基于图像变换和BoF模型的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变换和BoF模型的遥感图像场景分类方法，该方法首先通过对遥感图像进行分块化处理，获得图像块集，对所有图像块集进行改进Radon变换并结合图像块集的尺度不变特征转换SIFT，进行局部特征提取，获得改进Radon变换特征和SIFT特征的局部融合特征；其次对整张遥感图像进行边缘检测，在作用改进Radon变换，获得遥感图像的全局特征；接着使用基于互信息的改进m‑RMR相关性分析算法，对局部融合特征和全局特征进行特征优选，去除不利和冗余特征，然后对所有特征聚类产生特征单词，并用改进的PCA算法对特征单词进行加权融合，获得局部特征和全局特征的融合特征词袋模型；最后输入支持向量机SVM生成分类器并实现遥感图像场景分类。

【技术实现步骤摘要】
基于图像变换和BoF模型的遥感图像场景分类方法
本专利技术涉及图像处理技术，具体涉及遥感图像的场景分类方法。
技术介绍
遥感图像场景分类一直是遥感图像的一个重要的应用领域，遥感图像场景分类被广泛应用于自然灾害检测、土地资源分配与覆盖管理等领域。目前如何从遥感图像提取有效的图像特征表示遥感图像一直是一个核心问题。遥感图像场景分类方法主要分为三种：基于底层视觉特征、基于中层视觉特征、基于高层视觉特征。基于底层视觉特征是直接提取感图像的光谱、纹理、结构信息作为特征，如SIFT、LBP、GIST、HOG等特征；基于中层视觉特征是对底层的视觉特征进一步编码，获得更具有描述能力的特征表达，如BOVW、VLAD、LDA；基于高层视觉特征是通过深度神经网络获得较为抽象的特征表达。虽然上述方法在遥感图像场景分类方面有较为优秀的表现，但近年来遥感图像逐渐现出高空间分辨率、高时间分辨率、高光谱分辨率的“三高”特点，这些“三高”的遥感图像中存在着丰富的地物信息，空间信息分布复杂，还有一些不同场景下的纹理特征相似，同时存在同物异谱、同谱异物的问题，这些问题都对遥本文档来自技高网...

【技术保护点】
1.一种基于图像变换和BoF模型的遥感图像场景分类方法，包括以下步骤：/n1.1、读取遥感图像集，进行获得每张图像的图像块集；/n1.2、提取图像块集中每个图像块的改进Radon变换特征和SIFT特征，获得改进Radon变换特征和SIFT特征的局部融合特征；/n1.3、对遥感图像集进行全局特征提取，对原始遥感图像进行边缘检测后，对每张遥感图像进行改进Radon变换，提取全局特征；/n1.4、使用改进m-RMR算法对局部融合特征和全局特征进行特征优选，去除不利特征，获得多种特征的融合特征；/n1.5、利用步骤1.4得到的多种特征的融合特征作为BoF模型的底层特征描述，聚类产生特征单词，并使用改进...

【技术特征摘要】
1.一种基于图像变换和BoF模型的遥感图像场景分类方法，包括以下步骤：
1.1、读取遥感图像集，进行获得每张图像的图像块集；
1.2、提取图像块集中每个图像块的改进Radon变换特征和SIFT特征，获得改进Radon变换特征和SIFT特征的局部融合特征；
1.3、对遥感图像集进行全局特征提取，对原始遥感图像进行边缘检测后，对每张遥感图像进行改进Radon变换，提取全局特征；
1.4、使用改进m-RMR算法对局部融合特征和全局特征进行特征优选，去除不利特征，获得多种特征的融合特征；
1.5、利用步骤1.4得到的多种特征的融合特征作为BoF模型的底层特征描述，聚类产生特征单词，并使用改进的PCA算法对生成新的特征单词进行加权，构造特征字典，形成局部特征和全局特征的融合特征词袋模型；
1.6、将特征单词与特征字典进行匹配，统计特征单词对应的词频，形成各个训练图像视觉单词直方图；
1.7、使用直方图交叉核支持向量机训练特征词袋模型得到SVM分类器，实现对测试图像的预测分类。


2.根据权利要求1所述的方法，其特征在于，步骤1.1中所述图像块为遥感图像中的区域图像。


3.根据权利要求1所述的方法，其特征在于，步骤1.2中所述改进Radon变换特征，其原始Radon变换线积分过程如公式(1)所示：
∫Lf(x,y)ds(1)
其改进Radon变换线积分过程如公式(2)所示：
∫L∫L∫Lf(x,y)ds(2)
其中f(x,y)表示像素点；ds为线积分微元；L为积分基线；其具体步骤为：
1.2.1、对图像块以特定的角度进行旋转，对图像块沿直线进行3次线积分迭代，对旋转后的图像块的每一列像素为基线计算线积分，得到一个Radon一次线...

【专利技术属性】
技术研发人员：汪宇玲，陈立，王杰，于阿宽，徐洪珍，邓伶莉，宋伟宁，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：江西;36