基于非监督特征学习的高分辨率遥感影像场景分类方法技术

一种基于非监督特征学习的高分辨率遥感影像场景分类方法，包括对输入的原始高分辨率遥感图像进行划分得到场景，从每个场景中随机地提取若干个训练图像块，将训练图像块聚集起来做预处理操作；计算所有训练图像块的低维流形表示，聚类得到一组聚类中心；对每一幅场景密集采样得到局部图像块，对每个局部图像块做预处理操作后映射到相同的低维流形空间中，然后进行编码获得场景的所有局部特征；将所有场景的局部特征集合起来进行特征量化，统计每一幅场景的局部特征直方图，得到场景的全局特征表达；随机挑选若干幅场景作为训练样本，由分类器得到每一幅场景的预测类别标号，完成原始高分辨率遥感场景的标注任务。

【技术实现步骤摘要】
基于非监督特征学习的高分辨率遥感影像场景分类方法
本专利技术属于遥感图像智能化分析领域，特别涉及用于高分辨率遥感图像的场景分类，是一种基于非监督特征学习的遥感场景分类方法。
技术介绍
随着摄影测量与遥感成像技术的快速发展，高分辨遥感影像的数量也迅猛增长，对遥感图像解译的需求也变得越来越迫切。其中遥感图像的场景分类是智能化遥感信息处理领域的一项重要的任务，因此对高分辨率遥感图像场景的快速理解和自动标注问题也受到了更多的关注。遥感场景通常是指遥感影像中具有语义信息的局部区域，例如，对于一幅城区的遥感影像，它可能包含居民区、商业区、工业区、绿地、水域等多种不同的场景。由于遥感影像在成像过程中受到环境因素的影响，使得同一类别的场景在光照、方向、尺度上呈现出较大的区别。另一方面不同的场景类别可能包含相同的目标类别，例如商业区和居民区场景中都包含道路、建筑、树木等一些具体的语义类别，只是由于这些语义目标在空间位置和疏密程度上的不同导致了商业区和居民区的场景语义区别。因此，由于遥感场景复杂性和多变性，使得智能化的场景分类成为了一项挑战性的工作。基于词袋模型(BagofWords)[1][2]的特征表示方法一直是有效解决场景分类问题的主流。词袋模型将场景描述成若干无序视觉词汇(VisualWords)的集合，通过统计场景中视觉词汇直方图来达到提取场景全局特征的目的。词袋模型中的视觉词汇是通过对场景中大量的局部特征聚类量化得到，局部特征的选择的优劣会直接影响最后的场景分类精度。一般情况这些局部特征都是人工设计得到的，然而设计一个稳定的多方面不变性（如尺度不变性、旋转不变性、平移不变性等）的局部特征不仅需要十分专业的领域知识，更需要大量的反复试验，因此人工设计特征显得耗时耗力。近些年来，很多研究致力于利用非监督特征学习(UnsupervisedFeatureLearning)[3][4][5][6]的方法从海量无标号的数据中自动学习得到局部低层和中层特征，代替这些人工设计的特征，并且在机器学习，计算机视觉和数据挖掘等领域取得了重大的突破。但是这些算法都是直接利用数据的原始形式作为训练数据，并没有挖掘这些训练数据在原始数据空间上的本征结构和信息，使其在训练和编码过程中的计算代价太大。如何利用非监督特征学习的方法框架，训练编码得到能够有效描述遥感场景的局部特征成为了提高场景分类精度的关键。有关参考文献：[1]J.SivicandA.Zisserman,"VideoGoogle:atextretrievalapproachtoobjectmatchinginvideos,"inComputerVision,2003.Proceedings.NinthIEEEInternationalConferenceo,2003,pp.1470-1477vol.2.[2]S.Lazebnik,C.Schmid,andJ.Ponce,"BeyondBagsofFeatures:SpatialPyramidMatchingforRecognizingNaturalSceneCategories,"inComputerVisionandPatternRecognition,2006IEEEComputerSocietyConferenceon,2006,pp.2169-2178.[3]G.E.HintonandR.R.Salakhutdinov,"Reducingthedimensionalityofdatawithneuralnetworks,"Science,vol.313,pp.504-507,2006.[4]A.Coates,A.Y.Ng,andH.Lee,"Ananalysisofsingle-layernetworksinunsupervisedfeaturelearning,"inInternationalConferenceonArtificialIntelligenceandStatistics,2011,pp.215-223.[5]Y.L.Boureau,F.Bach,Y.LeCun,andJ.Ponce,"Learningmid-levelfeaturesforrecognition,"inComputerVisionandPatternRecognition(CVPR),2010IEEEConferenceon,2010,pp.2559-2566.[6]A.M.Cheriyadat,"UnsupervisedFeatureLearningforAerialSceneClassification,"GeoscienceandRemoteSensing,IEEETransactionson,vol.52,pp.439-451,2014.
技术实现思路
针对现有技术不足，本专利技术提出一种基于非监督特征学习的遥感场景的分类方法，通过研究遥感场景中局部区域（图像块，patch）的低维流形结构，使非监督特征学习方法在离线训练和在线编码的过程都在图像块的低维流形中执行，从而达到提高非监督学习计算效率的目的；然后利用编码得到的局部特征，结合词袋模型获取遥感场景的全局特征表达，从而实现遥感场景的分类。本专利技术技术方案提供一种基于非监督特征学习的高分辨率遥感影像场景分类方法，包括以下步骤，步骤1，对输入的原始高分辨率遥感图像进行均匀网格划分，每一个子网格代表一个场景；步骤2，从每个场景中随机地提取若干个训练图像块，将训练图像块聚集起来做预处理操作；步骤3，计算所有训练图像块的低维流形表示，并以训练图像块的低维矢量表示为基础，通过聚类的方法得到一组聚类中心；步骤4，对每一幅场景密集采样，得到若干个局部图像块，对每个局部图像块做预处理操作后，映射到相同的低维流形空间中，并获得相应的低维流形表示，对局部图像块的低维流形表示进行编码，获得描述该幅场景的所有局部特征；步骤5，将所有场景的局部特征集合起来进行特征量化，统计每一幅场景的局部特征直方图，得到场景的全局特征表达；步骤6，随机挑选若干幅场景作为训练样本，并把每幅场景对应的全局特征表达和真实的类别标号送入分类器中进行训练，得到分类器模型参数；将原始高分辨率遥感影像的所有场景的全局特征表达送入分类器，由分类器得到每一幅场景的预测类别标号，完成原始高分辨率遥感场景的标注任务。而且，步骤2中，采用均值方差归一化和ZCA白化的方法对训练图像块做预处理；步骤4中，采用均值方差归一化和ZCA白化的方法对局部图像块做预处理。而且，步骤3中通过聚类的方法得到一组聚类中心时，所述聚类的方法采用K-means算法，提取聚类中心的过程包括以下步骤，1）采用K近邻算法以所有训练图像块为顶点构造一个无向邻接图G；2）为无向邻接图G中每一条边赋予一个权重，来衡量由边连接的两个顶点vi、vj之间的相互度Wij，所得权重矩阵W中相似度的定义如下，其中，N(vj)表示与顶点vj最相邻的K个顶点的集合，t为权重衰减常数，e为数学常数；3）计算Laplacian矩阵L,L＝A-W,其中A是一个对角矩阵，满足其中元素Ajj＝ΣiWij；4）解决一个一般化的特征值问题如下，其中，λ和m表示待求的特征值和特征向量，将计算所得最小的d个特征本文档来自技高网...

【技术保护点】
一种基于非监督特征学习的高分辨率遥感影像场景分类方法，其特征是：包括以下步骤，步骤1，对输入的原始高分辨率遥感图像进行均匀网格划分，每一个子网格代表一个场景；步骤2，从每个场景中随机地提取若干个训练图像块，将训练图像块聚集起来做预处理操作；步骤3，计算所有训练图像块的低维流形表示，并以训练图像块的低维矢量表示为基础，通过聚类的方法得到一组聚类中心；步骤4，对每一幅场景密集采样，得到若干个局部图像块，对每个局部图像块做预处理操作后，映射到相同的低维流形空间中，并获得相应的低维流形表示，对局部图像块的低维流形表示进行编码，获得描述该幅场景的所有局部特征；步骤5，将所有场景的局部特征集合起来进行特征量化，统计每一幅场景的局部特征直方图，得到场景的全局特征表达；步骤6，随机挑选若干幅场景作为训练样本，并把每幅场景对应的全局特征表达和真实的类别标号送入分类器中进行训练，得到分类器模型参数；将原始高分辨率遥感影像的所有场景的全局特征表达送入分类器，由分类器得到每一幅场景的预测类别标号，完成原始高分辨率遥感场景的标注任务。

【技术特征摘要】
1.一种基于非监督特征学习的高分辨率遥感影像场景分类方法，其特征是：包括以下步骤，步骤1，对输入的原始高分辨率遥感图像进行均匀网格划分，每一个子网格代表一个场景；步骤2，从每个场景中随机地提取若干个训练图像块，将训练图像块聚集起来做预处理操作；步骤3，计算所有训练图像块的低维流形表示，并以训练图像块的低维矢量表示为基础，通过聚类的方法得到一组聚类中心；步骤4，对每一幅场景密集采样，得到若干个局部图像块，对每个局部图像块做预处理操作后，映射到相同的低维流形空间中，并获得相应的低维流形表示，对局部图像块的低维流形表示进行编码，获得描述该幅场景的所有局部特征；步骤5，将所有场景的局部特征集合起来进行特征量化，统计每一幅场景的局部特征直方图，得到场景的全局特征表达；步骤6，随机挑选若干幅场景作为训练样本，并把每幅场景对应的全局特征表达和真实的类别标号送入分类器中进行训练，得到分类器模型参数；将原始高分辨率遥感影像的所有场景的全局特征表达送入分类器，由分类器得到每一幅场景的预测类别标号，完成原始高分辨率遥感场景的标注任务。2.如权利要求1所述基于非监督特征学习的高分辨率遥感影像场景分类方法，其特征是：步骤2中，采用均值方差归一化和ZCA白化的方法对训练图像块做预处理；步骤4中，采用均值方差归一化和ZCA白化的方法对局部图像块做预处理。3.如权利要求1或2所述基于非监督特征学习的高分辨率遥感影像场景分类方法，其特征是：步骤3中通过聚类的方法得到一组聚类中心时，所述聚类的方法采用K-means算法，提取聚类中心的过程包括以下步骤，1)采用K近邻算法以所有训练图像块为顶点构造一个无向邻接图G；2)为无向邻接图G中每一条边赋予一个权重，来衡量由边连接的两个顶点vi、vj之间的相似度Wij，所得权重矩阵W中相似度的定义如下，其中，N(vj)表示与顶点vj最相邻的K个顶点的集合，t为权重衰减常数，e为数学常数；3)计算Laplac...

【专利技术属性】
技术研发人员：夏桂松，胡凡，张良培，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42