一种基于多尺度CENTRIST特征的遥感场景分类方法技术

本发明专利技术公开了一种基于多尺度CENTRIST特征的高分辨率遥感场景分类方法，其步骤：首先将图像按照空间金字塔结构进行分解为子图像，然后对每个子图像采用多尺度CENTRIST算子提取每个尺度的CENTRIST特征，对每个尺度的CENTRIST特征进行融合，将这些子图像的多尺度CENTRIST特征进行串接形成该场景的全局特征表达，最后采用SVM算法进行分类。本发明专利技术能够实现对图像纹理信息的多尺度表达，提高分类精度。

【技术实现步骤摘要】
一种基于多尺度CENTRIST特征的遥感场景分类方法
本专利技术涉及遥感场景分类
，特别是一种基于多尺度CENTRIST特征的遥感场景分类方法。
技术介绍
随着遥感技术的快速发展，高分辨率遥感图像的数量也急剧增加，对高分辨率遥感图像的场景分类的需求也变得越来越迫切。相比于中低分辨率遥感图像，高分辨率图像能够提供地物更加清晰的空间布局，更加精细的纹理和尺寸信息，更加丰富的几何结构，但同时也带来同类地物的光谱差异性增强，不同地物的光谱异质性降低等问题。因此，由于遥感场景的复杂性和多变性，使得智能化的场景分类成为一项挑战性的工作。当前图像分类方法大致可分为两类：一类是基于局部特征的描述方法，另一类是基于全局特征的描述方法。常见的局部特征包括：SIFT，HOG等，而常见的全局特征包括：颜色直方图、Gabor纹理特征、CENTRIST（censustransformhistogram）特征等。文献[Wu,J.&Rehg,J.M.2011.“CENTRIST:AVisualDescriptorforSceneCategorization.”IEEETransactionsonPatternAnalysisandMachineIntelligence33:1489-1501.]提出CENTRIST特征进行场景分类，CENTRIST特征能够对图像中的结构特性进行编码并抑制详细的纹理信息，对于场景识别具有很强的适应性。另外它很容易实现和运算速度非常快。储等人[Chu,W.,Chen,C.andHsu,H.2014.“ColorCENTRIST:Embeddingcolorinformationinscenecategorization.”JournalofVisualCommunicationandImageRepresentation25:840-854.]提出了将颜色信息融入到CENTRIST特征中，形成彩色CENTRIST特征。由于CENTRIST算子仅考虑局部区域灰度的符号部分而忽略了数值部分，孟等人[Meng,X.,Wang,Z.&Wu,L.2012.“Buildingglobalimagefeaturesforscenerecognition.”PatternRecognition45:373-380.]通过引入局部差分幅度信息，提出基于局部差分二进制模式。袁等人[BaohuaYuan,ShijinLi,"Extendedcensustransformhistogramforland-usesceneclassification,"J.Appl.RemoteSens.11(2),025003(2017)]提出扩展CENTRIST，通过3种不同结构的CENTRIST算子来获取不同的纹理特征，然后将其融合形成图像的整体特征。上述现有技术虽然各有特点，但普遍存在对某些特定类别的场景分类精度高而对其他类别的场景的分类精度不太理想。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的不足而提供一种基于多尺度CENTRIST特征的遥感场景分类方法，能够获得很好的分类精度。本专利技术为解决上述技术问题采用以下技术方案：根据本专利技术提出的一种基于多尺度CENTRIST特征的遥感场景分类方法，包括训练阶段和测试阶段，所述训练阶段包括以下步骤：步骤1、采用空间金字塔将训练样本图像分解为若干训练子图像；步骤2、采用多尺度的CENTRIST分别提取每个训练子图像的CENTRIST特征；步骤3、针对每个训练子图像，将多尺度的CENTRIST特征串接起来形成该训练子图像的多尺度CENTRIST特征；步骤4、将每个训练子图像的多尺度CENTRIST特征进行串接，从而形成该训练样本图像的全局特征并对一个分类器进行训练，得到分类器模型；所述测试阶段包括以下步骤：步骤5、采用与步骤1相同的空间金字塔，将测试样本图像分解为若干测试子图像；步骤6、采用多尺度的CENTRIST分别提取每个测试子图像的CENTRIST特征；步骤7、针对每个测试子图像，将多尺度的CENTRIST特征进行串接，形成该测试子图像的多尺度CENTRIST特征；步骤8、对上述的每个测试子图像的多尺度CENTRIST特征串接形成整体特征并利用训练阶段获得的分类器模型进行分类。作为本专利技术所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案，训练子图像的大小相同。作为本专利技术所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案，所述多尺度CENTRIST特征由至少两个不同大小邻域的CENTRIST特征组合而成。作为本专利技术所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案，每个邻域的CENTRIST从邻域像素中选择8个像素，选择的原则通过随机选取、等间隔选取、相邻像素的平均值或中值方法确定。作为本专利技术所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案，采用周围像素8个，中间像素1个计算CENTRIST特征；具体如下：将当前中心像素点与其周围像素点作比较：周围像素点的像素值大于或等于当前中心像素点的像素值时，记为0；小于当前中心像素点的像素值时，记为1；按照设定顺序获得二进制编码；根据二进制编码获得十进制的CENTRIST特征。作为本专利技术所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案，所述顺序为顺时针或逆时针，在同一图像处理中保持相同的顺序。作为本专利技术所述的一种基于多尺度CENTRIST特征的遥感场景分类方法进一步优化方案，步骤4中分类器采用SVM分类器。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：（1）本专利技术方法使用多尺度CENTRIST提取特征，通过多尺度，得到了更多的纹理信息，更好地表达样本特征；（2）本专利技术利用多尺度CENTRIST提取图像的整体特征，具有很好的判别性和鲁棒性。附图说明图1是本专利技术具体实施方式中的训练过程。图2为本专利技术具体实施方式中的测试过程。图3为基于多尺度CENTRIST特征的遥感场景分类的流程图。图4是空间金字塔结构。图5是多尺度CENTRIST示意图。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：尽管CENTRIST能够提取图像的纹理特征，但是由于其邻域大小仅为3×3，不足以充分表达更大区域的纹理特征，如何有效地描述更大区域的纹理特征以及如何融入多尺度信息都是需要考虑的问题。图3为基于多尺度CENTRIST特征的遥感场景分类的流程图，本专利技术基于以上思路，首先利用空间金字塔将遥感图像分成若干子图像，然后对每个子图像采用多尺度的CENTRIST进行特征提取并将其串接表示成多尺度CENTRIST特征，最后将不同子图像多尺度CENTRIST特征进行串接从而形成图像的整体特征，最后采用SVM分类器进行场景分类。一种基于多尺度CENTRIST特征的遥感场景分类方法，包括训练阶段和测试阶段，图1是本专利技术具体实施方式中的训练过程，所述训练阶段包括以下步骤：步骤1、采用空间金字塔将训练样本图像分解为若干训练子图像；步骤2、采用多尺度的CENTRIST分别提取每个训练子图像的CENTRIST特征；步骤3、针对每个训本文档来自技高网...

【技术保护点】
1.一种基于多尺度CENTRIST特征的遥感场景分类方法，其特征在于，包括训练阶段和测试阶段，所述训练阶段包括以下步骤：步骤1、采用空间金字塔将训练样本图像分解为若干训练子图像；步骤2、采用多尺度的CENTRIST分别提取每个训练子图像的CENTRIST特征；步骤3、针对每个训练子图像，将多尺度的CENTRIST特征串接起来形成该训练子图像的多尺度CENTRIST特征；步骤4、将每个训练子图像的多尺度CENTRIST特征进行串接，从而形成该训练样本图像的全局特征并对一个分类器进行训练，得到分类器模型；所述测试阶段包括以下步骤：步骤5、采用与步骤1相同的空间金字塔，将测试样本图像分解为若干测试子图像；步骤6、采用多尺度的CENTRIST分别提取每个测试子图像的CENTRIST特征；步骤7、针对每个测试子图像，将多尺度的CENTRIST特征进行串接，形成该测试子图像的多尺度CENTRIST特征；步骤8、对上述的每个测试子图像的多尺度CENTRIST特征串接形成整体特征并利用训练阶段获得的分类器模型进行分类。

【技术特征摘要】
1.一种基于多尺度CENTRIST特征的遥感场景分类方法，其特征在于，包括训练阶段和测试阶段，所述训练阶段包括以下步骤：步骤1、采用空间金字塔将训练样本图像分解为若干训练子图像；步骤2、采用多尺度的CENTRIST分别提取每个训练子图像的CENTRIST特征；步骤3、针对每个训练子图像，将多尺度的CENTRIST特征串接起来形成该训练子图像的多尺度CENTRIST特征；步骤4、将每个训练子图像的多尺度CENTRIST特征进行串接，从而形成该训练样本图像的全局特征并对一个分类器进行训练，得到分类器模型；所述测试阶段包括以下步骤：步骤5、采用与步骤1相同的空间金字塔，将测试样本图像分解为若干测试子图像；步骤6、采用多尺度的CENTRIST分别提取每个测试子图像的CENTRIST特征；步骤7、针对每个测试子图像，将多尺度的CENTRIST特征进行串接，形成该测试子图像的多尺度CENTRIST特征；步骤8、对上述的每个测试子图像的多尺度CENTRIST特征串接形成整体特征并利用训练阶段获得的分类器模型进行分类。2.根据权利要求1所述的一种基于多尺度CENTRIST特征的遥感场景分类方法，其特征在于，训练子图像的大小相同...

【专利技术属性】
技术研发人员：袁宝华，韩立新，勾智楠，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32