基于特征池化与除归一化表示的高分辨率遥感图像分类方法技术

一种基于特征池化与除归一化的遥感图像分类方法，首先对遥感图像进行线性滤波，采用特征池化对线性滤波结果的特征进行合并，而后通过除归一化降低遥感图像中的高阶相关性，以稠密网格方式提取局部描述子，最后经Hellinger核映射与特征降维后进行特征编码形成遥感图像的全局表达，再经训练与预测后完成对遥感图像的分类，本发明专利技术能够获得较高的图像分类精度，消除了图像中的低阶高阶统计相关性的冗余增强目标位置不变性，特征压缩紧凑，降低了特征维度，提高了计算效率，获得了更好的分类性能，简单易实现，精度高。

【技术实现步骤摘要】
基于特征池化与除归一化表示的高分辨率遥感图像分类方法
本专利技术涉及的是一种遥感图像处理领域的技术，具体是一种基于特征池化与除归一化的遥感图像分类方法。
技术介绍
高分辨率的遥感图像分类中的一个关键步骤为提取合适的图像特征，广泛采用的特征有纹理特征和局部特征。常见的纹理特征有Gabor纹理和LBP纹理，局部特征有HOG特征、SIFT特征以及DenseSIFT特征等。但图像分类中存在目标尺度、光照不一致，目标遮挡，低阶与高阶相关性等问题。现有的基于视觉词汇的遥感图像地物分类方法，大多基于高斯模糊与抽样生成多层高斯空间金字塔；再通过SIFT特征提取与LBP特征提取，并使用支持向量机RBF-SVM进行训练，从而对测试集中遥感图像进行地物分类。但基于视觉词汇的图像分类方法在本质上都受限于词包模型的缺点。第一，采用频率直方图特征的方式并不是最优的图像表示。第二，词包模型对低层次描述子(如SIFT特征)的量化是一个有损过程。另外，径向基核的RBF-SVM在训练时需要进行参数寻优，这样会使得训练耗时较高，并且，训练好的RBF-SVM分类器对测试图像进行分类时也同样是耗时的。现有技术中也有通过预训练的开源深度学习框架ConvNet并结合SVM分类器，评价了深度特征的泛化能力，在遥感图像分类中同样获得了较高的分类精度。但这类技术中的卷积神经网络中包含许多卷积层的特征提取，并且每一层都涉及到大量滤波器核的卷积操作，当进一步考虑将多个卷积神经网络组合在一起时，随着组合数量的增加，其计算复杂度会成倍地增加。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种基于特征池化与除归一化的遥感图像分类方法，能够获得较高的图像分类精度，消除了图像中的低阶高阶统计相关性的冗余增强目标位置不变性，特征压缩紧凑，降低了特征维度，提高了计算效率。获得了更好的分类性能，简单易实现，精度高。本专利技术首先对遥感图像进行线性滤波，采用特征池化对线性滤波结果的特征进行合并，而后通过除归一化降低遥感图像中的高阶相关性，以稠密网格方式提取局部描述子，最后经Hellinger核映射与特征降维后进行特征编码形成遥感图像的全局表达，再经训练与预测后完成对遥感图像的分类。本专利技术包括以下步骤：1)分别采用Log-Gabor滤波和高斯导数滤波结合方向化幅值的方式得到相应的滤波响应；2)采用特征池化对得到的滤波响应进行空间上相邻位置合并；3)对每一空间位置，将其与周围相邻位置进行除归一化，并以稠密网格方式提取局部描述子；4)对局部描述子进行Hellinger核映射与特征降维后再进行特征融合，之后通过特征编码将融合后的局部特征描述子聚合成图像形成全局表达；5)结合线性分类器对聚合的图像进行学习与预测，实现分类。所述的Log-Gabor滤波采用三个尺度与四个方向，共组成12个滤波器，对输入图像进行线性滤波后，最后形成12幅Log-Gabor幅值图。所述的高斯导数滤波采用水平、垂直两个方向对遥感图像进行滤波，并计算两个方向上的梯度响应和梯度方向。所述的方向化幅值指根据梯度方向将每个空间位置的梯度响应离散化，得到若干具有方向性的梯度幅值图。所述的步骤2)具体包括以下步骤：2.1)对Log-Gabor幅值图和梯度幅值图进行不重叠的局部块划分；2.2)每一局部块采用特征池化对特征进行合并。所述的特征池化，即大脑皮层一种简单的神经计算操作，具体是指：在特征提取中，用于对局部邻域输入进行图像变换，取得某种不变的、更加紧凑的与稳健的特征表达，最常用的特征池化有平均池化和最大池化。对pSz×pSz像素大小(对应pSz×pSz维特征)的局部图像块区域，用一维特征来表示该图像块，即将pSz×pSz维特征降维至一维。平均池化与最大池化分别是将pSz×pSz个特征值的平均值与最大值作为最终的一维特征。所述的局部特征描述子为分歧归一化因子(DivisiveNormalizationFeatures,DNF)，通过线性滤波、特征池化、除归一化、稠密提取与融合四个阶段实现DNF的提取，其中：线性滤波消除了图像中的低阶相关；特征池化完成对滤波特征的紧凑表达与一定程度上的平移不变性；除归一化进一步降低特征之间的高阶相关性；稠密提取与融合分别进行局部描述子DNF的提取与增强表达。所述的线性分类器优选采用线性SVM。附图说明图1为本专利技术流程示意图；图2为特征提取过程示意图；图3为特征编码过程示意图；图4为LandUse数据集；图5为LandUse混淆矩阵。具体实施方式如图1所示，首先对遥感图像进行线性滤波，采用特征池化对线性滤波结果的特征进行合并，而后通过除归一化降低遥感图像中的高阶相关性，以稠密网格方式提取局部描述子，最后经Hellinger核映射与特征降维后进行特征编码形成遥感图像的全局表达，再经训练与预测后完成对遥感图像的分类。具体包括以下步骤：1)分别采用Log-Gabor滤波和高斯导数滤波结合方向化幅值的方式得到相应的滤波响应。所述的Log-Gabor滤波包括两个部分的乘积，构成Log-Gabor滤波器。这两个部分分别为径向滤波器G(ρ)和方向滤波器G(θ)，则其中：滤波器中心频率ρ0＝1/λ，Log-Gabor尺度的波长λ＝λ0ms-1，λ0为最小Log-Gabor尺度的波长，m为相邻尺度间的比例因子，s＝1,2,…,ns，ns表示尺度的数量，σρ决定尺度带宽。θ0＝π(n-1)/no表示滤波器的方向角度，n＝1,2,…,no，no表示方向的数量，σθ决定角度带宽。设定λ0＝3，m＝2，σρ＝0.65，σθ＝π/12。所述的Log-Gabor滤波器通过ns和no来构造，为三个尺度四个方向的滤波器，即ns＝3、no＝4。如图2所示，对输入的灰度图像I进行Log-Gabor滤波获得滤波响应幅值图L：Li＝abs(ifft2(Fi.*fft2(I))),i＝1,2,…,3×4，其中：.*表示点乘，Fi表示傅里叶空间中特定方向与尺度的滤波器，fft2表示二维快速傅里叶变换，ifft2表示fft2的逆变换，abs表示绝对值操作，Li表示滤波输出。所述的高斯导数滤波采用水平与垂直两个方向的高斯导数滤波器，并计算两个方向上的梯度响应和梯度方向。所述的方向化幅值指根据梯度方向将每个空间位置的梯度响应离散化，得到若干具有方向性的梯度幅值图。将输入的灰度图像I进行两个方向上的梯度特征提取。设H(x,y)与V(x,y)分别表示图像I在(x,y)位置上的水平与垂直方向的梯度值，可以获得归一化的幅值M与方向A，其中：所述的方向A(x,y)值离散化到nBin个方向中，具体离散化的方向则由决定。最后，M可映射出nBin幅方向化的梯度幅值图G:Gi,i＝1,2,…,nBin。为了获得与Log-Gabor幅值图数量相同的滤波图，nBin设为12。2)采用特征池化对得到的滤波响应进行空间上相邻位置合并。2.1)对Log-Gabor幅值图和梯度幅值图进行不重叠的局部块划分。将Log-Gabor幅值图和梯度幅值图划分为不重叠的局部块即图像块。假定图像块Pj，包含pSz×pSz个像素，表示任意一幅图中的第j块，通过特征池化之后，Pj将由一个特征值来表示。2.2)每一个pSz×pSz像素的局部图像块采用特征池化操作对线性滤波响应幅值本文档来自技高网...

【技术保护点】
一种基于特征池化与除归一化的遥感图像分类方法，其特征在于，首先对遥感图像进行线性滤波，采用特征池化对线性滤波结果的特征进行合并，而后通过除归一化降低遥感图像中的高阶相关性，以稠密网格方式提取局部描述子，最后经Hellinger核映射与特征降维后进行特征编码形成遥感图像的全局表达，再经训练与预测后完成对遥感图像的分类。

【技术特征摘要】
1.一种基于特征池化与除归一化的遥感图像分类方法，其特征在于，首先对遥感图像进行线性滤波，采用特征池化对线性滤波结果的特征进行合并，而后通过除归一化降低遥感图像中的高阶相关性，以稠密网格方式提取局部描述子，最后经Hellinger核映射与特征降维后进行特征编码形成遥感图像的全局表达，再经训练与预测后完成对遥感图像的分类。2.根据权利要求1所述的基于特征池化与除归一化的遥感图像分类方法，其特征是，具体包括以下步骤：1)分别采用Log-Gabor滤波和高斯导数滤波结合方向化幅值的方式得到相应的滤波响应；2)采用特征池化对得到的滤波响应进行空间上相邻位置合并；3)对每一空间位置，将其与周围相邻位置进行除归一化，并以稠密网格方式提取局部描述子；4)对局部描述子进行Hellinger核映射与特征降维后再进行特征融合，之后通过特征编码将融合后的局部特征描述子聚合成图像形成全局表达；5)结合线性分类器对聚合的图像进行学习与预测，实现分类。3.根据权利要求2所述的基于特征池化与除归一化的遥感图像分类方法，其特征是，所述的Log-Gabor滤波采用三个尺度与四个方向，共组成12个滤波器，对输入图像进行线性滤波后，最后形成12幅Log-Gabor幅值图。4.根据权利要求3所述的基于特征池化与除归一化的遥感图像分类方法，其特征是，所述的高斯导数滤波采用水平、垂直...

【专利技术属性】
技术研发人员：方涛，万里红，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31