[发明专利]基于显著点特征和稀疏自编码的遥感图像检索方法及系统

权利要求书

1.一种基于显著点特征和稀疏自编码的遥感图像检索方法，其特征在于：包括以下步骤，

步骤1，提取图像库中各图像的特征点得到特征点矩阵，并利用视觉注意模型计算各图像的显著图；

步骤2，对于图像库中各图像的显著图，分别采用自适应阈值法将显著图二值化，并与图像相应的特征点矩阵进行掩膜运算得到过滤后的显著特征点；实现方式如下，

采用自适应阈值法将显著图二值化时，根据显著图像素的显著性大小，确定显著图的二值化阈值T如下，

其中，w和h分别表示显著图的宽和高，I(x,y)表示显著图像素(x,y)的显著值；

设根据二值化阈值T对显著图二值化，得到二值化显著图，相应有矩阵I_binary，设P表示图像的特征点矩阵，P_I表示过滤后的显著特征点矩阵，计算显著特征点矩阵如下，

步骤3，从图像库中取若干图像作为训练图像，从各训练图像分别选取若干显著特征点构造训练样本，得到训练样本集X，根据白化后的训练样本集X′训练稀疏自编码网络，得到特征提取器；

所述稀疏自编码网络输入层、隐含层以及输出层，其中隐含层神经元采用ReLU函数作为激活函数，输出层神经元采用softplus函数作为激活函数，稀疏自编码网络的代价函数定义如下，

其中，第一项为均方误差项，第二项为正则项，H_W,b表示训练样本集X′的网络输出值，W＝[W₁,W₂]和b＝[b₁,b₂]分别表示网络输入层和隐含层间的权重W₁和偏置b₁以及隐含层和输出层间的权重W₂和偏置b₂构成的权重矩阵，λ表示正则项系数；

步骤4，对图像库中的所有图像，利用步骤3训练所得的特征提取器进行特征提取，并用阈值函数对提取的图像特征进行稀疏化处理，得到最终的用于检索的特征向量；实现方式如下，

提取的图像特征Y表示如下，

Y＝f₁(W₁P_I′+b₁)

其中，f₁()为ReLU函数，显著特征点矩阵P_I′是根据步骤2所得过滤后的显著特征点矩阵P_I白化后的结果；

对于提取的图像特征Y，进行如下稀疏化处理得到稀疏特征矩阵Z，

Z＝[Z₊,Z_-]＝[max(0,Y-α),max(0,α-Y)]

其中，α表示阈值函数的阈值，矩阵Z₊＝max(0,Y-α)，Z_-＝max(0,α-Y)；

设从一幅图像检测到的SIFT点个数是n个，对稀疏特征矩阵Z进一步处理，得到特征向量F如下，

其中，和分别表示矩阵Z₊和Z_-的第i个列向量；

步骤5，基于步骤4提取的特征向量，根据预设的相似性度量准则进行图像检索。

2.根据权利要求1所述基于显著点特征和稀疏自编码的遥感图像检索方法，其特征在于：步骤1中，提取图像库中各图像的特征点得到特征点矩阵，利用SIFT算子提取实现。

3.根据权利要求1或2所述基于显著点特征和稀疏自编码的遥感图像检索方法，其特征在于：步骤5中，预设的相似性度量准则采用城区距离。