[发明专利]一种基于视觉词袋模型的高分辨率遥感图像分类方法

说明书

技术领域

本发明涉及一种基于视觉词袋模型的高分辨率遥感图像分类方法，属于遥感图像分类领域。

背景技术

随着面向对象思想在高分辨率遥感图像处理中的应用，该方法不断的发展创新，逐渐成为遥感图像分类的必然选择，且近些年，国内外专家学者对高分辨率遥感图像分类不断提出新的思想和算法。因此，面向对象的高分辨率遥感图像分类方法已经逐步取代基于像素的遥感图像分类方法，在图像分类领域取得令人瞩目的成果。随着传感技术的发展和卫星的更新，遥感图像广泛应用在各个领域，不仅仅应用在国防建设上，在土地测绘、环境监测、抢险救灾、城市规划等国民经济方面也越来越普及。

常见的遥感图像分类方法可以分为监督分类，非监督分类和半监督分类，主要区别在于训练样本的差异。一般来讲非监督分类不需要先验知识和其他训练样本，直接根据数据的特征性进行分类；监督分类模型先处理分析训练样本，再计算分类结果；半监督分类模型将训练样本的有无标签作为学习分类的依据之一。

基于视觉词袋模型的高分辨率遥感图像分类方法属于监督分类，但是现有的基于视觉词袋模型的高分辨率遥感图像分类方法中视觉词袋模型计算复杂度高，冗余信息严重。

发明内容

为了解决上述技术问题，本发明提供了一种基于视觉词袋模型的高分辨率遥感图像分类方法。

为了达到上述目的，本发明所采用的技术方案是：

一种基于视觉词袋模型的高分辨率遥感图像分类方法，包括，

图像多特征提取：

将待处理图像进行分割，对每个子区域提取底层特征，并将同一子区域底层特征进行融合；

构建初始视觉词典：

通过K-means聚类算法对融合后的底层特征聚类，每一类均为一个视觉单词，聚类中心的数目便是初始视觉词典的规模；

筛选视觉单词，构建视觉词典子集：

首先，通过ReliefF算法赋予视觉单词权重参数，来表示不同视觉单词对分类的贡献度；然后，结合mRMR准则计算视觉单词的相关度和冗余度，并添加视觉词典平衡系数；最后建立一个新的词典判别函数，筛选得到视觉词典子集；

图像表达和分类：

视觉词典子集通过池化后生成高层语义特征，SPM模型提取图像的空间布局信息，融合高层语义特征和空间布局信息，通过池化后得到最终特征向量，输入分类器完成分类。

底层特征包括纹理特征、形状特征和KAZE特征，这些特征采用串行方法进行融合。

K-means聚类算法将所有融合后的底层特征作为待聚类集合X＝{x₁,x₂,...,x_n}，x_j表示第j个子区域融合后的底层特征，选取k个点作为聚类中心，分别计算每个融合后的底层特征与聚类中心的欧式距离，距离最近的归为一类，如下式：

其中，c⁽ⁱ⁾为x_j所属的类别，1≤i≤k，x为底层特征，μ为聚类中心。

筛选视觉单词，构建视觉词典子集的具体过程为，

定义V＝[v₁,...,v_k]^T为初始视觉词典；

通过ReliefF算法计算初始视觉词典中每个视觉单词与图像类别的相关性权重，去掉相关性权重最小的视觉单词，得到新的视觉词典V_n′，其相关性权重矩阵为w_n′，对v_n′进行加权处理，得到V_m＝V_n′·w_n′；

定义视觉词典子集中视觉单词的数量为d；

根据确定第一个与类别最相关的视觉单词加入到词典子集V′中，再通过mRMR准则选择下一个视觉单词，直到选出d个视觉单词为止，其中，v_i为V中单词，1≤i≤k，c为单词类别，Rlv()表示相关性函数，I()表示互信息函数；

mRMR准则判别函数为：

其中，α为视觉词典平衡系数，0≤α≤1，v_j为V_m中单词，m为迭代次数，V_m为加权后词典。

采用串行方法融合高层语义特征和空间布局信息。

k和d的值的范围均为200～1200。