一种基于图像复杂度判定的航空遥感图像场景分类方法技术

本发明专利技术公开了一种基于图像复杂度判定的航空遥感图像场景分类方法,属于图像处理技术领域，提取航空遥感图像的复杂度特征,挑选若干待处理的航空遥感图像形成训练样本；剩余的航空遥感图像形成测试样本集合。将训练样本集合按复杂度人工分类并标注，进行多核映射后与分类器结合，得到三个图像复杂度分类器。测试集合中的航空遥感图像A分别提取复杂度特征并输入到三个分类器中，hinge损失最小时对应的类别作为该图像的复杂度所属类别，得到航空遥感图像A复杂度的判定结果。根据航空遥感图像A复杂度的判定结果，给航空遥感图像A使用适当的方法进行场景分类。本发明专利技术能对航空遥感图像的复杂度进行有效判定，高效准确的实现航空遥感图像的场景分类。

A scene classification method for aerial remote sensing images based on image complexity determination

The invention discloses a scene classification method of aerial remote sensing image based on image complexity determination, which belongs to the field of image processing technology. The method extracts the complexity characteristics of aerial remote sensing image, selects several aerial remote sensing images to be processed to form training samples, and the remaining aerial remote sensing images to form a test sample set. The training sample set is manually classified and labeled according to the complexity. Three image complexity classifiers are obtained by combining the multi-kernel mapping with the classifier. The complexity feature of aerial remote sensing image A in test set is extracted and input into three classifiers. The category corresponding to the minimum loss of hinge is taken as the category of the complexity of the image, and the judgment result of the complexity of aerial remote sensing image A is obtained. According to the decision result of the complexity of the aerial remote sensing image A, the aerial remote sensing image A is classified by appropriate methods. The invention can effectively determine the complexity of the aerial remote sensing image and efficiently and accurately realize the scene classification of the aerial remote sensing image.

【技术实现步骤摘要】
一种基于图像复杂度判定的航空遥感图像场景分类方法
本专利技术属于图像处理
，具体涉及一种基于图像复杂度判定的航空遥感图像场景分类方法。
技术介绍
近年来，随着国内航空、电子及信息产业的不断进步，无人机相关技术也在飞速发展，促使航空遥感图像的种类丰富，质量提升，应用更加广泛。航空遥感图像是获取基础地理信息的主要手段，是开展测绘工作的基础，也是相关部门获取地表原始信息的主要资料来源，与国土资源管理、防灾救灾、交通水利建设、城市规划、国防建设、环境保护以及科学研究等事业息息相关。图像的场景分类是计算机视觉中的一个重要分支。对于航空遥感图像，场景分类的结果代表对整幅图像最直观的理解，是进一步决策的重要参考依据。采用图像特征与分类器结合的方式是研究图像场景分类的主要方法，目前常用的图像特征主要分为两类：底层视觉特征和中高层语义特征。其中，底层视觉特征从图像的颜色、纹理、形状、空间结构等特性出发设计，具有简单高效等优点。但其包含图像信息较少，只是反映对图像某些特性的描述，难以表达图像中的语义概念，对不同场景图像的适应能力很差，难以胜任内容复杂的图像的场景分类任务。中高层语义特征从解决低层特征与人类高层语义之间的“语义鸿沟”角度出发，将图像的局部单元对应为图像集合的基本组成，并且通过构建局部与集合间的映射关系，获取单张图像中各个局部单元的相互关系及分布情况达到对图像进行理解的目的。中高层语义特征更加适用于复杂图像的处理，但因其提取方式复杂，使得在处理效率上存在一定不足。现有的图像场景分类方法通常针对具有自然场景，城市场景及室内场景的图像。航空遥感图像因拍摄时成像距离远，视角特殊等因素，导致其与普通图像差异较大，难以使用通用的图像处理方法取得良好效果。对于场景分类问题，复杂度差异大是航空遥感图像的一个显著特点：航空遥感图像视野较大，通常覆盖范围达数平方公里，因此对于荒野，城市等不同的实际场景所拍摄的图像复杂度具有显著差异；使用现有框架分类复杂程度不同的航空遥感图像场景时，难以平衡分类精度与分类效率。针对航空遥感图像内容复杂度差异大的特点，设计一种简单高效的图像场景分类方法具有重要的研究意义。
技术实现思路
本专利技术针对不同的航空遥感图像，内容差异较大，采用单一方法既可能在分类简单图像时产生较大时间冗余，又可能在处理复杂图像时不够准确。难以高效准确的对所有航空遥感图像进行场景分类，为了提高航空遥感图像场景分类的效率及准确性，提出一种基于图像复杂度判定的航空遥感图像场景分类方法。具体步骤如下：步骤一、对每个待处理的航空遥感图像进行复杂度特征提取。复杂度特征包括：信息熵，边缘比率，颜色分布比率和灰度一致性。信息熵H用于描述图像灰度信息，用灰度级出现的情况反映图像的信息丰富程度；计算公式为：N'为图像像素点的总数，nl为第l个灰度级中对应的像素数；k为灰度级总数。边缘比率R为图像中边缘像素个数与图像总像素的比值；计算公式为：R＝Nedge/N'；Nedge为图像边缘像素点的个数。颜色分布比率U用于描述图像的颜色复杂程度；计算公式如下：U＝LC/L；LC为图像HSV直方图(色彩(Hue)、饱和度(Saturation)和明度(Value))中频次不为零的颜色区间数，L为HSV直方图中所有的颜色区间数量。灰度一致性Y反映图像纹理的分布是规律还是杂乱；计算公式为：m是图像的行数，n是图像的列数，I(i,j)为图像在(i,j)处的像素值，为以像素(i,j)为中心的3×3领域范围内的像素灰度均值。步骤二、随机挑选若干待处理的航空遥感图像形成训练样本集合，并将样本图像的复杂度特征向量作为分类器的训练数据；剩余的航空遥感图像形成测试样本集合。某个待处理的航空遥感图像的复杂度特征向量由并列输入的四个复杂度特征：信息熵，边缘比率，颜色分布比率及灰度一致性组成。步骤三、将训练样本集合中每个待处理的航空遥感图像，按复杂度人工分类并标注；根据航空遥感图像的实际情况，将图像分为三类：简单图像、较复杂图像和复杂图像。人工划分的类别根据实际经验自行设定。步骤四、对于训练数据采用简单多核学习法，进行多核映射后与分类器结合，得到三个图像复杂度分类器。三个图像复杂度分类器分别针对简单图像、较复杂图像和复杂图像设定。具体步骤如下：步骤401、对于简单图像的训练数据中，将某图像的每种输入特征，分别映射到三种核函数的核空间中；核函数分为三种：高斯核、直方图交叉核和多项式核；高斯核表达式如下：σ为高斯核参数；x，z为同一个输入特征的两个不同样本，||x-z||为两个特征样本的欧氏距离。直方图交叉核表达式如下：xi，zi分别为两个特征统计直方图中第i个bin的值，n'为bin的总个数。多项式核表达式如下：κ(x,z)＝(x·z+c)dc，d为多项式核参数。步骤402、将三种核函数核映射后的特征进行权重初始化，并将结果进行线性组合；权重初始化是指第k种特征使用第m个核函数映射对应的权重βkm初始为小的随机值。组合结果为：N为输入特征的种类，M为核函数的种类，βkm为第k种特征使用第m个核函数映射对应的权重，κkm(x,x')为第k种特征在第m个核函数映射后的结果。步骤403、将线性组合结果与SVM分类器结合，得到优化问题：wkm为第k种特征使用第m个核函数映射时对应的向量参数，C为惩罚系数，ξki为第k种特征的第i个样本对应的松弛变量；yki为第k种特征中第i个样本对应的标签值，b为偏移参数，φki(x)为第k种特征的第i个样本对应的映射函数，映射函数与核函数的关系为：κ(x,z)＝φ(x)·φ(z)步骤404、根据简单多核学习理论，采用拉格朗日法对上述问题进行转化并用梯度下降算法对优化问题进行求解，得到简单图像的二元分类器。其中，αi为第i个样本对应的受约束的拉格朗日乘子。步骤405、分别选择较复杂图像和复杂图像中的训练数据，并重复上述步骤，训练得到各自的二元分类器，每个分类器用来划分是否属于该类。步骤五、针对测试集合，将待判定的航空遥感图像A分别输入到三个分类器中，并计算各自的hinge损失，以hinge损失最小时对应的类别作为该图像的复杂度所属类别，得到该待定航空遥感图像A复杂度的判定结果。hinge损失计算公式如下：步骤六、根据该待定航空遥感图像A复杂度的判定结果，给该待定航空遥感图像A进行适用的场景分类。根据航空遥感图像复杂度的判定结果，如果是简单图像，则使用基于颜色直方图特征的场景分类方法；如果是较复杂图像，使用基于词袋特征的场景分类方法；如果是复杂图像，使用基于地表标签映射的复杂图像场景分类方法。本专利技术的优点在于：(1)一种基于图像复杂度判定的航空遥感图像场景分类方法，先对图像进行复杂度判定，并对属于不同复杂度图像选择最适宜的方法进行分类处理的场景分类，解决了单一场景分类方法难以适用于全部航空遥感图像的问题。(2)一种基于图像复杂度判定的航空遥感图像场景分类方法，选择合适的反映图像复杂度的特征，建立了图像复杂度判定方法。(3)一种基于图像复杂度判定的航空遥感图像场景分类方法，结合航空遥感图像特点，对不同复杂度图像选用适宜方法进行场景分类。(4)一种基于图像复杂度判定的航空遥感图像场景分类方法，能对航空遥感图像的复杂度进行有效判定，可以高效准确的实现本文档来自技高网...

【技术保护点】
1.一种基于图像复杂度判定的航空遥感图像场景分类方法，其特征在于，具体步骤如下：步骤一、对每个待处理的航空遥感图像进行复杂度特征提取；所述的复杂度特征包括：信息熵，边缘比率，颜色分布比率和灰度一致性；步骤二、随机挑选若干待处理的航空遥感图像形成训练样本集合，并将样本图像的复杂度特征向量作为分类器的训练数据；剩余的航空遥感图像形成测试样本集合；某个待处理的航空遥感图像的复杂度特征向量由并列输入的四个复杂度特征：信息熵，边缘比率，颜色分布比率及灰度一致性组成；步骤三、将训练样本集合中每个待处理的航空遥感图像，按复杂度人工分类并标注；步骤四、对于训练数据采用简单多核学习法，进行多核映射后与分类器结合，得到三个图像复杂度分类器；具体步骤如下：步骤401、对于简单图像的训练数据中，将某图像的每种输入特征，分别映射到三种核函数的核空间中；核函数分为三种：高斯核、直方图交叉核和多项式核；高斯核表达式如下：

【技术特征摘要】
1.一种基于图像复杂度判定的航空遥感图像场景分类方法，其特征在于，具体步骤如下：步骤一、对每个待处理的航空遥感图像进行复杂度特征提取；所述的复杂度特征包括：信息熵，边缘比率，颜色分布比率和灰度一致性；步骤二、随机挑选若干待处理的航空遥感图像形成训练样本集合，并将样本图像的复杂度特征向量作为分类器的训练数据；剩余的航空遥感图像形成测试样本集合；某个待处理的航空遥感图像的复杂度特征向量由并列输入的四个复杂度特征：信息熵，边缘比率，颜色分布比率及灰度一致性组成；步骤三、将训练样本集合中每个待处理的航空遥感图像，按复杂度人工分类并标注；步骤四、对于训练数据采用简单多核学习法，进行多核映射后与分类器结合，得到三个图像复杂度分类器；具体步骤如下：步骤401、对于简单图像的训练数据中，将某图像的每种输入特征，分别映射到三种核函数的核空间中；核函数分为三种：高斯核、直方图交叉核和多项式核；高斯核表达式如下：σ为高斯核参数；x，z为同一个输入特征的两个不同样本，||x-z||为两个特征样本的欧氏距离；直方图交叉核表达式如下：xi，zi分别为两个特征统计直方图中第i个bin的值，n'为bin的总个数；多项式核表达式如下：κ(x,z)＝(x·z+c)dc，d为多项式核参数；步骤402、将三种核函数核映射后的特征进行权重初始化，并将结果进行线性组合；权重初始化是指第k种特征使用第m个核函数映射对应的权重βkm初始为小的随机值；组合结果为：N为输入特征的种类，M为核函数的种类，βkm为第k种特征使用第m个核函数映射对应的权重，κkm(x,x')为第k种特征在第m个核函数映射后的结果；步骤403、将线性组合结果与SVM分类器结合，得到优化问题：wkm为第k种特征使用第m个核函数映射时对应的向量参数，C为惩罚系数，ξki为第k种特征的第i个样本对应的松弛变量；yki为第k种特征中第i个样本对应的标签值，b为偏移参数，φki(x)为第k种特征的第i个样本对应的映射函数，映射函数与核函数的关系为：κ(x,z)＝φ(x)·φ(z)步骤404、根据简单多核学习理论，采用拉格朗日...

【专利技术属性】
技术研发人员：丁文锐，陈映雪，李红光，
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