基于旋转鲁棒特征子类中心对齐的跨域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旋转鲁棒特征子类中心对齐的跨域遥感图像场景分类方法。属于遥感图像处理领域，步骤：根据源域样本数据和目标域样本数据生成旋转不变HOG图像；将原始图像和旋转不变HOG图像一同作为输入投入卷积神经网络，得到源域和目标域图像的旋转不变高层语义特征；根据高层语义特征计算源域和目标域样本的子类中心，根据邻域子类中心对齐方法计算目标域影像的移动方向并移动目标域特征；利用源域特征和移动后的目标域特征训练SVM分类器，将目标域未知影像投入分类器测试得到最终的场景分类结果。本发明专利技术能够有效提升模型对跨域场景图像角度变化和类内多样性导致的光谱偏移的适应能力，为提升跨域遥感图像场景分类精度提供新的思路。精度提供新的思路。精度提供新的思路。

【技术实现步骤摘要】
基于旋转鲁棒特征子类中心对齐的跨域遥感图像场景分类方法


[0001]本专利技术属于遥感图像处理领域，具体的是，涉及了一种基于旋转鲁棒特征子类中心对齐的跨域遥感图像场景分类方法。

技术介绍

[0002]目前，随着高分辨率遥感卫星的大量发射，光学高分辨率遥感影像已成为地表覆盖分类中最重要的数据源之一。遥感图像场景分类利用高分辨率遥感影像空间细节信息的丰富性，能够获取地表覆盖类型的高级语义信息，是遥感影像场景理解的研究热点。现有遥感影像场景分类方法通常依赖于丰富的训练样本获得土地覆盖分类结果。但是，训练样本标注过程通常耗费大量人力物力并且样本真值有时难以获取。因此，国内外学者开始提出研究跨域场景分类问题，利用其他区域的已有样本数据对难以获得训练样本的目标域影像进行场景分类。然而，由于目标域影像和源域影像在尺度、光谱、空间分布等方面存在巨大差异，使得源域和目标域影像存在严重的光谱偏移，导致场景分类方法精度不理想。另外，传感器的不同拍摄角度以及图像的类内差异会对一定程度地加剧跨域图像的光谱偏移，增加了跨域遥感影像场景分类的难度。/>
技术实现思路
...

【技术保护点】

【技术特征摘要】
1.基于旋转鲁棒特征子类中心对齐的跨域遥感图像场景分类方法，其特征在于，通过提出遥感图像高层语义旋转不变特征和邻域子类中心特征空间对齐方法，提升模型对跨域未知目标域场景图像角度变化和光谱偏移的适应能力，在目标域样本缺失的情况下实现高精度遥感图像场景分类。2.根据权利要求1所述的基于旋转鲁棒特征子类中心对齐的跨域遥感图像场景分类方法，其特征在于，其具体制备步骤如下：步骤(1)、输入源域样本和目标域样本图像，生成旋转不变HOG特征图像；步骤(2)、将原始图像和旋转不变HOG特征图像作为输入投入卷积神经网络，得到源域和目标域图像的高层语义旋转不变特征；步骤(3)、计算源域和目标域高层语义旋转不变特征的子类中心，采用邻域子类中心对齐方法计算目标域影像特征的移动方向并移动目标域特征；步骤(4)、利用源域样本特征和移动后的目标域样本特征训练SVM分类器。将未知类别的目标域图像输入前述SVM分类器，得到目标域图像的场景分类结果。3.根据权利要求2所述的基于旋转鲁棒特征子类中心对齐的跨域遥感图像场景分类方法，其特征在于，步骤(1)的操作过程是：分别对源域和目标域训练样本提取旋转不变HOG特征，生成对应的旋转不变HOG特征图像；其具体的是：(1.1)、计算源域和目标域样本图像的梯度；采用梯度算子[
‑
1,0,1]]和[
‑
1,0,1]
T
分别对图像进行卷积运算，计算图像水平和竖直方向的梯度，得到X，Y方向的梯度图像D
x
，D
y
；(1.2)、按照下式，对源域和目标域样本的原始影像和X、Y方向的梯度图像生成傅里叶HOG梯度图像其中，K1是空间集合的卷积核，K2局部正则化卷积核；Φ(D(x))是梯度方向，D表示梯度域图像；向，D表示梯度域图像；(1.3)、按照下式，对步骤(1.2)再生成的梯度图像利用具有圆形一致性的基函数卷积核计算基本函数U
j,k
和区域特征图像B
i
；；(14)、生成最终旋转不变特征图；4.根据权利要求2所述的基于旋转鲁棒特征子类中心对齐的跨域遥感图像场景分类方法，其特征在于：步骤(2)的具体操作过程是：
(2.1)、将训练样本的原始图像和旋转不变的H...

【专利技术属性】
技术研发人员：莫楠，朱睿希，王彬，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：