一种确定遥感图像归属的场景类别的方法技术

本发明专利技术涉及遥感图像处理，图像编码，机器学习，图像场景分类等领域，提出一种基于高斯核密度估计显著性预处理和局部约束线性编码来确定遥感图像归属的场景类别的方法。随着卫星遥感图像和航空遥感图片分辨率的不断提高，遥感图像中可获得更多的有用的数据和信息；同时，由于不同场合遥感图像的应用对遥感图像处理提出了不同的要求，所以图像处理中重要的环节，即如何确定遥感图像归属的场景分类也就显得尤为重要。本发明专利技术方法通过使用高斯核密度估计对原始图像进行显著性检测的预处理，并引入局部约束线性编码来表示图像，最终使用支持向量机进行图像分类，结合了显著性检测的成果与图像处理的编码方法，改进了遥感图像分类的性能。

【技术实现步骤摘要】
一种确定遥感图像归属的场景类别的方法
本专利技术涉及卫星遥感影像处理，图像数据编码，机器学习，图像场景分类等领域，提出一种基于高斯核密度估计显著性预处理和局部约束线性编码来确定遥感图像归属的场景类别的方法，属于计算机应用

技术介绍
遥感影像(RemoteSensingImage)是指通过地磁波观测记录各种地物的胶片或照片，主要分为航空像片和卫星相片。随着卫星遥感图像和航空遥感图片分辨率的不断提高，遥感图像中可获得更多的有用的数据和信息。伴随着“数字地球”概念的提出，越来越多的民用场合需要用到遥感图像，包括资源调查，自然灾害观测、大气气象预报等。由于不同场合遥感图像的应用对遥感图像处理提出了不同的要求，所以图像处理中重要的环节——图像场景分类也就显得尤为重要。为了实现对遥感图像场景进行高精度、自动化分类，近些年来已有很多图像处理方法提出。特征袋(Bagoffeatures，BoF)方法就是一种经典的图像处理算法，其将图像类比文档，通过将不同的局部特性视作视觉词汇，将一幅图像变为由各个局部特征组合成的特征集合，所有的视觉词汇形成视觉词典。通过统计每幅图像中是否出现/出现几次各个视觉词汇，就可以以直方图的形式描述一幅图像。这种特征袋方法可以有效地应对特征在图像中的位置移动问题，在图像分类任务中表现了不错的性能，然而，由于将图像转为特征集合，BoF方法丢弃了特征的位置——也就是特征的空间布局的信息，因此其无法完成对形状的捕捉或者物体的定位。基于BoF延伸扩展出来的算法有很多，其中最成功的是空间金字塔匹配法(SpatialPyramidMatching)。其主要原理是将图像分块，每块分别应用BoF方法，从而达到保留特征的空间信息的目的。而具体的分块方式则是在多个层级上进行不同粒度的划分，构建金字塔式的逐级划分。传统SPM方法在图像分类的表现有了很大提高，但是这种算法要求使用非线性分类器才能达到比较好的分类效果，在实际应用时仍有不便。为了能够进一步提升SPM算法的性能，一种简单而有效的方法是引入一种局部约束线性编码(Locality-constrainedlinearcoding，LLC)。LLC是图像分类特征提取方法的一种编码方法，通过使用邻近点来重构编码，不仅体现了局部性信息，还保证了编码的稀疏性，不仅重构误差小，而且存在解析解，使得运算速度更快。尽管使用LLC方法后图像分类性能有了很大提高，但是心理和生物学的研究成果表明，人类及灵长类动物的视觉系统存在一种注意力机制，使得他们视觉能够关注到视野中的特定区域、物体，而目前的LLC方法并没有体现这种机制。因此，本技术试图将这种注意力机制的一个研究领域——视觉显著性检测——结合进LLC方法，来进一步提高遥感图像场景分类算法的分类性能。视觉显著性检测是上世纪90年代末进入计算机视觉领域的课题。简单来说，视觉显著性检测是指在图像中选择部分“重要”的区域来进行注意的操作。核密度估计(Kerneldensityestimation，KDE)是一类典型的显著性检测算法，通过对像素构建概率密度模型来检测显著性区域。通过使用不同的概率密度函数来进行估计就实现了不同的KDE方法，本文采用高斯核函数完成密度估计，实现遥感图像的显著性检测。
技术实现思路
为了进一步提高遥感图像的分类准确度，同时克服现有算法的不足和局限，提出了一种新的基于高斯核密度估计显著性预处理和局部约束线性编码来确定遥感图像归属的场景类别的方法，通过使用高斯核密度估计计算显著性来对图像进行显著性检测的预处理，并引入局部约束线性编码来表示图像，最终使用支持向量机进行图像分类，结合了显著性检测的成果与图像处理的编码方法，改进了遥感图像分类的性能。本专利技术提供的确定遥感图像归属的场景类别的方法，包括如下步骤：步骤(1)、对每一张遥感图像的原始图像，使用高斯核密度估计方法分析图像的显著性，得到遥感图像的显著图。步骤(2)、引进比例系数将显著图与原始图像叠加，得到预处理好的图像，所述预处理好的图像能够用于提取特征以及用于编码。比例系数是预设的，一般是通过经验确定的，比例系数的取值范围为(0，1)。采用引进比例系数的方法实现显著图与原始遥感图像的叠加，该步骤的作用在于进一步突出遥感图像中的核心场景，同时又避免由于引入太多遥感图像的细节，导致图像在后期训练分类器时造成过拟合。步骤(3)、对预处理好的图像通过尺度不变特征变换SIFT进行特征提取，将预处理好的图像转化为由特征描述的格式，得到由特征表示的图像。特征提取是从原始图像提取出局部特征的过程，用以进行后续的图像分类的处理，是图像处理任务中的一个初级的过程。此处可以使用比较经典的尺度不变特征转换(Scale-invariantfeaturetransform，SIFT)特征算子进行提取。步骤(4)、对特征采用局部约束线性编码(Locality-constrainedLinearCoding，LLC)，将由特征表示的图像转化为编码数据。步骤(5)、采用支持向量机对编码数据进行场景类别分类训练，得到训练好的分类模型，该分类模型能够根据输入的编码数据输出对应的遥感图像所归属的场景类别。进一步地，上述方法步骤(1)具体包括：假设有一幅遥感图像I，将遥感图像I中的每个像素定义为其中是遥感图像I中像素x的坐标，f是每个像素点的特征向量，坐标是将图像视为二维数据，每个像素点对应一个位置坐标；假定存在表示像素显著性的二进制随机变量Hx，并且满足：那么，用P(Hx＝1|f)＝P(1|f)来计算x的显著性；利用贝叶斯公式，可以得到如下结果：假定中心Θ包含一个显著对象，用窗口Window把遥感图像分为一个环绕Ω和中心Θ，或者说，中心Θ中的像素作用于P(f|1)，而环绕Ω中的像素作用于P(f|0)；通过滑动窗口Window，能够扫描整个遥感图像，并计算局部显著值。在代入高斯核函数和使用贝叶斯公式后，可得每个像素点的显著性概率，根据对比的尺度(采样半径)得到相应的显著性其中r为采样半径，n为样本数量，x为像素。将τ个尺度的显著性函数汇总取平均值得到最终图像的显著性图最后将显著性图叠加到原始图像中得到预处理好的图像I′(x)＝I(x)+κ·S(x)，其中κ是一个用于避免过拟合的比例控制系数。进一步地，上述方法步骤(3)中对预处理好的图像通过尺度不变特征变换SIFT进行特征提取包括以下步骤：1.对不同尺度空间的预处理好的图像具有方向信息的局部极值点进行检测，定义不同尺度空间的预处理好的图像具有方向信息的局部极值点为关键点；所述关键点能够反应不会因光照条件的改变而消失的特征，包括：角点、边缘点、暗区域的亮点以及亮区域的暗点；2.对关键点进行精确定位；3.确定关键点的主方向；4.生成SIFT矢量。SIFT算法的实质可以归为在不同尺度空间上查找关键点(特征点)的问题。这些关键点，就是一些十分突出的点，它们不会因光照条件的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。在SIFT算法理论中，这些关键点是在不同尺度空间的图像下检测出的具有方向信息的局部极值点。进一步地，上述方法步骤(4)具体包括：定义矩阵矢量X，B，假设X表示从特征表示的图像中提取出来的一组D维局部描述符，B为通过学习得到本文档来自技高网...

【技术保护点】
一种确定遥感图像归属的场景类别的方法，其特征在于，包括如下步骤：步骤(1)、对每一张遥感图像的原始图像，使用高斯核密度估计方法分析图像的显著性，得到遥感图像的显著图；步骤(2)、引进比例系数将显著图与原始图像叠加，得到预处理好的图像，所述预处理好的图像能够用于提取特征以及用于编码；步骤(3)、对预处理好的图像通过尺度不变特征变换SIFT进行特征提取，将预处理好的图像转化为由特征描述的格式，得到由特征表示的图像；步骤(4)、对特征采用局部约束线性编码，将由特征表示的图像转化为编码数据；步骤(5)、采用支持向量机对编码数据进行场景类别分类训练，得到训练好的分类模型，该分类模型能够根据输入的编码数据输出对应的遥感图像所归属的场景类别。

【技术特征摘要】
1.一种确定遥感图像归属的场景类别的方法，其特征在于，包括如下步骤：步骤(1)、对每一张遥感图像的原始图像，使用高斯核密度估计方法分析图像的显著性，得到遥感图像的显著图；步骤(2)、引进比例系数将显著图与原始图像叠加，得到预处理好的图像，所述预处理好的图像能够用于提取特征以及用于编码；步骤(3)、对预处理好的图像通过尺度不变特征变换SIFT进行特征提取，将预处理好的图像转化为由特征描述的格式，得到由特征表示的图像；步骤(4)、对特征采用局部约束线性编码，将由特征表示的图像转化为编码数据；步骤(5)、采用支持向量机对编码数据进行场景类别分类训练，得到训练好的分类模型，该分类模型能够根据输入的编码数据输出对应的遥感图像所归属的场景类别。2.如权利要求1所述的方法，其特征在于，所述步骤(1)具体包括：假设有一幅遥感图像I，将遥感图像I中的每个像素定义为其中是遥感图像I中像素x的坐标，f是每个像素点的特征向量；假定存在表示像素显著性的二进制随机变量Hx，并且满足：那么，用P(Hx＝1|f)＝P(1|f)来计算x的显著性；利用贝叶斯公式，可以得到如下结果：假定中心Θ包含一个显著对象，用窗口Window把遥感图像分为一个环绕Ω和中心Θ，或者说，...

【专利技术属性】
技术研发人员：季利鹏，胡晓惠，王鸣野，李斌全，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11