【技术实现步骤摘要】
本专利技术属于图像处理
,进一步涉及遥感图像场景分类,可用于对遥感图像数据的分析和管理。
技术介绍
场景分类是遥感图像处理的一个重要环节,也是遥感研究领域的热点。随着卫星遥感图像和航空遥感图像分辨率不断提高,可以从遥感图像中获得更多有用的数据和信息。而针对不同场合的应用,对遥感图像的处理也有着不同的要求,所以为了有效地对这些遥感图像数据进行分析和管理,需要根据图像内容给图像贴上语义标签。而场景分类就是解决该类问题的一种重要途径。场景分类指的就是从多幅图像中区分出具有相似场景特征的图像,并正确的对这些图像进行分类。通俗讲就是将数据库中的不同遥感图像按照一定的分类特征进行分类,所以场景分类的关键就在于对图像特征的提取。针对图像特征的提取,已经出现了很多经典的方法,主要分为三类:一是对图像直接提取特征描述子,比如尺度不变特征变换SIFT、颜色直方图、方向梯度直方图HOG、局部二值模式LBP等;二是在图像分块提取的一些底层特征基础上继续进行特征提取,比如词袋模型BOVW、稀疏编码等;三是通过训练深度网络模型,对图像自动提取特征。上述三种方法各有优缺点。第一种方法虽然步骤简单,但由于低层特征对于场景语义信息的描述具有局限性,所以这种方法对提取的特征描述子具有较高的要求;第二种方法相对于第一种方法分类精度虽有所提高,但处理过程会更复杂;而深度网络是最近几年兴起的一种方法,优点在于不用人工提取特征描述子,而且经过充分训练后的网络分类效果非常好。但深度网络模型却需要大量的数据进行训练,耗时较长,对存储要求也相对较高。
技术实现思路
本专利技术的目的在于针对已有技术的不 ...
【技术保护点】
一种基于CDCP局部描述子的遥感图像场景分类方法,包括:(1)输入遥感图像数据集;(2)采用Matlab自带的灰度化函数rgb2gray( )对输入的所有图像进行灰度化处理;(3)设置数据集中每幅图像像素点两层邻域的模式,即先将每个像素点的两层邻域分成0,π/4,π/2,3π/4,π,5π/4,3π/2,7π/4这8个方向,再将该8个方向分为两组:第一组为(0,π/2,π,3π/2),第二组为(π/4,3π/4,5π/4,7π/4);(4)计算数据集中每幅图像在上述两组模式下的灰度差值符号直方图,再将这两组模式下的灰度差值符号直方图连接起来,生成图像的灰度差值符号直方图;(5)计算数据集中每幅图像在上述两组模式下的灰度差值绝对值直方图,再将这两组模式下的灰度差值绝对值直方图连接起来,生成图像的灰度差值绝对值直方图;(6)将图像的灰度差值符号直方图和灰度差值绝对值直方图连接起来,生成图像的特征向量;(7)在数据集的每一类遥感场景图像中,随机地选择其中80%的图像的特征向量作为训练集,其余图像的特征向量作为测试集;(8)对特征向量进行归一化处理,即将训练集与测试集一起归一化到[0,1]区间 ...
【技术特征摘要】
1.一种基于CDCP局部描述子的遥感图像场景分类方法,包括:(1)输入遥感图像数据集;(2)采用Matlab自带的灰度化函数rgb2gray( )对输入的所有图像进行灰度化处理;(3)设置数据集中每幅图像像素点两层邻域的模式,即先将每个像素点的两层邻域分成0,π/4,π/2,3π/4,π,5π/4,3π/2,7π/4这8个方向,再将该8个方向分为两组:第一组为(0,π/2,π,3π/2),第二组为(π/4,3π/4,5π/4,7π/4);(4)计算数据集中每幅图像在上述两组模式下的灰度差值符号直方图,再将这两组模式下的灰度差值符号直方图连接起来,生成图像的灰度差值符号直方图;(5)计算数据集中每幅图像在上述两组模式下的灰度差值绝对值直方图,再将这两组模式下的灰度差值绝对值直方图连接起来,生成图像的灰度差值绝对值直方图;(6)将图像的灰度差值符号直方图和灰度差值绝对值直方图连接起来,生成图像的特征向量;(7)在数据集的每一类遥感场景图像中,随机地选择其中80%的图像的特征向量作为训练集,其余图像的特征向量作为测试集;(8)对特征向量进行归一化处理,即将训练集与测试集一起归一化到[0,1]区间;(9)以归一化后的特征向量作为分类特征,采用SVM分类器对数据集中所有图像进行分类,即利用训练集建立SVM分类模型,再利用该分类模型对测试集进行预测。2.根据权利要求1所述的方法,步骤(4)中计算图像灰度差值符号直方图,具体步骤如下:(4a)计算中心点像素与其第一层邻域像素点灰度的差值,以及第一层邻域像素点与第二层邻域像素点灰度的差值;DAi=IAi-IODBi=IBi-IAi其中,DAi表示第i个方向上中心点与第一层邻域像素点灰度的差值,0≤i≤7,DBi表示第i个方向上第一层邻域像素点与第二层邻域像素点灰度的差值,IO表示中心点灰度值,IAi和IBi分别表示第i个方向上第一层邻域与第二层邻域像素点的灰度值;(4b)计算每个方向上的编码值CDCP_Si;CDCP_Si=S(DAi)×2+S(DBi)其中,S(DAi)=1,DAi≥00,DAi<0]]>S(DBi)=1,DBi≥00,DBi<0;]]>(4c)分别将(0,π/2,π,3π/2)与(π/4,3π/4,5π/4,7π/4)两组模式下的4个方向编码值进行加权联合,得到灰度差值符号矩阵;CDCP_S1=Σi=03CDCP_S2i×4i]]>CDCP_S2=Σi=03CDCP_S2i+1×4i]]>其中,CDCP_S1和CDCP_S2分别表示(0,π/2,π,3π/2)与(π/4,3π/4,5π/4,7π/4)模式下的灰度差值符号矩阵;(4d)分别将上述两组模式下的灰度差值符号矩阵转化为灰度差值符号直方图,再连接两个直方图,生成每幅图像的灰度差值符号直方图;CDCP_SH=[CDCP_S1H,CDCP_S2H]其中,CDCP_SH表示图像的灰度差值符号直方图,CDCP_S1H和CDCP_S2H分别表示(0,π/2,π,3π...
【专利技术属性】
技术研发人员:曹向海,李泽瀚,李星华,梁甜,焦李成,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。