[发明专利]车辆高分遥感图像的基于LLC特征的弱监督识别方法

说明书

技术领域

本发明属于遥感图像目标检测与识别领域，涉及一种车辆高分遥感图像的基于LLC特征的弱监督识别方法，可以在没有人工标注出具体目标的训练样本中训练出目标模型并应用于高分辨率遥感图像中车辆目标的检测与识别。

背景技术

遥感图像目标检测与识别一直是遥感图像处理和模式识别领域研究的热点课题,它是随着遥感技术的发展而兴起的一项新技术，具有作用距离远、覆盖范围广、执行效率高等方面的优点，同时也有着重要的军事意义和民用价值。随着计算机技术的不断发展，机器学习，模式识别，数据挖掘等方面的技术对遥感信息提取和处理产生了至关重要的作用。目前根据机器学习的形式，可以把遥感图像目标识别算法主要分为两类：无监督的目标自动识别算法和有监督目标自动识别算法。所谓无监督目标自动识别算法，就是在没有任何标注的训练数据中，由算法寻求目标的潜在特性，从而完成遥感图像中的目标自动检测与识别。而有监督目标检测算法则是对已经由人工标注完全的正负训练样本集进行训练学习，是计算机找出特定目标的一类特征，然后根据训练结果对测试数据中的目标进行自动检测和识别。

然而，无监督的目标自动识别结果往往不够准确，传统的无监督学习的方法在复杂背景下的遥感图像中更是难以达到理想的效果。有监督的目标检测虽然在许多领域已经取得了比较好的结果，但是在遥感图像中，由于图像数量繁多，每幅图像包含信息量大，目标种类多，数量大等诸多因素，使得对遥感图像数据库的人工标注显得尤为困难。此外，由于图像分辨率有限，背景复杂等因素，目前常用的图像特征（例如HOG和BOW）并不能在遥感图像目标识别任务中取得十分突出的效果。为此，本发明提出一种基于LLC特征的弱监督遥感目标自动识别算法，可以对复杂背景下的遥感图像目标提取有效的特征向量，并在没有人工标注出具体目标的训练样本中进行迭代训练学习，得到的目标模型可以应用于遥感图像中复杂背景下的车辆目标的自动检测也识别。因此，本发明可以大大减少人工标注的复杂度，节省人工标注的时间，同时保证最终在弱监督训练出的目标模型可以在测试图像库中对车辆目标进行自动检测与识别。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种车辆高分遥感图像的基于LLC特征的弱监督识别方法，可以在没有人工标注出具体目标的训练样本中获取初始化训练样本集，然后提取样本图块的LLC特征利用SVM分类器进行反复迭代训练学习，得出最优目标分类器。最后利用这个分类器对测试图像中的候选图块进行分类和定位。

技术方案

一种车辆高分遥感图像的基于LLC特征的弱监督识别方法，其特征在于步骤如下：

步骤1提取训练图像的显著图：将输入图像下采样为N×N个像素，然后针对图像中的每个像素提取显著性特征并选取“基于视觉注意机制的遥感图像感兴趣目标分割方法”中的14显著性特征，记为[sm₁,sm₂,…,sm₁₄]，然后将各类显著特征分量图的权重视为相同的，通过求取所有显著特征分量图的均值作生产显著图sm，sm=114Σi=114smi;]]>