基于中心字典的遥感图像识别方法技术

本发明专利技术公开了基于中心字典的遥感图像识别方法，它包括：在大量遥感图像中挖掘信息和识别遥感图像；所述的在大量遥感图像中挖掘信息包括提取训练集遥感图像的底层特征、建立训练集遥感图像的中心字典、提取训练集遥感图像的编码特征、执行逻辑正则回归分类器训练算法，所述的大量遥感图像的数量

【技术实现步骤摘要】
基于中心字典的遥感图像识别方法
本专利技术属图像识别
，具体涉及基于中心字典的遥感图像识别方法。
技术介绍
遥感图像识别的目的是使计算装置能够自动分析遥感图像，按照遥感图像的自然规律产生对应的类别标注，从而利用计算装置代替人类劳动。它是模式识别和机器学习等领域的重要研究内容，在地貌测绘、遥感侦查、森林防火等实用领域也是不可或缺的技术。基于编码特征的识别方法是近年来的研究热潮，取得了很多新成果和进展。编码特征识别方法的必要技术特征是包含底层特征提取、字典学习、编码特征提取步骤。中国专利CN201310377651.8“基于视觉词袋模型的遥感图像目标识别方法”，选取各典型类别目标的遥感图像构建训练集，然后分别提取训练集中各遥感图像以及测试遥感图像的视觉词袋特征，最后利用视觉词袋特征比较测试遥感图像与训练集中各遥感图像之间的相似度，根据相似度的值判定测试遥感图像是否为待识别目标。该技术方案特点是在编码特征识别方法上，采取了相关性及冗余度分析去除视觉单词码本中不相关、弱相关以及冗余的视觉单词。中国专利CN201511002911.9“基于核函数匹配的空间金字塔物体识别方法”，首先提取物本文档来自技高网...

【技术保护点】
在大量遥感图像中挖掘信息包括 提取训练集遥感图像的底层特征、建立训练集遥感图像的中心字典、提取训练集遥感图像的编码特征、执行逻辑正则回归分类器训练算法，所述的大量遥感图像的数量

【技术特征摘要】
1.在大量遥感图像中挖掘信息包括提取训练集遥感图像的底层特征、建立训练集遥感图像的中心字典、提取训练集遥感图像的编码特征、执行逻辑正则回归分类器训练算法，所述的大量遥感图像的数量M大于500；所述的识别遥感图像包括提取待识别遥感图像底层特征、利用中心字典提取待识别遥感图像的编码特征、执行逻辑回归识别算法。2.根据权利要求1所述的基于中心字典的遥感图像识别方法，其特征在于，所述的在大量遥感图像中挖掘信息为：1.1提取训练集遥感图像的底层特征输入包含M幅图像的遥感图像的数据集，按照如下步骤执行：1.1.1取包含大量遥感图像的数据集中的第一幅图像，按照RBG矩阵的格式读入系统；1.1.2将RGB矩阵归一化为像素的方阵，P的取值为300到1000之间的整数；1.1.3通过滑动网格方法，将方阵均匀划分为N个有重叠的子块；1.1.4对每个子块分别计算128维的SIFT描述符，存储为一个三维结构体S，S的元素记为Si，其中i表示存储的数据对应于数据集中第i幅图像，i的最大值是M，Si格式为j行k列维度的矩阵，其中j表示存储的数据对应于第j个有重叠的子块，k表示存储的数据对应于第k维的SIFT描述符；1.1.5判断当前输入的图像是否为大量遥感图像的数据集中的最后一幅图像；若是，则执行1.1.6步骤；若否，则取包含大量遥感图像的数据集中的下一幅图像，按照RBG矩阵的格式读入系统，执行1.1.2、1.1.3、1.1.4、1.1.5步骤；1.1.6将结构体S保存待用；1.2建立训练集遥感图像的中心字典1.2.1取提取训练集遥感图像的底层特征的步骤存储的结构体S，令i从1到M循环，将结构体元素Si依次取出按行首尾相接排成一个新矩阵S1；1.2.2以500为聚类数，S1矩阵的所有行为聚类对象，执行K-means++聚类算法，将聚类算法生成的聚类中心向量存储为矩阵P，P的每一行存储一个聚类中心向量；1.2.3取矩阵P为初始聚类中心，以S1矩阵的所有行为聚类对象，执行K-medoids聚类算法，K-medoids聚类算法得到的聚类中心存储为行向量，行向量依次排列存储为一个矩阵D，命名为中心字典D；1.3提取训练集遥感图像的编码特征取提取训练集遥感图像的底层特征的步骤中得到的结构体S，取建立训练集遥感图像的中心字典的步骤中所得到的中心字典D，令i从1到M循环，每次循环执行一次1.3.2，循环结束后执行1.3.3；1.3.1读入S的元素Si，依次取Si的每一行记为向量A，每取一行执行一次1.3.2.1步骤，直至取完Si中的所有行向量；1.3.1.1计算A与矩阵D每一行的向量的欧氏距离，D中行向量与A欧式距离最小的行标号命名为A的码字，A的码字按照...

【专利技术属性】
技术研发人员：臧睦君，邹海林，刘通，柳婵娟，周树森，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：山东,37