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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。