一种基于多特征融合的遥感图像分类方法技术

本发明专利技术公开了一种基于多特征融合的遥感图像分类方法，包括以下步骤：步骤A、分别提取训练集遥感图像的视觉词袋特征、颜色直方图特征和纹理特征；步骤B、分别利用训练集遥感图像的视觉词袋特征、颜色直方图特征和纹理特征进行支持向量机训练，得到三个不同的支持向量机分类器；步骤C、对于未知的测试样本，分别提取其视觉词袋特征、颜色直方图特征和纹理特征，并利用步骤B中所得到的相应的支持向量机分类器进行类别预测，得到三组类别预测结果，然后采用加权综合法对三组类别预测结果进行综合，从而得到最终的分类结果。本发明专利技术进一步采用改进的词袋模型进行视觉词袋特征提取。相比现有技术，本发明专利技术可以获得更精确的分类结果。

【技术实现步骤摘要】

本专利技术涉及一种图像分类方法，尤其涉及，属于图像识别

技术介绍
随着遥感和信息技术的迅速发展，每天可获取的遥感图像数据量正以惊人的速度增长。面对海量的遥感数据，如何利用计算机自动地把图像按照人们理解的方式分类到不同的语义类别成为了一个富有挑战性的问题。在计算机视觉研究的语义内容中，图像的场景类别不仅包含了人们对一幅图像的总体认识，而且还为进一步识别出图像中的其他内容提供了基础。因此图像场景分类就成为了当前计算机视觉和多媒体信息处理领域的热点问题。传统的遥感影像目视解译方法不仅要求丰富的专业经验和充足的野外实地调查资料，而且由于这种识别方法是建立在特定的先验知识基础上，因此识别难度很大，效率很低，例如，文献张锦水，何春阳，潘耀忠，等.基于SVM的多源信息复合的高空间分辨率遥感数据分类研究.遥感学报.第10卷，第I期，2006:49-57.中所采用的方法。高分辨率遥感影像能够提供大量的地表特征，充分体现在地物内部分异明显、纹理增多、细节丰富和边缘突出方面。地物空间分布复杂，同类物体呈现出很大的光谱异质性，具体表现为类内方差变大、类间方差减小、不同地物的光谱相互重叠，使得传统的基于像元的分类技术容易造成较多的错分、漏分现象，从而导致分类精度较低。上述方法主要依据光谱信息，没有较好地利用高空间分辨率影像的对象特征。近年来出现了面向对象的分类方法，例如，文献黎新亮，赵书河，芮一康.面向对象高分辨遥感影像分类研究.遥感信息，2007，6:58-61.中所采用的方法。根据描述图像的方式不同，当前面向对象的场景分类方法分为基于全局特征和基于局部特征的词袋模型两大类。而早期的场景分类方法是根据图像的全局统计特征来描述场景内容的，如颜色直方图，例如，文献MICHAEL J. SWAIN, DANA H. BALLARD. ColorIndexing. International Journal of Computer Vision, 1991, 7(I):11-32.中所采用的方法，纹理，例如，文献Tai Sing Lee. Image Representation Using 2D GaborWavelets. IEEE Transactions on pattern analysis and machine intelligence, 1996，18(10) :1-13.中所采用的方法。颜色直方图具有仿射，旋转等不变性，并且计算效率高。但是由于其丢弃了图像的空间信息，对于两幅颜色分布相同，内容并不一样的图像缺乏区分力，因此鲁棒性不好，识别效率不高。近年来，场景分类的主流方法是基于词袋模型M(bagof visual words, B0VW)的方法,它将图像表示为一些局部图像块,每幅图像像句子一样表示为不同比例的单词，所有单词的集合组成一个词典。词袋模型具有计算简单，对噪声、光照和局部遮挡更加鲁棒等特点。但是由于遥感图像纹理信息丰富，局部特征点较多，直接采用基于聚类方法获得视觉单词不一定能反映场景特征，从而造成了总体分类精度也不高。而对于高分辨率遥感图像中的不同目标，各个特征的表现并不一致。如有些类可能由于其颜色特征的显著性，所以最适合采用颜色直方图特征来进行分类，而有些类纹理比较丰富，使得局部特征比较明显。显然如果采用同一种特征对不同类别目标进行分类不再适用。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术的不足，提供，能够获得更精确的遥感图像分类结果。本专利技术具体采用以下技术方案解决上述技术问题。—种基于多特征融合的遥感图像分类方法，包括以下步骤 步骤A、分别提取训练集遥感图像的视觉词袋特征、颜色直方图特征和纹理特征； 步骤B、分别利用训练集遥感图像的视觉词袋特征、颜色直方图特征和纹理特征进行支持向量机训练，得到三个不同的支持向量机分类器； 步骤C、对于未知的测试样本，分别提取其视觉词袋特征、颜色直方图特征和纹理特征，并利用步骤B中所得到的相应的支持向量机分类器进行类别预测，得到三组类别预测结果，然后采用加权综合法对三组类别预测结果进行综合，从而得到最终的分类结果。优选地，所述提取视觉词袋表示，是指采用改进的词袋模型，提取加权的视觉词袋表示；具体包括以下步骤 步骤1、提取训练集中各个图像的局部特征，将所有图像的局部特征放入一个文件中，形成局部特征点集； 步骤2、利用矢量量化方法对局部特征点集进行聚类，每个聚类中心表示一个视觉单词，所有聚类中心形成视觉单词库； 步骤3、将各个图像的局部特征分配给视觉词汇库中与其距离最近的视觉单词，然后统计各个视觉单词对应的词频，形成图像的视觉词袋特征； 步骤4、统计每一类场景所有图像的视觉词袋特征中各个视觉单词的词频的相加总和，从而得到一类场景的的总体视觉词袋表示； 步骤5、从步骤4的统计结果，即类场景的总体视觉词袋表示中取出词频较大的前N个视觉单词，N为预设的大于I的整数；对这N个视觉单词的词频进行归一化，并通过其词频的倒数来表示每个视觉单词对应的权重值，其值分别为Wi，0 < i < N+l, i为整数；将这些权重值进行归一化，使其权重值在0到I之间；然后对每一个权重值进行加I的运算，即Wi = Wi + 1; 步骤6、将遥感图像所属类别的类总体词袋表示中的词频较大的前N个单词的权重值Wi乘以权重值Wi所对应的图像视觉词袋特征中的视觉单词词频，这样就得到该幅图像的加权的视觉词袋特征。优选地，步骤A中所述颜色直方图特征为采用512个bin进行量化的颜色直方图。优选地，所述纹理特征为5个尺度，6个方向的Gabor纹理特征。优选地，对视觉词袋特征和颜色直方图特征进行支持向量机训练时，采用直方图相交核作为核函数，对纹理特征进行支持向量机训练时，采用径向基函数作为核函数。优选地，步骤C中所述采用加权综合法对三组分类结果进行综合，具体按照以下方法计算测试图像视觉词袋特征，颜色直方图特征和纹理特征所对应的支持向量机分类器的类别预测结果，包括类别预测标签和类别预测概率值；取三个支持向量机分类器的第一预测结果，并将相应的三个类别预测概率进行排序，得到最大类别预测概率值，次大类别预测概率值和最小类别预测概率值；如果次大类别预测概率值对应的类别预测标签和最小类别预测概率值所对应的类别预测标签相同，并且它们的类别预测概率值相加之和大于最大类别预测概率值，则将其所代表的类别预测标签作为多特征融合的最终分类结果；否则，将最大类别预测概率值所对应的类别预测标签作为多特征融合的最终分类结果。相比现有技术，本专利技术具有以下有益效果 一、本专利技术具有更高的分类精度； 二、本专利技术采用改进的词袋模型作为图像的特征表示方法，可以在图像的局部特征不明显的时候增强图像的特征表示，从而提高图像的分类精度； 三、本专利技术综合利用图像的多种特征，包括局部特征，颜色特征和纹理特征，因此能够在图像单一特征不明显的情况得到更高的分类精度，使得处理的图像范围更大，且精度更 闻。附图说明图I为遥感图像的局部特征示意图，其中图I (a)为原始图像，图I (b)为图I (a)的局部特征示意 图2为遥感图像的视觉词袋特征； 图3为本文实验中所采用的遥感图像训练集中Agriculture类本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：李士进，刘帅，邹阳，姜玲玲，洪凡荣，万定生，冯钧，朱跃龙，
申请(专利权)人：河海大学，
类型：发明
国别省市：