一种基于非监督特征学习的高分辨率图像场景分类方法技术

本发明专利技术属于遥感图像处理领域，尤其涉及一种基于非监督特征学习的高分辨率遥感图像场景分类方法。本发明专利技术首先利用显著度检测提取图像的显著度信息，根据图像不同位置的显著度信息，从图像中根据显著度的大小随机采样选取图像块；利用特征稀疏性目标函数和最小重构残差目标函数学习图像块特征表达；最后，利用学习出来的特征算子，对待识别的遥感影像的图像数据进行卷积操作，提取图像特征，将提取出来的特征输入支持向量机进行分类。本发明专利技术利用显著度检测提取图像的显著度信息，利用稀疏自编码从图像中学习特征表达，使学习到的特征在场景识别中更具有鲁棒性。

A high resolution image scene classification method based on unsupervised feature learning

The invention belongs to the field of remote sensing image processing, in particular to a high resolution remote sensing image scene classification method based on unsupervised feature learning. The invention firstly uses the saliency information saliency detection and extraction of image based on saliency information, different positions of the image, from the image according to the random sampling to select the image block size saliency; learning image block feature representation using feature sparsity of the objective function and the minimum reconstruction error objective function; finally, by learning the characteristic operator remote sensing image recognition, image data to the convolution operation, image feature extraction, the extracted feature input support vector machine classification. The invention uses the saliency detection to extract the saliency information of the image, and uses the sparse self coding to learn the feature expression from the image, so that the learned features are more robust in the scene recognition.

【技术实现步骤摘要】

本专利技术属于遥感图像处理领域，尤其涉及一种基于非监督特征学习的高分辨率遥感图像场景分类方法。
技术介绍
高分辨率遥感图像(一般指大于1米空间分辨率的遥感图像)由于其具有很高的空间分辨率，丰富的空间信息可以为地物识别提供精细的信息，已被广泛应用于各个领域。然而，由于图像空间分辨率比较高，进行识别的场景通常包含多种不同类别的地物混合得到的像元，这些地物往往有着不同的结构信息，但是由于光谱分辨率较低，往往难以区分。随着高分辨率成像技术的成熟和成本的降低，高分辨率图像被越来越多的使用，但是高分辨率图像的场景识别仍然存在一些限制条件：1)高分辨率的存在使得场景往往有多种复杂地物组成，造成异物同谱现象，使精确解译成为一个难点，因为无法确定这个像元到底属于哪种物质。2)进行场景识别，需要利用获取的图像的空间、结构、纹理和语义信息，从语义的层面上解译图像，但是自适应的特征学习是个难点。3)一些算法只利用了高分辨率图像中的浅层信息，如结构，纹理信息等人为设计的特征，往往忽略了数据本身的结构特点。这些方法不能有效地提取图像的特征表达。因此，需要一种能利用数据本身高层次特征，又有优异的语义信息表达的方法来进行自适应的特征学习。
技术实现思路
本专利技术主要是提供了一种非监督特征学习方法解决现有方法所存在的问题，提供了一种既能利用数据本身高层次特征，又有优异的语义信息表达的方法。本专利技术提供的技术方案是，一种基于非监督特征学习的高分辨率图像场景分类方法，包含以下步骤：步骤1，显著度检测，利用图像中不同位置的图像块局部和全局相似度来计算图像的显著度，实现方式如下，对于不同的图像块，首先定义一个图像块相似函数(1)， d ( x i , x j ) = d c o l o r ( x i , x j ) 1 + c · d p o s i t i o n ( x i , x j ) - - - ( 1 ) ]]>其中dcolor为图像块在CIELab颜色空间的欧氏距离，dposition为图像块在图像位置空间的欧氏距离，xi,xj是任意位置的图像块，c是常数，选取与对应图像块xi最相似的K个图像块xk，其中k＝1,2,…K，利用公式(2)来最终计算图像块所在位置的显著度， S i = 1 - exp { - 1 K Σ k = 1 K d ( x i , x k )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图像场景分类方法，其特征在于，包含以下步骤：步骤1，显著度检测，利用图像中不同位置的图像块局部和全局相似度来计算图像的显著度，实现方式如下，对于不同的图像块，首先定义一个图像块相似函数(1)，d(xi,xj)=dcolor(xi,xj)1+c·dposition(xi,xj)---(1)]]>其中dcolor为图像块在CIELab颜色空间的欧氏距离，dposition为图像块在图像位置空间的欧氏距离，xi,xj是任意位置的图像块，c是常数，选取与对应图像块xi最相似的K个图像块xk，其中k＝1,2,…K，利用公式(2)来最终计算图像块所在位置的显著度，Si=1-exp{-1KΣk=1Kd(xi,xk)}---(2)]]>其中，Si指图像块xi的显著度；步骤2，显著图像块采样，根据步骤1所述的显著度检测获取图像中图像块的显著度信息，随机的从图像中选取预设固定大小的图像块；步骤3，利用特征稀疏性目标函数和最小重构残差目标函数学习图像块特征表达，根据目标优化公式(5)同时优化目标特征的稀疏性和最小重构残差，J(X,Z)=12Σi=1m||xi-zi||2+λ2||W||2---(3)]]>KL(ρ||ρ^)=ρlogρρ^+(1-ρ)log1-ρ1-ρ^---(4)]]>Y=J(X,Z)+βΣj=1KKL(ρ||ρ^)---(5)]]>其中J(X,Z)是原始图像与经过解码后图像的残差和权值大小，其中X表示原始图像块，Z表示重构的图像块，i表示图像块编号，m表示图像块的数目，zi为图像块xi的重构结果，W表示目标函数的权值，是要学习到的特征提取算子，λ是约束项权值；是神经元的稀疏度，ρ是目标特征稀疏度，是当前特征稀疏度，β是稀疏度的权值；Y为总体误差函数；步骤4，通过数据增强和随机丢弃进一步增强步骤3学习到的图像块特征表达；步骤5，求解和更新特征算子，根据步骤3所述的目标优化公式(5)，利用随机梯度下降法求解和更新特征算子；步骤6，判断迭代是否达到最大训练次数，若达到最大训练次数则转至步骤7；否则转至步骤5；步骤7，利用特征算子对图像进行卷积神经网络操作提取图像特征；步骤8，利用支持向量机进行场景识别。...

【技术特征摘要】
1.一种基于非监督特征学习的高分辨率图像场景分类方法，其特征在于，包含以下步骤：步骤1，显著度检测，利用图像中不同位置的图像块局部和全局相似度来计算图像的显著度，实现方式如下，对于不同的图像块，首先定义一个图像块相似函数(1)， d ( x i , x j ) = d c o l o r ( x i , x j ) 1 + c · d p o s i ...

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