一种基于无监督特征学习的遥感图像检索方法及系统技术方案

本发明专利技术提供了基于无监督特征学习的遥感图像检索方法及系统，包括对检索图像库中各图像分别提取显著图，并根据显著图的分割阈值获得相应的二值化显著图；对检索图像库中各图像，根据相应的二值化显著图通过掩膜运算分割出显著区域；从图像显著区域提取尺寸相同的图像块构造训练样本，并利用无监督特征学习方法对样本进行训练学习图像的特征；最后，进行图像检索。本发明专利技术从图像的显著区域提取尺寸相同的图像块构造用于无监督特征学习的训练样本，弥补了传统的直接在原图像上进行随机取样的缺陷，不仅符合人眼的视觉注意特点而且更能直接反映出人们的检索需求，在保证检索查准率的同时免去了复杂的特征提取过程。

【技术实现步骤摘要】
【专利摘要】本专利技术提供了基于无监督特征学习的遥感图像检索方法及系统，包括对检索图像库中各图像分别提取显著图，并根据显著图的分割阈值获得相应的二值化显著图；对检索图像库中各图像，根据相应的二值化显著图通过掩膜运算分割出显著区域；从图像显著区域提取尺寸相同的图像块构造训练样本，并利用无监督特征学习方法对样本进行训练学习图像的特征；最后，进行图像检索。本专利技术从图像的显著区域提取尺寸相同的图像块构造用于无监督特征学习的训练样本，弥补了传统的直接在原图像上进行随机取样的缺陷，不仅符合人眼的视觉注意特点而且更能直接反映出人们的检索需求，在保证检索查准率的同时免去了复杂的特征提取过程。【专利说明】一种基于无监督特征学习的遥感图像检索方法及系统
本专利技术属于图像处理
，涉及一种基于无监督特征学习的遥感图像检索方 法及系统。
技术介绍
随着遥感技术和传感器技术的日益发展，可获取的遥感影像空间分辨率日益提 高，并且数据量正以惊人的速度增长。海量的遥感数据为社会经济发展以及科学研宄等提 供了丰富的数据源，但另一方面也给人们带来极大的挑战，即如何实现海量影像数据的有 效管理和高效利用。由于现阶段影像数据的处理和分析技术仍处于发展阶段，处理和分析 能力有限，使得遥感影像数据的有效管理远滞后于数据增长的速度。此外，在针对特定应用 时人们往往难以快速地从海量数据中找出满足需求的数据。遥感图像检索技术是解决这一 瓶颈问题的有效方法，研宄高效的图像检索技术具有重要的意义。 目前的遥感图像检索技术主要是基于图像内容进行的，通过提取图像的颜色、纹 理以及形状等低层特征构成特征向量进行检索。相比传统的基于关键字的检索技术，基于 图像内容的检索方法不仅省去了繁琐的人工标注过程大大提高了工作效率，而且有效地改 善了检索结果。然而，为了取得良好的检索结果，在基于内容的图像检索技术中大部分工作 都集中在设计有效的颜色、纹理以及形状等特征描述方法上，而特征对图像内容的描述能 力直接影响最终的检索结果。此外，设计一种有效的特征描述方法同样是一项繁琐的工作。 在深度学习领域，无监督特征学习能够从图像中学习出描述图像内容的特征，相 比手动设计特征描述方法具有更好的适用性且效率较高，因而受到广泛关注。在无监督特 征学习方法中，训练样本即训练图像块的选取直接影响到后续的特征学习过程。现有的方 法通常是从原始大图像上随机选取一定数目的图像块构造训练样本，但由于选取位置随 机，图像块难以完全包括图像上特定的检索对象。
技术实现思路
针对现有技术存在的不足，本专利技术提供了一种基于无监督特征学习的遥感图像检 索技术方案。本专利技术将无监督特征学习策略引入遥感图像检索，根据对象的显著性来选取 图像块，进而构造训练样本学习图像的特征，从而实现图像检索。 本专利技术所采用的技术方案是一种基于无监督特征学习的遥感图像检索方法，包括 以下步骤： 步骤1，对检索图像库中各图像分别提取显著图，并根据显著图的分割阈值T获得 相应的二值化显著图；所述分割阈值T确定如下， 【权利要求】1. 一种基于无监督特征学习的遥感图像检索方法，其特征在于，包括以下步骤： 步骤1，对检索图像库中各图像分别提取显著图，并根据显著图的分割阈值T获得相应 的二值化显著图；所述分割阈值T确定如下，其中，W和H分别代表显著图的宽和高，S(x，y)代表显著图中（x，y)处像素的显著值， 步骤2,对检索图像库中各图像，根据相应的二值化显著图通过掩膜运算分割出显著区 域；设I代表原始的图像，Sb代表步骤1中得到的二值化显著图，M代表二者掩膜运算结果， 掩膜运算如下， M=I0Sb 步骤3,从检索图像库中随机选取预设数目的原图像作为训练图像，然后再分别从各训 练图像相应的显著区域上提取尺寸相同的训练图像块，所有训练图像块一起构成训练样本 集X;采用去均值后PCA白化的方式对训练样本集X进行预处理，得到预处理后的训练样本 集XrcAwhite，然后基于无监督特征学习方法训练得到网络参数，设从检索图像库中任一图像 的显著区域上提取尺寸相同的图像块所构成的矩阵为Xpatah,采用去均值后PCA白化的方式 后得到预处理后的矩阵tpateh，利用训练所得网络参数学习得到特征矩阵； 步骤4,计算检索图像库中的查询图像和其他图像的相似性，并根据相似性大小返回查 询图像的相似图像；相似性计算如下， 设两幅图像根据步骤3所得特征矩阵为4= 其中，〇,是!11\11维的距离矩阵，Clij表示两个特征矩阵间任意两个特征向量的欧式距 胃.蜃终W幅图俛的相笪加Τ.其中，和m)分别表不Df各行最小值和各列最小值构成的向量。2. 根据权利要求1所述基于无监督特征学习的遥感图像检索方法，其特征在于：步骤 1中，对检索图像库中各图像分别提取显著图根据GBVS模型实现，所述GBVS模型为基于图 的显著性检测模型。3. 根据权利要求1或2所述基于无监督特征学习的遥感图像检索方法，其特征在于： 步骤3中，无监督特征学习方法采用线性稀疏自编码网络实现。4. 一种基于无监督特征学习的遥感图像检索系统，其特征在于，包括以下模块： 二值化显著图提取模块，用于对检索图像库中各图像分别提取显著图，并根据显著图 的分割阈值T获得相应的二值化显著图；所述分割阈值T确定如下，其中，W和H分别代表显著图的宽和高，S(x，y)代表显著图中（x，y)处像素的显著值， 显著区域分割模块，用于对检索图像库中各图像，根据相应的二值化显著图通过掩膜 运算分割出显著区域；设I代表原始的图像，Sb代表二值化显著图提取模块中得到的二值 化显著图，M代表二者掩膜运算结果，掩膜运算如下， M=丨?Sh 网络训练学习模块，用于从检索图像库中随机选取预设数目的原图像作为训练图像， 然后再分别从各训练图像相应的显著区域上提取尺寸相同的训练图像块，所有训练图像块 一起构成训练样本集X;采用去均值后PCA白化的方式对训练样本集X进行预处理，得到预 处理后的训练样本集XrcAwhite，然后基于无监督特征学习方法训练得到网络参数，设从检索 图像库中任一图像的显著区域上提取尺寸相同的图像块所构成的矩阵为Xpatdl，采用去均值 后PCA白化的方式后得到预处理后的矩阵X' pateh，利用训练所得网络参数学习得到特征矩 阵； 查询模块，用于计算检索图像库中的查询图像和其他图像的相似性，并根据相似性大 小返回查询图像的相似图像；相似性计算如下， 设两幅图像根据网络训练学习模块所得特征矩阵为A=RG…/U与 4=，!!!、!!为两幅图像中分别提取的图像块数目，特征矩阵的每一列表示 一个图像块的特征向量，G与K的距离矩阵Df计算如下， Df= 其中，〇,是!11\11维的距离矩阵，Clij表示两个特征矩阵间任意两个特征向量的欧式距 离；最终两幅图像的相似性计算如下，其中，< 和《4分别表示Df各行最小值和各列最小值构成的向量。5. 根据权利要求4所述基于无监督特征学习的遥感图像检索系统，其特征在于：二值 化显著图提取模块中，对检索图像库中各图像分别提取显著图根据GBVS模型实现，所述 GBVS模型为基于图的显著性检测模本文档来自技高网...

【技术保护点】
一种基于无监督特征学习的遥感图像检索方法，其特征在于，包括以下步骤：步骤1，对检索图像库中各图像分别提取显著图，并根据显著图的分割阈值T获得相应的二值化显著图；所述分割阈值T确定如下，T=2W×HΣx=1WΣy=1HS(x,y)]]>其中，W和H分别代表显著图的宽和高，S(x,y)代表显著图中(x,y)处像素的显著值，步骤2，对检索图像库中各图像，根据相应的二值化显著图通过掩膜运算分割出显著区域；设I代表原始的图像，Sb代表步骤1中得到的二值化显著图，M代表二者掩膜运算结果，掩膜运算如下，M=I⊗Sb]]>步骤3，从检索图像库中随机选取预设数目的原图像作为训练图像，然后再分别从各训练图像相应的显著区域上提取尺寸相同的训练图像块，所有训练图像块一起构成训练样本集X；采用去均值后PCA白化的方式对训练样本集X进行预处理，得到预处理后的训练样本集XPCAwhite，然后基于无监督特征学习方法训练得到网络参数，设从检索图像库中任一图像的显著区域上提取尺寸相同的图像块所构成的矩阵为Xpatch，采用去均值后PCA白化的方式后得到预处理后的矩阵X′patch，利用训练所得网络参数学习得到特征矩阵；步骤4，计算检索图像库中的查询图像和其他图像的相似性，并根据相似性大小返回查询图像的相似图像；相似性计算如下，设两幅图像根据步骤3所得特征矩阵为Lfα=l1αl2α...lmα]]>与Lfβ=l1βl2β...lnβ,]]>m、n为两幅图像中分别提取的图像块数目，特征矩阵的每一列表示一个图像块的特征向量，与的距离矩阵Df计算如下，Df＝[dij；i＝1,2,...,m；j＝1,2,...,n]其中，Df是m×n维的距离矩阵，dij表示两个特征矩阵间任意两个特征向量的欧式距离；最终两幅图像的相似性计算如下，D=||mfr||+||mfc||]]>其中，和分别表示Df各行最小值和各列最小值构成的向量。...

【技术特征摘要】

【专利技术属性】
技术研发人员：邵振峰，周维勋，李从敏，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42