一种基于深度线性判别的遥感图像检索方法技术

本发明专利技术公开了一种基于深度线性判别的遥感图像检索方法。该方法使用平衡深度线性判别分析(BDLDA)作为损失函数训练的卷积神经网络比由传统损失函数训练的卷积神经网络有更高的图片分类精度，并且可以生成更有区别度的特征表示，用于后续的图片检索。与传统的欧氏距离和曼哈顿距离相比，本发明专利技术提出的指数距离(RED)在高维中更能保持距离对比度，可以更好地索引高维特征表示的相似性，从而提高图片检索精度。索精度。索精度。

【技术实现步骤摘要】
一种基于深度线性判别的遥感图像检索方法


[0001]本专利技术属于遥感图像检索
，具体涉及一种基于深度线性判别的遥感图像检索方法。

技术介绍

[0002]如今全球对地观测系统已经形成，能够快速获取大量高空间分辨率、高时间分辨率和高光谱分辨率遥感图像。图像检索是从图像库中收集相关图像进行查询的任务，它可以为许多遥感图像处理任务(如图像匹配、图像配准和图像融合)准备辅助数据或缩小搜索空间。从遥感图像库中准确检索感兴趣的图像可以减少人工搜索和过滤大量图像所花费的枯燥工作量。当地面站接收遥感图像时，经过初始预处理后存储在专用数据库中。传统的图像检索方法基于描述图像的元数据搜索图像，并且需要预先手动输入关键词。然而，遥感图像的高度复杂性无法用关键词轻松描述，而且越来越多的遥感图像使得人工标注越来越耗时和昂贵。基于内容的图像检索方法已被引入，以克服传统数据库查询技术的缺点，它们通过与查询图像的视觉内容相似性自动检索所需图像。基于内容的图像检索包括三个步骤：图像特征表示的生成、特征表示的相似度计算和特征表示的相似性排序。
[0003]在遥感图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度线性判别的遥感图像检索方法，其特征在于，包括以下步骤：步骤1，准备图像数据集用于测试和训练，并对其进行数据增强操作；步骤2，将数据增强后的遥感图像数据集输入到数据加载器中，设置训练参数，选取优化器；步骤3，从数据加载器中读取遥感图像数据；步骤4，将步骤3输出的遥感图像数据输入到卷积神经网络模型，根据平衡深度线性判别分析BDLDA，计算最佳的线性投影方向所对应的特征值；步骤5，以最大化步骤4得到的特征值为目标，计算梯度进行反向传播更新卷积神经网络的参数；步骤6，判断训练的次数是否达到卷积神经网络参数设置的次数，若没有达到，则重复步骤3至步骤5，若已达到，则结束训练；步骤7，将字典图片库的遥感图像数据输入到训练好的卷积神经网络中，保存倒数第二层输出得到字典图片库的图像特征表示向量；步骤8，将需要查询的遥感图像数据输入到训练好的卷积神经网络中，选取倒数第二层输出得到查询图片的图像特征表示向量；步骤9，通过指数距离公式计算查询图片的图像特征表示向量与字典图片库每张图片的图像特征表示向量的距离，选出距离最小的字典库遥感图像。2.如权利要求1所述的一种基于深度线性判别的遥感图像检索方法，其特征在于：步骤1中将遥感图像数据集分为训练集和测试集，训练时只读取训练集中的图像，检测网络精度的时候读取测试集中的图像，并采用随机翻转、旋转、尺度缩放、随机裁剪对图像数据集进行数据增强。3.如权利要求1所述的一种基于深度线性判别的遥感图像检索方法，其特征在于：步骤2中使用数据加载器将数据增强后的遥感图像数据集切分成小批量，将小批量的数据送入神经网络，选择AdamW作为优化器，批量大小为280，基本学习率为0.001，余弦衰减，在前50个周期使用热身策略逐步增加学习率至0.001，总共训练1000个周期。4.如权利要求1所述的一种基于深度线性判别的遥感图像检索方法，其特征在于：步骤3中读取遥感图像前需要采样，如果选择随机采样，则需要设置随机种子；如果是平均采样，则不需要。5.如权利要求1所述的一种基于深度线性判别的遥感图像检索方法，其特征在于：步骤4中将步骤3输出的遥感图像数据输入到卷积神经网络模型中，然后把图像类别预测的分对数输入到损失函数BDLDA中，计算最佳的线性投影方向U所对应的特征值v1,
…
,v
c
‑1；损失函数BDLDA的数学定义如下：式中，表示属于类别j的样本，n
j
表示j类样本的数量；式中，μ表示所有样本的均值，c代表类别的数量，μ
j
表示j类样本的均值，n
j
代表j类样本
的数量，x
i
表示样本，n为所有样本的数量；式中，S
B
表示类间散布矩阵，n
j
代表j类样本的数量，μ
j

【专利技术属性】
技术研发人员：张致齐，鲁文，叶志伟，常学立，曹金山，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：