一种基于Lie-Fisher遥感图像的场景分类方法和系统技术方案

本发明专利技术公开了一种基于Lie‑Fisher遥感图像的场景分类方法和系统，首先获取待处理的遥感数据集，并按比例划分为训练数据文件和测试数据文件；将样本投影到李群流形空间并做李代数映射；将李代数样本进行区域划分；提取样本区域协方差李群特征；计算各类别的李群内均值和总体均值；在李群流形空间上寻找测地线；将样本特征投影到测地线上，使得投影后新样本的类间散度和类内散度比值最大化进行分类。本发明专利技术具有如下优点：(1)本发明专利技术具有良好的自解释能力和理解性，特征可根据不同的应用场景、数据集等动态选择，具有鲁棒性。(2)本发明专利技术采用矩阵样本计算，维度低，提高了计算效率和分类方法的准确率。(3)本发明专利技术方法同时满足矩阵样本和向量样本计算。

A scene classification method and system based on lie Fisher remote sensing image

The invention discloses a scene classification method and system based on the lie \u2011 Fisher remote sensing image. Firstly, the remote sensing data set to be processed is obtained, and divided into training data files and test data files according to the proportion; the samples are projected into the Lie group manifold space and mapped with Lie algebra; the Lie algebra samples are divided into regions; the covariance Lie group features of the sample regions are extracted; each category is calculated In order to maximize the ratio of inter class divergence and intra class divergence of the new samples, we need to find geodesic in the space of Lie group manifold and project the features of the samples to geodesic. The invention has the following advantages: (1) the invention has good self explanation ability and understanding, features can be dynamically selected according to different application scenarios, data sets, etc., and has robustness. (2) The method adopts matrix sample calculation, which has low dimension and improves calculation efficiency and accuracy of classification method. (3) The method of the invention satisfies the calculation of matrix sample and vector sample at the same time.

【技术实现步骤摘要】
一种基于Lie-Fisher遥感图像的场景分类方法和系统
本专利技术涉及图像处理、场景分类领域，尤其是涉及一种基于Lie-Fisher遥感图像的场景分类方法和系统。
技术介绍
得益于光学遥感成像技术和各类传感器的快速发展，结合使用各种遥感平台来观测地球，可以轻松获得高分辨率图像，这有助于我们更好地了解地球。高空间分辨率(HSR)遥感图像可以提供关于兴趣对象的纹理、形状、轮廓和其他特征等大量有价值的信息，这有助于提高对象识别的准确度。此外，各类遥感图像数据集也在不断增多，数据量也呈爆炸式增长。然而，现有的遥感图像的场景分类方法在保证较高的准确率的同时却不能保证良好的计算性能。因此，结合机器学习方法的遥感图像场景分类是当前研究的一项重要课题。遥感图像场景分类在城市土地覆盖分类、城市绿地检测、硬目标检测、城市规划、城市水和气体污染等领域都起着重要的作用。常用的基于特征的分类方法：(1)视觉词袋(BoVW)，从给定图像中提取视觉特征的分布，该特征使用K-means聚类算法进行聚类以创建一组聚类，聚类的中心称为可视字或代码字，所有的可视字或代码字构成词汇表(或密码本)。因此，每个图像可以表示为被称作BoVW的码字直方图的向量。在训练过程中，一组表及图像用于创建向量池。向量之间的决策边界由SVM分类器决定，以此对其他图像进行分类。(2)Fisher向量(FV)，FV被视为BoVW的替代方法，FV使用高斯混合模型(GMM)而不是K-means来生成视觉词汇。该方法计算视觉词汇中视觉单词的二阶信息。对于每个图像，为每个GMM计算描述符的均值和协方差偏差向量的级联。最后，对向量进行归一化。(3)深度学习方法，卷积神经网络(CNN)使用共享权重的方式，利用可比较结构发生在图像各个区域内的性质。CNN由不同类型的层组成，例如卷积层，池化层和全连接层(FC)。每一层将输入量转换为神经元激活的输出量。在过去的几年中提出了不同的CNN架构。例如，AlexNet由6000万个参数和650,000个神经元组成。它具有五个卷积层，第一，第二和第五层具有最大池。在网络末端添加了三个FC层。上述分类方法存在以下不足：(1)空间信息的缺失，底层特征到视觉单词生成使用基于欧几里得距离的K-means算法导致语义丢失，并且产生了很多不必要的视觉词汇。(2)FV算法只局限于使用欧几里得表示的向量空间，存在局限性。(3)深度学习方法具有大量参数并且计算非常复杂，特征的提取、学习过程等由框架完成，解释性和理解性都不强，特征维度高，计算复杂，必要时需要使用GPU辅助计算，增加计算成本。
技术实现思路
本专利技术提供了一种基于Lie-Fisher遥感图像的场景分类方法，用以解决上述
技术介绍
中存在的向量空间计算的局限性、特征维度高、理解性解释性差、计算复杂等问题。为了实现上述目标，本专利技术一种基于Lie-Fisher遥感图像的场景分类方法的技术方法的具体步骤如下：Step1、获取待处理的遥感图像数据集，将所需处理的遥感数据集分为训练集和测试集。Step2、将上述训练集和测试集分别转化为训练数据文件和测试数据文件。Step3、将所述训练数据文件中图像集投影到李群流形空间，得到李群样本集，接着，将李群样本集做李代数映射，得到李代数训练样本集。Step4、将所述李代数训练样本集中的图像进行区域划分。Step5、将所述李代数训练样本集中的图像进行区域划分后，得到若干个区域图像样本，分别提取其区域协方差李群特征。Step6、计算上述每个区域协方差李群特征的李群内均值和总体样本均值。Step7、根据所得李群内均值和总体样本均值，在李群流形空间上寻找并计算一条李群空间测地线υ。Step8、将所述测试数据文件中图像集先投影到李群流形空间得到李群样本，计算第i类李群样本在对应李代数空间往李群空间测地线υ方向投影后的均值Step9、根据对测试数据文件中图像集中的所有测试样本进行类别判定，Ttest表示测试样本，i*表示测试样本对应的类别，表示Step8中计算得到的均值。进一步的，在本专利技术的基于Lie-Fisher遥感图像的场景分类方法中，所述步骤Step3具体包括：Step31、对每个李群样本做李代数映射：xij＝log(Mij)，其中，Mij表示李群训练数据文件图像集中第i类别的第j个李群样本，xij表示李代数训练样本集中第i个分类中第j个样本。进一步的，在本专利技术的基于Lie-Fisher遥感图像的场景分类方法中，所述步骤Step4具体包括：Step41、在本专利技术中将李代数样本集中每个图像样本划分为C1，C2，…，C11共计11个区域块，主要是完成样本从粗到细的划分，为后续全局特征和局部特征提取提供服务。进一步的，在本专利技术的基于Lie-Fisher遥感图像的场景分类方法中，所述步骤Step5具体包括：Step51、提取上述11个区域块的区域协方差李群特征，其中(x,y)表示位置坐标特征，(NR,NG,NB)表示颜色归一化特征，(Y,Cb,Cr)表示亮度、色差特征，表示梯度特征(即一阶导数)，I(x,y)表示亮度，表示纹理特征(即二阶导数)，m尺度n方向的Gabor滤波特征Gabor(x,y)，LBP(x,y)表示(x,y)处的局部纹理特征，共计14个特征。进一步的，在本专利技术的基于Lie-Fisher遥感图像的场景分类方法中，所述步骤Step51具体包括：Step511、所述的位置和梯度特征是目标最基础的两种信息，相同的场景会包含相似的特征目标，虽然这些目标会存在大小、形状和视角的不同，但在场景中位置相似，自身像素变化率也大致相同，在一定程度上保证了位置和梯度信息对目标场景的不变性。Step512、所述的颜色归一化和亮度、色差特征，具体表示为：其中R代表红色，G代表绿色，B代表蓝色，Y，Cb，Cr分别表示亮度，蓝色和红色的浓度偏移量成份，NR，NG，NB分别表示R，G，B归一化后的值，对于不同场景中的目标，颜色是一项区分性较强的描述子，例如天空场景中白色的云、海岸场景中蓝色的海和森林中绿色的树等。但是单一的RGB颜色空间，描述能力不足，单一的RGB颜色受光照变化影响较大，稳定性不足，不能解决视角差异的问题。因此，为解决光照影响和视觉差异的问题，改变颜色通道的描述形式，对RGB进行归一化处理，减少光照影响，在增加YCbCr空间中亮度色差等。本专利技术级联RGB、YCbCr下的R、G、亮度、色差等，增加颜色信息在协方差特征集中的比重，通过底层特征描述符保证不同条件下目标的区分性和稳定性。Step513、所述的Gabor滤波特征，具体表示为：Gabor(x,y)表示m尺度n方向的Gabor滤波器组对场景灰度图像f(x,y)进行滤波，使得每个位置上的像素点形成m×n特征。其中，a-m为尺度因子，σx和σy表示高斯函数标准差，f0表示滤波器中心频率，θ表示滤波器方向，m和n表示滤波器的尺度数和方向数。在本专利技术中，m＝3,n＝5。Gabor滤波器是从传统的本文档来自技高网...

【技术保护点】
1.一种基于Lie-Fisher遥感图像的场景分类方法，其特征在于，包括以下步骤：/nStep1、获取待处理的遥感图像数据集，将所需处理的遥感数据集分为训练集和测试集；/nStep2、将上述训练集和测试集分别转化为训练数据文件和测试数据文件；/nStep3、将所述训练数据文件中图像集投影到李群流形空间，得到李群样本集，接着，将李群样本集做李代数映射，得到李代数训练样本集；/nStep4、将所述李代数训练样本集中的图像进行区域划分；/nStep5、将所述李代数训练样本集中的图像进行区域划分后，得到若干个区域图像样本，分别提取其区域协方差李群特征；/nStep6、计算上述每个区域协方差李群特征的李群内均值和总体样本均值；/nStep7、根据所得李群内均值和总体样本均值，在李群流形空间上寻找并计算一条李群空间测地线υ；/nStep8、将所述测试数据文件中图像集先投影到李群流形空间得到李群样本，计算第i类李群样本在对应李代数空间往李群空间测地线υ方向投影后的均值

【技术特征摘要】
1.一种基于Lie-Fisher遥感图像的场景分类方法，其特征在于，包括以下步骤：
Step1、获取待处理的遥感图像数据集，将所需处理的遥感数据集分为训练集和测试集；
Step2、将上述训练集和测试集分别转化为训练数据文件和测试数据文件；
Step3、将所述训练数据文件中图像集投影到李群流形空间，得到李群样本集，接着，将李群样本集做李代数映射，得到李代数训练样本集；
Step4、将所述李代数训练样本集中的图像进行区域划分；
Step5、将所述李代数训练样本集中的图像进行区域划分后，得到若干个区域图像样本，分别提取其区域协方差李群特征；
Step6、计算上述每个区域协方差李群特征的李群内均值和总体样本均值；
Step7、根据所得李群内均值和总体样本均值，在李群流形空间上寻找并计算一条李群空间测地线υ；
Step8、将所述测试数据文件中图像集先投影到李群流形空间得到李群样本，计算第i类李群样本在对应李代数空间往李群空间测地线υ方向投影后的均值
Step9、根据对测试数据文件中图像集中的所有测试样本进行类别判定，Ttest表示测试样本，i*表示测试样本对应的类别，表示Step8中计算得到的均值，c为类别数。


2.根据权利要求1所述的基于Lie-Fisher遥感图像的场景分类方法，其特征在于：所述步骤Step3中对每个李群训练样本集做李代数映射：xij＝log(Mij)，其中，Mij表示李群训练数据文件图像集中第i类别的第j个李群样本，xij表示李代数训练样本集第i个分类中第j个样本。


3.根据权利要求1所述的基于Lie-Fisher遥感图像的场景分类方法，其特征在于：所述步骤Step4中将李代数训练样本集中每个图像样本划分为C1，C2，…C11共计11个区域块，每个区域块的大小与李代数训练样本集的特点、应用场景以及设备的环境条件有关。


4.根据权利要求1所述的基于Lie-Fisher遥感图像的场景分类方法，其特征在于，所述步骤Step5具体包括：
提取每个区域块的李群特征，其中(x,y)表示位置坐标特征，(NR,NG,NB)表示颜色归一化特征，(Y,Cb,Cr)表示亮度、色差特征，表示梯度特征，I(x,y)表示亮度，表示纹理特征，m尺度n方向的Gabor滤波特征Gabor(x,y)，LBP(x,y)表示(x,y)处的局部纹理特征，共计14个特征，然后采用14×14维区域协方差表示。


5.根据权利要求4所述的基于Lie-Fisher遥感图像的场景分类方法，其特征在于：14个特征具体表示如下，
所述的颜色归一化和亮度、色差特征，具体表示为：其中R代表红色，G代表绿色，B代表蓝色，Y，Cb，Cr分别表示亮度，蓝色和红色的浓度偏移量成份，NR，NG，NB分别表示R，G，B归一化后的值；
所述的Gabor滤波特征，具体表示为：表示m尺度n方向的Gabor滤波器组对场景灰度图像f(x,y)进行滤波，使得每个位置上的像素点形成m×n特征，其中，a-m为尺度因子，σx和σy表示高斯函数标准差，f0表示滤波器中心频率，θ表示滤波器方向，m...

【专利技术属性】
技术研发人员：徐承俊，朱国宾，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42