一种基于弱监督学习框架的遥感图像机场检测方法技术

本发明专利技术涉及一种基于弱监督学习框架的遥感图像机场检测方法。首先得到正样本中图块的显著性，正样本集中图块的相似性，正负样本类间差异性，然后利用贝叶斯框架对这三类信息进行融合，得到初始的正负训练集，然后利用这些训练集迭代训练得到最终的稳定的机场检测器，用该机场检测器检测测试图片的机场，最终取得更具准确性，鲁棒性的机场检测结果。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及。首先得到正样本中图块的显著性，正样本集中图块的相似性，正负样本类间差异性，然后利用贝叶斯框架对这三类信息进行融合，得到初始的正负训练集，然后利用这些训练集迭代训练得到最终的稳定的机场检测器，用该机场检测器检测测试图片的机场，最终取得更具准确性，鲁棒性的机场检测结果。【专利说明】
本专利技术属于计算机视觉算法研究领域，涉及一种基于弱监督学习框架的遥感图像 机场检测方法，可以在遥感图像数据库中准确、鲁棒地检测出图像的机场。
技术介绍
遥感技术的飞速发展促使许多卫星和航空传感器可以提供具有高空间分辨率的 光学图像，这些图像有广泛的应用，如灾害治理，土地规划，监控和交通规划。在这些应用 中，自然或人造物体的自动检测是一个基础任务，而且已经吸引了越来越多的研究兴趣。光 学遥感图像的机场中包含的丰富的空间信息和详细的结构信息，为我们解决这一挑战性的 任务提供了新的机遇。 早期对于遥感图像的机场检测都是无监督的方式，首先开始于通过对像素的聚类 得到感兴趣区域，然后基于形状和频谱信息检测机场。此后，许多监督学习的方法得以提 出，它们利用训练样本中的先验信息有效地学习出机场检测模型，通过依赖于大量的人工 标注训练样本，然后将问题转化为分类问题去解决，监督学习的方法可以比无监督的方法 得到更好的效果，因此，基本上所有的机场检测系统都是基于监督学习工具。 遥感技术的最新进展已经导致了卫星和航空影像的数量和质量的爆炸式增长。它 同时也带来了光学遥感图像机场检测任务中两个日益严重的问题。首先，基于监督学习的 机场检测方法通常需要大量的训练数据，这些训练数据需要人工将图片中的的每一个机场 标注在一个矩形框中，然而，大规模图像集的手动标注通常代价昂贵，有时甚至是不可靠 的。例如，对于滑坡等自然物体，合适的手动标注通常需要大量的专业知识。此外，对于飞 机和汽车等人造物体，人工标注也是困难的，因为这些机场对象的覆盖范围看起来很小，特 别是当图像的背景中包含复杂的纹理时。因而在这些小区域实现精确标注是非常困难的。 此外，如果机场被遮挡或伪装，手动人工标注的准确性和可靠性也会降低。因此，对于大型 光学卫星和空间图像数据集，利用弱监督方法训练机场检测器成为一个引人注目的方向。
技术实现思路
要解决的技术问题 为了避免现有技术的不足之处，本专利技术提出一种基于弱监督学习框架的遥感图像 机场检测方法，解决人工标注费时费力的问题。 技术方案 -种基于弱监督学习框架的遥感图像机场检测方法，其特征在于：利用方形滑动 窗口在拍摄的遥感图像中提取图块，然后利用训练得到的机场检测器对图块进行分类，并 利用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口可能高度重叠 的问题，从而得到最终的机场检测结果；所述机场检测器的训练步骤如下： 步骤1、对遥感图像数据库中随机抽取的多幅遥感图像进行正负样本分类，将含有 机场信息的遥感图像作为正样本图像，未含有机场信息的遥感图像作为负样本图像； 步骤2、利用多尺度方形滑动窗口在每一幅遥感图像中提取图块，将正样本图像得 到的图块作为正样本集中的图块<，负样本图像得到的图块作为负样本集中的图块所 述滑动步长为所选取窗口大小的1/3 ; 步骤3、计算正样本集中图块< 的显著性：以正样本图集中的每一个图块周围图 块作为字典对该图块进行稀疏编码Dicp Cip，根据编码的稀疏度I I a」Itl和编码产生 的残差rp= X P-Dicpap，得到图块相对于周围背景的显著值?/Ρφν,^ΙΙα,Ι· |||^:其 中：Xp为图块 < 的原始RGB特征，DicjP α及别是图块 周围图块构成的字典和编码产 生的稀疏系数，PK.<)表示< 出现的概率； 步骤4、计算正负样本集的类间差异性：以Pr(x^< =〇)反映图块< 出现在负样 本集中的概率作为该图块与负样本之间的差异性， J=L 【权利要求】1. ，其特征在于：利用方形滑动窗 口在拍摄的遥感图像中提取图块，然后利用训练得到的机场检测器对图块进行分类，并利 用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口可能高度重叠的 问题，从而得到最终的机场检测结果；所述机场检测器的训练步骤如下： 步骤1、对遥感图像数据库中随机抽取的多幅遥感图像进行正负样本分类，将含有机场 信息的遥感图像作为正样本图像，未含有机场信息的遥感图像作为负样本图像； 步骤2、利用多尺度方形滑动窗口在每一幅遥感图像中提取图块，将正样本图像得到的 图块作为正样本集中的图块负样本图像得到的图块作为负样本集中的图块％;所述滑 动步长为所选取窗口大小的1/3 ; 步骤3、计算正样本集中图块 <的显著性：以正样本图集中的每一个图块周围图块作 为字典对该图块进行稀疏编码DicpCip，根据编码的稀疏度IIa」IjP编码产生的残 差?=Xp-Dicpap，得到图块<相对于周围背景的显著值l/Pr(')=||〇g|()_I|rp| |1;其中： Xp为图块 < 的原始RGB特征，Dic1^Pαp分别是图块 < 周围图块构成的字典和编码产生 的稀疏系数，Plt<)表示 < 出现的概率； 步骤4、计算正负样本集的类间差异性：以I< =0)反映图块< 出现在负样本 集中的概率作为该图块与负样本之间的差异性，Pr(<Lv；； =〇)=QPr(,.I八=〇)=Σ?謂/14,σ?)，其中f〃-V-为负样本集X冲第·1.维 凡jk，Pjk，υjk 特征所对应的第k个高斯分量的权重，均值和方差，&;表示该高斯混合模型中高斯分量的 数目； 步骤5、获取近似初始正训练集：根据 1Γη Pr(>_; = 11χρXJ-Pr(x;I>_; = 〇}Pr(V; = 〇}」判断图块为机场的概率，当图块 <是机场的概率Pr(< =l|xp大于阈值时，将该图块?乍为初始训练集中的正图块，所 述阈值范围为〇. 5?1 ;将选出的图块作为近似正训练集； 步骤6、计算正样本图像中图块< 与近似正训练集的相似性：首先利用高斯混合模型 H 拟合近似正训练集中的样本分布；以ρ?·(·<I< = 1 < =u作为图块.< 与 J.=l 近似正训练集之间的相似性；其中：,表示图块< 的第j维特征，H表示图块xp+的特征 6的总维数，叫/.|>，；：=丨)=|^；^([^.|/^,< +)，其中;^,/4,4+为正样本集 中第k个图块对应的高斯混合模型中第j维特征的权重，均值和方差； 步骤7、产生初始训练集：利用贝叶斯框架对步骤2-6得到的显著 性、类内相似性、类间差异性进行融合，最终得到图块是机场的概率，其中 P片K和Pr(< =1)分别为图块\属于近似正训练集和负训练集的概率，用最近邻法计 算； 当图块X；；是机场的概率大于阈值时，该图块作为初始训练集中的正 图块；所述阈值范围为〇. 5?1 ; 初始训练集中的负训练集由负样本文档来自技高网...

【技术保护点】
一种基于弱监督学习框架的遥感图像机场检测方法，其特征在于：利用方形滑动窗口在拍摄的遥感图像中提取图块，然后利用训练得到的机场检测器对图块进行分类，并利用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口可能高度重叠的问题，从而得到最终的机场检测结果；所述机场检测器的训练步骤如下：步骤1、对遥感图像数据库中随机抽取的多幅遥感图像进行正负样本分类，将含有机场信息的遥感图像作为正样本图像，未含有机场信息的遥感图像作为负样本图像；步骤2、利用多尺度方形滑动窗口在每一幅遥感图像中提取图块，将正样本图像得到的图块作为正样本集中的图块负样本图像得到的图块作为负样本集中的图块所述滑动步长为所选取窗口大小的1/3；步骤3、计算正样本集中图块的显著性：以正样本图集中的每一个图块周围图块作为字典对该图块进行稀疏编码χp≈Dicpαp，根据编码的稀疏度||αp||0和编码产生的残差rp＝χp‑Dicpαp，得到图块相对于周围背景的显著值||rp||1；其中：χp为图块的原始RGB特征，Dicp和αp分别是图块周围图块构成的字典和编码产生的稀疏系数，表示出现的概率；步骤4、计算正负样本集的类间差异性：以反映图块出现在负样本集中的概率作为该图块与负样本之间的差异性，Pr(xp+|yp+=0)=Πj=1H2Pr([fp+]j|yp+=0),]]>且Pr([fp+]j|yp+=0)=Σk=1Kj-πjk-N([fp+]j|μjk-,σjk2-),]]>其中为负样本集X‑中第j维特征所对应的第k个高斯分量的权重，均值和方差，表示该高斯混合模型中高斯分量的数目；步骤5、获取近似初始正训练集：根据Pr(yp+=1|xp+)∝1Pr(xp+)[1-Pr(xp+|yp+=0)Pr(yp+=0)]]]>判断图块为机场的概率，当图块是机场的概率大于阈值时，将该图块作为初始训练集中的正图块，所述阈值范围为0.5～1；将选出的图块作为近似正训练集；步骤6、计算正样本图像中图块与近似正训练集的相似性：首先利用高斯混合模型拟合近似正训练集中的样本分布；以作为图块与近似正训练集之间的相似性；其中：表示图块的第j维特征，H表示图块的特征的总维数，Pr([fp+]j|yp+=1)=Σk=1Kj+πjk+N([fp+]j|μjk+,σjk2+),]]>其中为正样本集中第k个图块对应的高斯混合模型中第j维特征的权重，均值和方差；步骤7、产生初始训练集：利用贝叶斯框架对步骤2‑6得到的显著性、类内相似性、类间差异性进行融合，最终得到图块是机场的概率Pr(yp+=1|xp+)=1Pr(xp+)[Pr(xp+|yp+=1)Pr(yp+=1)-Pr(xp+|xp+=0)Pr(xp+=0)],]]>其中P分别为图块xp属于近似正训练集和负训练集的概率，用最近邻法计算；当图块是机场的概率大于阈值时，该图块作为初始训练集中的正图块；所述阈值范围为0.5～1；初始训练集中的负训练集由负样本图像随机采样产生；步骤8、训练机场检测器：利用初始训练集对支持向量机进行迭代训练得到稳定的机场检测器，在每次迭代中，前一次迭代所更新得到的最新训练集用于训练当前的机场检测器，再利用训练后得到的当前的机场检测器对训练集进行更新并用作下一次迭代的训练集，直到该模型开始漂移时迭代结束，并将漂移前一次的机场检测器作为最终的机场检测器。...

【技术特征摘要】

【专利技术属性】
技术研发人员：韩军伟，张鼎文，李超，郭雷，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61