[发明专利]基于视觉词袋模型的遥感图像目标识别方法

权利要求书

1.一种基于视觉词袋模型的遥感图像目标识别方法，其特征在于，首先选取各典型类别目标的遥感图像构建训练集；然后分别提取训练集中各遥感图像以及测试遥感图像的视觉词袋特征；最后利用视觉词袋特征比较测试遥感图像与训练集中各遥感图像之间的相似度，如测试遥感图像与训练集中各遥感图像之间的相似度均小于预设的相似度阈值，则判定测试遥感图像不是待识别目标；如否，则判定测试遥感图像为待识别目标，且其类别为与其相似度最大的训练集遥感图像的目标类别；所述视觉词袋特征按照以下方法提取：

步骤1、分别提取训练集中各遥感图像的局部特征，并对所提取出的所有局部特征进行聚类，所得到的每个聚类中心作为一个视觉单词，所有聚类中心构成初始视觉单词码本；

步骤2、对初始视觉单词码本进行精简，具体如下：

步骤2-1、对视觉单词码本中的每一个视觉单词，分别计算其与目标类别集合之间的类别相关性，并将与目标类别集合之间的类别相关性小于一预设相关性阈值的视觉单词从初始视觉单词码本中剔除，得到去相关后的视觉单词码本；初始视觉单词码本中的第i个视觉单词F_i与目标类别集合C之间的类别相关性按照下式计算：

SUFi,C=2[IG(C|Fi)H(Fi)+H(C)],i=1,2,···,K]]>

其中，K为初始视觉单词码本中视觉单词的数目；

是训练集样本类别的熵，N_c是目标类别集合中的目标类别总数，P(C=c)表示训练集样本的类别属于目标类别集合C中的第c类目标类别的概率；

是视觉单词F_i在所有目标类别样本分布上的熵，P(f_c=F_i)表示类别属于目标类别集合C中的第c类目标类别的训练集样本的局部特征中包含视觉单词F_i的概率；

IG(C|F_i)是视觉单词F_i对目标类别分类的信息增益，其计算公式如下：

IG(C|F_i)=H(C)-H(C|F_i)

其中H(C|Fi)=-Σc=1NcP(fc=Fi)Σc′=1NcP(C=c′|fc=Fi)log2P(C=c′|fc=Fi)]]>给定视觉单词F_i时类别的条件信息熵，P(C=c'|f_c=F_i)表示训练集样本的局部特征中包含视觉单词F_i时目标类别集合C中的第c'类目标类别的条件概率；

步骤2-2、初始化集合变量W_list、W_list'为空；将去相关后的视觉单词码本中的所有视觉单词加入到集合W_list'中，并按值对W_list'中的所有视觉单词进行降序排列；

步骤2-3、对W_list'中每一当前排序第一的视觉单词F_j，计算该视觉单词与W_list'中其他任一视觉单词F_i,i≠j之间的对称不确定性若则将F_i从W_list'中去除；当F_j与W_list'中所有其他视觉单词都计算一轮后，将F_j加入到集合W_list中，同时在W_list'中删除F_j；视觉单词F_j和F_i之间的对称不确定性按照下式计算：

SUFi,Fj=2[IG(Fj|Fi)H(Fi)+H(Fj)]]]>

其中，H(Fi)=-Σc=1NcP(fc=Fi)log2P(fc=Fi),]]>H(Fj)=-Σc=1NcP(fc=Fj)log2P(fc=Fj)]]>分别为视觉单词F_i、F_j在所有目标类别样本分布上的熵，P(f_c=F_i)、P(f_c=F_j)分别表示类别属于目标类别集合C中的第c类目标类别的训练集样本的局部特征中包含视觉单词F_i、F_j的概率；

IG(F_j|F_i)是视觉单词F_i对视觉单词F_j的信息增益，其计算公式如下：

IG(F_j|F_i)=H(F_j)-H(F_j|F_i)

其中，H(Fj|Fi)=-Σc=1NcP(fc=Fi)Σc′=1NcP(fc′=Fj|fc=Fi)log2P(fc′=Fj|fc=Fi)]]>表示给定视觉单词F_i时视觉单词F_j的条件信息熵，P(f_c′=F_j|f_c=F_i)表示类别属于目标类别集合C中的第c类目标类别的训练集样本的局部特征中包含视觉单词F_i时类别属于目标类别集合C中的第c'类目标类别的包含视觉单词F_j的条件概率；

步骤2-4、重复步骤2-3的操作，直到集合W_list'为空；此时集合W_list即为精简后的视觉单词码本；

步骤3、对所要提取特征的一幅遥感图像，将其每个局部特征分配给精简后的视觉单词码本中与其欧式距离最近的视觉单词，然后统计该遥感图像所有局部特征隶属于精简后的视觉单词码本中所有视觉单词的分布直方图，该分布直方图即为该遥感图像的视觉词袋特征。