本发明专利技术公开了一种基于分层多特征融合的高分辨率遥感图像场景分类方法。本发明专利技术依据组合全局特征对训练样本图像集合进行聚类分析，将训练样本图像集合分为适于采用全局特征表达的子集和适于用局部特征表达的子集，然后利用两个子集分别训练全局特征分类器和局部精简特征分类器；在测试时根据聚类分析结果从两个分类器中选出最适合于测试样本的分类器来对测试样本进行分类。本发明专利技术具有极高的分类精度，经实验验证，本发明专利技术的总体平均分类精度可达到96%，高于现有的典型分类方法。
【技术实现步骤摘要】
本专利技术涉及遥感图像处理技术，尤其涉及一种基于分层多特征融合的高分辨率遥感图像场景分类方法。
技术介绍
近年来，高分辨率对地观测技术得到了迅猛发展，已经在土地调查、城市规划和军事等诸多领域发挥了重要的作用。相比于中低分辨率遥感图像，高分辨率遥感图像能够提供详细的地物信息，但各种地物空间结构分布较复杂。随着遥感图像分辨率的提高，空间地物几何信息、纹理信息等更加明显，但同时也带来了同类地物的光谱差异性增强，不同地物的光谱异质性降低等问题。因此，虽然高分遥感影像提供了更为精细的地表刻画，但自动化信息提取任务的难度大大增加。在遥感图像技术中，无论是专业信息提取、运动变化预测还是遥感数据库的建立都离不开分类，如何研制出新的适合于遥感图像分类的方法来提高分类精度是急需解决的问题。传统的遥感图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，因此识别难度较大，效率较低。关于遥感图像场景分类技术的研究目前已经出现了很多方法。根据图像描述方式的不同，当前图像分类方法大致可以分为：基于全局特征的描述方法和基于局部特征的描述方法。常见的全局特征包括：颜色直方图、LBP(Local binary pattern)、Gabor纹理特征等。基于局部特征的图像描述方法由于可以在同一类别千变万化的图像中寻找不变的特征，受到广大研究者青睐。文献[Ji RR,Yao HX,Liu W.Task-dependent visual-codebook compression[J].IEEETransactions on Image Processing,2012,21(4):2282-2293.]使用硬分配编码取代稀疏编码，使用监督字典学习算法对Bof特征进行压缩以弥补编码方法所带来的不足。Bolovinou等人[Bolovinou A,Pratikakis I,Perantonis S.Bag of spatio-visual words forcontext inference in scene classification[J].PatternRecognition,2013,46(3):1039-1053.]提出了基于有序空间结构关系的视觉单词，在特征表达中加入了上下文信息。Zheng等人[Zheng Y,Lu H,Jin C,et al.Incorporating
spatial correlogram into bag-of-features model for scene categorization[C]//Proceedings of the 9th Asian Conference on Computer Vision.Xian,China:Springer,2010:333-342.]基于颜色相关图的思想，提出空间相关图概念并将其应用于视觉词包特征表达。由于遥感图像地物信息极其丰富，但各种地物空间分布较复杂，同类目标呈现较大光谱异质性，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。对于遥感图像，单一特征只能描述它的部分属性，缺少足够的区分信息，在图像类型比较相近(例如密集住宅区、中密度住宅区、稀疏住宅区)的情况下通常不能取得较好的分类效果，此外，场景图像的全局特征描述和局部特征描述又各自有优点：全局特征是描述图像的全局信息，可以反映整个场景图像的整体结构；局部特征描述对目标区域识别的部分特性具有良好的适应性，在场景切换的每个目标，包括不同视角，不同光照强度等情况能很好地适应。对于图像中的不同目标、各种特征有效性不尽相同，由此，合理的融合全局特征和局部特征，能在一定程度上提高遥感图像场景分类的精度。如何正确的融合不同特征是图像分类领域目前的一个研究热点。张磊等人[张磊,邵振峰.改进的OIF和SVM结合的高光谱遥感影像分类[J].测绘科学,2014,39(011):114-117.]提出了一种结合改进的最佳指数(OIF)和支持向量机进行遥感图像分类，该方法能有效提取最佳波段组合，并取得较高分类精度。对于传统融合空间和光谱特征方法仅用单一空间特征，并未充分利用双高分辨率的特点，王增茂等人提出将纹理特征和形态特征进行融合，然后进行影像分类[王增茂,杜博,张良培,等.基于纹理特征和形态学特征融合的高光谱影像分类法[J].光子学报,2014,43(8):810002-0810002.]。为充分利用遥感图像的地物信息，王云艳等人[王云艳,何楚,涂峰,等.特征选择双层SVM的融合算法用于极化SAR图像分类[J].武汉大学学报信息科学版,2015,40(9):1157-1162.]提出了特征选择双层支持向量机的特征融合算法，充分利用特征间的完备性和互异性，形成更有效的特征组合用于图像分类。张帆等人[张帆,杜博,张良培,等.一种结合波段分组特征和形态学特征的高光谱图像分类方法[J].计算机科学学,2014,41(12):275-279.]提出基于波段分组特征和形态学特征的高光谱图像分类方法，结合空间和光谱特征提高
分类精度。熊羽等人[熊羽,左小清,黄亮,等.基于多特征组合的彩色遥感图像分类研究[J].激光技术,2014,38(2):165-171.]提出了基于颜色和纹理组合的遥感图像分类方法，该方法将颜色信息和纹理信息相结合作为特征向量，对遥感图像进行分类，并通过实验证明了该方法是一种有效的图像分类方法。Sheng等人[ShengG,Yang W,Xu T,et al.High-resolution satellite scene classification using a sparsecoding based multiple feature combination[J].International journal of remotesensing,2012,33(8):2395-2412.]使用基于多特征融合稀疏编码的方法用于高分辨率遥感图像分类，将单特征通道的概率串联起来作为最终的融合结果。Fernando等人[Fernando B,Fromont E,Muselet D,et al.Discriminative feature fusion for imageclassification[C]//Computer Vision and Pattern Recognition(CVPR),2012IEEEConference on.IEEE,2012:3434-3441.]提出了基于逻辑回归的融合方法，采用LR输出设计一种新的SVM分类器有效边缘化核的学习方法。Shao等人[ShaoW,Yang W,Xia G S,et al.A hierarchical scheme of multiple feature fusion forhigh-resolution satellite scene categorization[M]//Computer Vision Systems.SpringerBerlin Heidelberg,2013:324-333.]提出了在不同分类阶段分别采用直方图交叉核支持本文档来自技高网...
【技术保护点】
一种基于分层多特征融合的高分辨率遥感图像场景分类方法，包括训练阶段和测试阶段；其特征在于，所述训练阶段包括以下步骤：步骤1、提取训练样本图像的组合全局特征，并对训练样本图像进行聚类分析，得到最优聚类结果；所述组合全局特征由至少两种全局特征组合而成；步骤2、从最优聚类结果中选出聚类一致性指标大于一预设阈值的类簇，以所选出类簇中的所有训练样本图像作为第一训练子集，基于组合全局特征进行分类模型的训练，得到全局特征分类器；以其余的训练样本图像作为第二训练子集，对其中的训练样本图像进行局部特征提取，并利用频繁项集挖掘进行特征精简，然后基于所得到的精简特征进行分类模型的训练，得到局部精简特征分类器；任一类簇的聚类一致性指标具体为：该类簇中数量最多的那一类训练样本图像在该类簇所有训练样本图像中的数量占比；所述测试阶段包括以下步骤：步骤3、从所述最优聚类结果中选出类簇中心与测试样本图像在组合全局特征空间中距离最小的类簇，并判断该类簇是否为聚类一致性指标大于所述预设阈值的类簇，如是，则将测试样本图像的组合全局特征输入所述全局特征分类器进行分类；如否，则提取测试样本图像的局部特征并利用训练阶段挖掘得到的频繁项集对其进行特征精简，得到测试样本图像的精简特征，然后将测试样本图像的精简特征输入所述局部精简特征分类器进行分类。...
【技术特征摘要】
1.一种基于分层多特征融合的高分辨率遥感图像场景分类方法，包括训练阶段和测试阶段；其特征在于，所述训练阶段包括以下步骤：步骤1、提取训练样本图像的组合全局特征，并对训练样本图像进行聚类分析，得到最优聚类结果；所述组合全局特征由至少两种全局特征组合而成；步骤2、从最优聚类结果中选出聚类一致性指标大于一预设阈值的类簇，以所选出类簇中的所有训练样本图像作为第一训练子集，基于组合全局特征进行分类模型的训练，得到全局特征分类器；以其余的训练样本图像作为第二训练子集，对其中的训练样本图像进行局部特征提取，并利用频繁项集挖掘进行特征精简，然后基于所得到的精简特征进行分类模型的训练，得到局部精简特征分类器；任一类簇的聚类一致性指标具体为：该类簇中数量最多的那一类训练样本图像在该类簇所有训练样本图像中的数量占比；所述测试阶段包括以下步骤：步骤3、从所述最优聚类结果中选出类簇中心与测试样本图像在组合全局特征空间中距离最小的类簇，并判断该类簇是否为聚类一致性指标大于所述预设阈值的类簇，如是，则将测试样本图像的组合全局特征输入所述全局特征分类器进行分类；如否，则提取测试样本图像的局部特征并利用训练阶段挖掘得到的频繁项集对其进行特征精简，得到测试样本图像的精简特征，然后将测试样本图像的精简特征输入所述局部精简特征分类器进行分类。2.如权利要求1所述高分辨率遥感图像场景分类方法，其特征在于，所述聚类分析的方...
【专利技术属性】
技术研发人员：蔡阳，李士进，蒋亚平，陈德清，王伶俐，袁俐新，付静，郑展，王继民，余宇峰，朱海晨，王声特，
申请(专利权)人：河海大学，水利部水利信息中心，
类型：发明
国别省市：江苏;32
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。