[发明专利]一种基于多特征融合的遥感图像分类方法

权利要求书

1.一种基于多特征融合的遥感图像分类方法，其特征在于，该方法包括以下步骤：

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。

2.如权利要求1所述基于多特征融合的遥感图像分类方法，其特征在于，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1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w_i， 0 < i < N+1, i为整数；将这些权重值进行归一化，使其权重值在0到1之间；然后对每一个权重值进行加1的运算，即w_i = w_i + 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w_i乘以权重值w_i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。

3.如权利要求2所述基于多特征融合的遥感图像分类方法，其特征在于，所述局部特征为SIFT特征。

4.如权利要求2所述基于多特征融合的遥感图像分类方法，其特征在于，所述N的值为20。

5.如权利要求2所述基于多特征融合的遥感图像分类方法，其特征在于，所述矢量量化方法为K均指聚类方法。

6.如权利要求1所述基于多特征融合的遥感图像分类方法，其特征在于，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。

7.如权利要求1所述基于多特征融合的遥感图像分类方法，其特征在于，所述纹理特征为5个尺度，6个方向的Gabor纹理特征。

8.如权利要求1所述基于多特征融合的遥感图像分类方法，其特征在于，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。

9.如权利要求1所述基于多特征融合的遥感图像分类方法，其特征在于，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。