【技术实现步骤摘要】
本申请涉及一种林业遥感图像场景分类方法，特别涉及一种高分遥感图像人工构建筑场景智能分类方法，属于遥感图像分类。
技术介绍
1、高空间分辨率遥感图像蕴含大量直观的空间信息，地物结构清晰明显，纹理信息丰富，为精确目标识别和场景解译提供了充分的数据支持。场景识别技术是遥感图像理解的重要任务之一。在人工解译方法无法满足效率和实时性需求的现状下,人工构筑目标和场景内容的自动发现和理解,近年来逐渐受到重视和研究，在林业资源调查、城市规划、市政交通等领域均具有广阔的应用前景。场景分类是高层次的图像处理方法，由于图像的语义内容无法用底层特征进行准确的描述，使得数据到知识的转换出现割裂，这一点在遥感图像上体现尤为明显。
2、场景分类把图像中的高级信息抽象化为语义标签的过程。随着机器视觉技术的革新，场景分类技术已在计算机视觉、人工智能、军事、林业等方面得到广泛的应用。在遥感领域，随着图像数量和解译需求的增加，依靠人工目视的分类方式受到挑战。现有技术的林业调查等无法自动准确地完成场景分类。
3、高分遥感的商业化发展使得高分遥感图像的应用不再局限于林业调查、环境监测、土地利用和测绘制图等领域。互联网的发展也促使高分遥感技术开辟了电子地图、旅游、智能交通等许多新应用领域。对遥感图像场景进行识别，能够更好为人们出行提供便捷有效的信息，为其它行业信息获取提供帮助。应用包括：资源调查方面，特定目标识别，应对地震、滑坡，图像智能检索和查询技术等。
4、现有技术的高分遥感图像场景分类需要解决的问题和本申请关键技术难点包括：>
5、(1)遥感图像进行场景标注技术需要进行高级信息提取和解析,更加侧重图像整体内容，依赖于人经验推算判断。目前的场景自动分类方法存在较多问题，现阶段对遥感信息需求量大，数据更新周期变短、次数频繁；人工解译和原有的处理方法显然不能够满足现阶段的应用需求,面对海量大范围的图像数据，进行信息提取既耗费大量的精力，又难以达到实时性准确性要求；如何用计算机高效、准确地、智能化处理这些遥感图像，实现数据到价值的转化，是现阶段仍亟待解决的应用难题。
6、(2)现有技术更多关注遥感图像中特定单一目标的检测与识别,遥感场景的表达存在较大的难度，首先由于场景与目标之间存在着较为复杂的关系，对场景内容划分的难度远大于单一目标的识别。其次对场景类别的划分和定义没有统一的标准，从大幅度遥感图像中如何将特定场景目标进行精确地边界界定也没有通用的标准。通过计算机对大量遥感图像进行快速检索、标注，以及高层次的场景语义自动化理解,都具有十分重要的应用价值。
7、(3)遥感图像的场景理解自动化需求日益明显,现有技术人工管理和标注的方式已经无法满足实时性和准确性的需求,一方面是因为遥感数据量的急剧增长使人工标注耗费大量人力；另一方面,人工标注带有一定的主观性且存在操作的偶然性。亟需利用计算机技术学习人的认知方式来自动化分遥感图像的语义类别,遥感图像的观测视觉为地球表面，因传感器和成像条件等不确定性等因素具有本身复杂性，包含信息量大。由于地表覆盖变化纷繁,相应的场景也具有目标繁杂、关系复杂的特点。不同于一般场景的分类任务，遥感图像场景识别和分类具有较高的难度。遥感图像运用计算机视觉技术进行常规自然图像分类,若将其直接利用与遥感图像场景分类性能欠佳，在包含多种类别地物的复杂场景表现更为一般。
8、(4)现有技术构建语义模型对图像进行语义解析，以词袋模型和概率模型应用最为广泛，但是该方法存在一定的局限性，首先sift特征虽然对光照、尺度和角度变化具有良好的不变性，但是sift特征本身是一种局部特征，作为视觉单词不具有实际物理意义，在应对包含多种地物的复杂遥感图像时分类精度下降；其次，该方法仅仅基于词汇出现的频率来推知场景语义，忽略了词汇间的相互关系；并且高分图像特征词汇量多、维数大、聚类耗时也限制了算法的效率。
9、(5)现有技术的特征和模型均有其局限性,只能针对某一种地物可以取得较好的识别和检测效果，或针对特定场景如机场能够提取识别性较好的特殊特征。针对不同质量、不同尺度的数据源设计鲁棒性强、分类精度高的算法仍是难题。现阶段的场景分类研究由简单的底层特征提取逐渐转向中高层语义信息挖掘上来，在底层局部特征到中高层语义的映射的鲁棒性差，语义鸿沟问题仍难以跨越，局部特征的语义信息不足，难以把握语义标注的关键信息。目前面临问题在以下两个方面，首先是如何快速获取图像对的高层语义信息进行有效分类，提高场景的分类精度。其次,高分遥感数据处理方式以及提升算法效率问题也不容忽视。
技术实现思路
1、本申请建立了一种基于分割视觉的场景语义分类方法,对隐层概率语义解析模型结合局部特征描述子方法进行改进，为遥感图像场景分类提供有效的空间约束信息，提高场景表达效果和分类准确率。一是低层视觉特征到与高层语义特征映射方法：图像的高层语义表达离不开底层特征，针对语义鸿沟问题和地物类别光谱变异性问题，建立面向视觉的特征表述方法，不同特征表现图像的特征不同，其提取方法和效率各异，通过选取具有表述力、互补性强的特征组合，提高分割目标的描述准确度。二是基于隐层概率语义解析的高分辨率遥感图像场景分类方法：概率模型和词袋模型源于文本处理的启发，采用局部特征的词汇表述方式未利用空间信息，忽略了视觉单词之间的空间关系，在遥感图像中空间信息尤为重要，本申请以分割后的图像视觉为词汇单元，将空间信息纳入到模型中去，对空间信息进行量化,发挥在场景识别中的贡献，识别准确率和效率得到提高。
2、为实现以上技术效果，本申请所采用的技术方案以下：
3、高分遥感图像人工构建筑场景智能分类方法，建立一种面向视觉的场景表述方法，即通过超像素方法对图像进行过分割，以分割所得的同质视觉作为视觉词汇单元，通过对其光谱、纹理及空间信息特征进行描述作为视觉单词，改进隐层概率语义解析模型进行场景推算，通过结合遥感图像的成像特征，基于场景内容构成，采用面向视觉的策略解析地物的分布规律，提高视觉单词语义承载力，解决语义鸿沟问题，提高图像语义的映射层次；
4、1)基于分割视觉的高分遥感图像场景内容表达：采用超像素分割法，将图像进行过分割，以提取的分割视觉作为语义词汇，以分割同质区域为对象，进行特征提取，并采用语义模型进行推算，将图像内容转换为协同分布式语义；
5、具体包括：一是基于目标提取的场景内容推算：对图像进行分割，将分割所得的图像面元作为基本单位，利用色彩、纹理、以及空间特征进行多特征计算，实现视觉目标的识别和分类；二是基于视觉特征的场景目标表达：对过分割所得的图块视觉从图层值特征、纹理特征和空间信息特征三方面描述，并将其合并形成特征向量，其中图层特征通过计算每个波段的光谱信息得到，空间信息特征通过计算视觉的像元在图像坐标中的分布特征，实现视觉的类别信息标记；三是基于多模特征分割的场景目标视觉获取；
6、2)基于隐层概率语义解析的遥感图像场景分类：对场景内容进行精确的语义描述，在高层语义和底层本文档来自技高网...
【技术保护点】
1.高分遥感图像人工构建筑场景智能分类方法，其特征在于，建立一种面向视觉的场景表述方法，即通过超像素方法对图像进行过分割，以分割所得的同质视觉作为视觉词汇单元，通过对其光谱、纹理及空间信息特征进行描述作为视觉单词，改进隐层概率语义解析模型进行场景推算，通过结合遥感图像的成像特征，基于场景内容构成，采用面向视觉的策略解析地物的分布规律，提高视觉单词语义承载力，解决语义鸿沟问题，提高图像语义的映射层次；
2.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，基于目标提取的场景内容推算：首先对场景中目标进行有效提取和特征表述,然后通过隐层概率语义解析方法对图像数据进行压缩，将图像从空间维变换到焦点空间进行抽象表示，降低特征维数和信息冗余，然后采用分类器进行有效归类，从有限样本中学习场景知识，自动指导场景分类；
3.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，图层特征是各个波段数据的光谱特征,相对于其它视觉特征，色彩特征对图像的尺寸、方向和视角依赖程度小，其计算方法包括：
4.根据权利要求1所述高分遥感图像
5.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，隐层概率语义解析模型：在图像场景语义解析中,对图像的分类通过对输入的图像依据其计算特征建立概率模型来求解分类问题，即先通过建模类条件分布p(x,ck)，x表示出入数据，ck代表类别，然后根据贝叶斯公式计算后验概率p(ck,x)来预测分类情况，隐层概率语义解析转化为数据共生概率计算模型，将图论和概率计算解析相结合，通过定义概念或随机变量表示视觉的属性特征，采用图模型表示文本、词语、焦点之间的关系。
6.根据权利要求5所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，模型构建：设一个数据库包含M篇文本,其中dm表示第m篇，假设组成所有文本的单词构成的集合为V，其中wv表示第v个单词，P(dm，wv)表示单词wv在dm中出现的概率，在文本和单词之间引入了一个隐含焦点变量，一个文本包含多个焦点，这些焦点服从多项式分布，假设共存在K个焦点,即模型中共有K个隐含的变量zk，将原有的由词汇表示的文本转化为更高层次的有焦点向量表示的文本；
7.根据权利要求5所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，最大化因子估算：采用期望最大化进行求解；步骤如下：
8.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，基于视觉词汇的遥感图像场景语义解析：利用高分图像过分割特征,以分割后的图像视觉作为基本特征词汇单元，在图像分割的基础上，对每一个同质性区域视觉进行光谱、纹理和形状特征提取，形成特征向量集，以此作为视觉单词纳入隐层概率语义解析模型进行分类，具体步骤如下：
9.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，基于建筑识别分类器的判别分类：首先寻找最优超平面，假设样本X{x1,x2,…,xn}，类别标签为yi∈{1，-1}，n为样本个数,Rn为n维样本空间,该分类问题转化为寻找最优的超平面y＝wx+b,是的该平面与两类样本点距离最大，对所有样本点满足式13：
...【技术特征摘要】
1.高分遥感图像人工构建筑场景智能分类方法，其特征在于，建立一种面向视觉的场景表述方法，即通过超像素方法对图像进行过分割，以分割所得的同质视觉作为视觉词汇单元，通过对其光谱、纹理及空间信息特征进行描述作为视觉单词，改进隐层概率语义解析模型进行场景推算，通过结合遥感图像的成像特征，基于场景内容构成，采用面向视觉的策略解析地物的分布规律，提高视觉单词语义承载力，解决语义鸿沟问题，提高图像语义的映射层次；
2.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，基于目标提取的场景内容推算：首先对场景中目标进行有效提取和特征表述,然后通过隐层概率语义解析方法对图像数据进行压缩，将图像从空间维变换到焦点空间进行抽象表示，降低特征维数和信息冗余，然后采用分类器进行有效归类，从有限样本中学习场景知识，自动指导场景分类；
3.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，图层特征是各个波段数据的光谱特征,相对于其它视觉特征，色彩特征对图像的尺寸、方向和视角依赖程度小，其计算方法包括：
4.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，基于多模特征分割的场景目标视觉获取：对空间特征点进行聚类，样本点沿梯度上升方向漂移直至平移向量小于极小值，假设{xi|i∈1，2，3…n}表示d维欧式空间rd的任意n个点组成的样本点集合sn，在样本点x处，以核函数k(x)和窗口宽h估算的核密度函数来计算邻域各个样本点对中心点特征贡献：
5.根据权利要求1所述高分遥感图像人工构建筑场景智能分类方法，其特征在于，隐层概率语义解析模型：在图像场景语义解析中,对图像的分类通过对输入的图像依据其计算特征建立概率模型来求解分类问题，即先通过建模类条件...
【专利技术属性】
技术研发人员：杨丹红，赵长贵，
申请(专利权)人：宜昌黑鹿屿森科技有限公司，
类型：发明
国别省市：
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。