BolovinouA,PratikakisI,PerantonisS.Bagofspatio-visualwordsforcontextinferenceinsceneclassification[J].PatternRecognition,2013,46(3):1039-1053.]提出了基于有序空间结构关系的视觉单词，在内容表达中加入了上下文信息。上述现有技术虽然各有其特点，但均存在未能很好平衡分类精度和分类时间之间的矛盾。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术不足，提供一种遥感图像场景分类方法，利用多特征融合多分类器的方法对遥感图像进行场景分类，在提高分类精度的同时降低了分类所需的时间。本专利技术具体采用以下技术方案：一种遥感图像场景分类方法，包括训练阶段和测试阶段；所述训练阶段包括以下步骤：步骤1、提取各训练样本图像的局部不变特征，并根据局部不变特征点在图像中的密度分布情况将训练样本图像分为特征点分布均匀和特征点分布不均匀这两类；步骤2、提取特征点分布均匀的训练样本图像的全局特征，并对一个分类器进行训练，得到第一分类器；提取特征点分布不均匀的训练样本图像的局部特征，并对另一个分类器进行训练，得到第二分类器；所述测试阶段包括以下步骤：步骤3、提取测试样本图像的局部不变特征，并根据局部不变特征点在图像中的密度分布情况将测试样本图像分为特征点分布均匀和特征点分布不均匀这两类；步骤4、提取特征点分布均匀的测试样本图像的全局特征，利用第一分类器对其进行分类；提取特征点分布不均匀的测试样本图像的局部特征，利用第二分类器进行分类。优选地，所述全局特征为相互串接并归一化的颜色特征和纹理特征。优选地，所述局部特征为基于稀疏编码的空间金子塔匹配模型特征。所述将图像分为特征点分布均匀和特征点分布不均匀这两类，可根据实际需要设计相应的判断方法，以下为两种优选方案：第一种、具体通过以下方法将图像分为特征点分布均匀和特征点分布不均匀这两类：对于训练样本图像，将图像分为一组互不重叠的图像块，并判断局部不变特征点在这些图像块中的分布方差是否大于预设的方差阈值，如是，则将该图像初步判定为特征点分布不均匀；反之，则初步判定为特征点分布均匀；对于每一类场景的所有训练样本图像，如其中被初步判定为特征点分布均匀的图像所占比例达到或超过预设的比例下限值，则将该类场景的所有训练样本图像划为特征点分布均匀的一类，否则，将该类场景的所有训练样本图像划为特征点分布不均匀的一类；所述比例下限值的取值范围为[0.8,1)；对于测试样本图像，将图像分为一组互不重叠的图像块，并判断局部不变特征点在这些图像块中的分布方差是否大于预设的方差阈值，如是，则将该图像划为特征点分布不均匀的一类；反之，则为特征点分布均匀的一类。所述方差阈值的优选范围为[1.5，3]，最好取为2.5。第二种、具体通过以下方法将图像分为特征点分布均匀和特征点分布不均匀这两类：对于训练样本图像，将图像分为一组互不重叠的图像块，并统计各图像块中所包含的局部不变特征点数量，如所包含局部不变特征点数量在预设范围内的图像块在该图像所有图像块中所占的比例大于预设的比例阈值，则将该图像初步判定为特征点分布均匀的一类；反之，则初步判定为特征点分布不均匀的一类；对于每一类场景的所有训练样本图像，如其中被初步判定为特征点分布均匀的图像所占比例达到或超过预设的比例下限值，则将该类场景的所有训练样本图像划为特征点分布均匀的一类，否则，将该类场景的所有训练样本图像划为特征点分布不均匀的一类；所述比例下限值的取值范围为[0.8,1)；对于测试样本图像，将图像分为一组互不重叠的图像块本文档来自技高网...

【技术保护点】
一种遥感图像场景分类方法，包括训练阶段和测试阶段；其特征在于，所述训练阶段包括以下步骤：步骤1、提取各训练样本图像的局部不变特征，并根据局部不变特征点在图像中的密度分布情况将训练样本图像分为特征点分布均匀和特征点分布不均匀这两类；步骤2、提取特征点分布均匀的训练样本图像的全局特征，并对一个分类器进行训练，得到第一分类器；提取特征点分布不均匀的训练样本图像的局部特征，并对另一个分类器进行训练，得到第二分类器；所述测试阶段包括以下步骤：步骤3、提取测试样本图像的局部不变特征，并根据局部不变特征点在图像中的密度分布情况将测试样本图像分为特征点分布均匀和特征点分布不均匀这两类；步骤4、提取特征点分布均匀的测试样本图像的全局特征，利用第一分类器对其进行分类；提取特征点分布不均匀的测试样本图像的局部特征，利用第二分类器进行分类。

【技术特征摘要】
1.一种遥感图像场景分类方法，包括训练阶段和测试阶段；其特征在于，所述训练阶段包括以下步骤：步骤1、提取各训练样本图像的局部不变特征，并根据局部不变特征点在图像中的密度分布情况将训练样本图像分为特征点分布均匀和特征点分布不均匀这两类；步骤2、提取特征点分布均匀的训练样本图像的全局特征，并对一个分类器进行训练，得到第一分类器；提取特征点分布不均匀的训练样本图像的局部特征，并对另一个分类器进行训练，得到第二分类器；所述测试阶段包括以下步骤：步骤3、提取测试样本图像的局部不变特征，并根据局部不变特征点在图像中的密度分布情况将测试样本图像分为特征点分布均匀和特征点分布不均匀这两类；步骤4、提取特征点分布均匀的测试样本图像的全局特征，利用第一分类器对其进行分类；提取特征点分布不均匀的测试样本图像的局部特征，利用第二分类器进行分类。2.如权利要求1所述遥感图像场景分类方法，其特征在于，所述全局特征为相互串接并归一化的颜色特征和纹理特征。3.如权利要求2所述遥感图像场景分类方法，其特征在于，所述颜色特征为HSL色彩空间的颜色直方图特征，所述纹理特征为Gabor纹理特征。4.如权利要求1所述遥感图像场景分类方法，其特征在于，所述局部特征为基于稀疏编码的空间金子塔匹配模型特征。5.如权利要求1所述遥感图像场景分类方法，其特征在于，具体通过以下方法将图像分为特征点分布均匀和特征点分布不均匀这两类：对于训练样本图像，将图像分为一组互不重叠且大小相同的图像块，并判断局部不变特征点在这些图像块中的分布方差是否大于预设的方差阈值，如是，则将该图像初步判定为特征点分布不均匀；反之，则初步判定为特征点分布均匀；对于每一类场景的所有训练样本图像，如其中被初步判定为特征点分布均匀的图像所占比例达到或超过预设的比例下限值，则将该类场景的所有训练样本图像划为特征点分布均匀的一类，否则，将该类场景的所有训练样本图像划为特征点分布不均匀的一类；所述比例下限值的取值范围为[0.8,1)；对于测试样本图像，将图像分为一组互不重叠且大小相同的图像块，并判断局部不变特征点在这些图像块中的分布方差是否大于预设的方差阈值，如是，则将该图像划为特征点分布不均匀的一类；反之，则为特征点分布均匀的一类。6.如权利要求1所述遥感图像场景分类方法，其特征在于，具体通过以下方法将图像分为特征点分布均匀和特征点分布不均匀这两类：对于训练样本图像，将图像分为一组互不重叠且大小相同的图像块，并统计各图像块中所包含的局部不变特征点数量，如所包含局部不变特征点数量在预设范围内的图像块在该图像所有图像块中所占的比例大于预设的比例阈值，则将该图像初步判定为特征点分布均匀的一类；反之...

【专利技术属性】
技术研发人员：李士进，蒋亚平，张洋，郭以军，王亚明，冯钧，高祥涛，占迪，朱海晨，王声特，
申请(专利权)人：河海大学，水利部海河水利委员会水利信息网络中心，
类型：发明
国别省市：江苏;32