[发明专利]基于深度卷积语义网的光学遥感图像检索方法

说明书

本发明公开了一种基于深度卷积语义网的光学遥感图像检索方法，主要解决现有技术中光学遥感图像检索精度低的问题。本发明具体步骤如下：(1)构建深度卷积语义网络；(2)构建训练集；(3)调整网络参数；(4)构建光学遥感图像检索数据库；(5)提取遥感图像特征向量；(6)融合遥感图像特征向量；(7)建立特征库；(8)检索光学遥感图像检索数据库中的光学遥感图像。本发明构建深度卷积语义网络，提取图形的浅层特征、过渡特征以及深层特征，加权融合三个特征，实现不同层级特征优势互补，提高了图像特征的表达能力，进而提高了光学遥感图像的检索精度。

技术领域

本发明属于图像处理技术领域，更进一步涉及光学遥感图像检索排序技术领域中的一种基于深度卷积语义网的遥感图像检索方法。本发明可以实现从海量遥感影像数据库中快速、准确地查询到感兴趣的场景图像。

背景技术

随着卫星遥感技术的不断发展，遥感影像数据在城市规划、环境保护、地质勘探、灾害管理、军事侦查与打击等领域得到了日益广泛的应用。然而，随着获取数据的急速增长，如何从海量遥感影像数据库中快速、准确地检索查询出相关的场景图像已经成为目前迫切需要解决的问题之一。遥感图像特征提取方法是基于内容的遥感图像检索的关键环节，它的好坏直接影响到系统的运行效率和检索效果。

Fang Zhao在其发表的论文“Deep Semantic Ranking Based Hashing forMulti-Label Image Retrieval”(IEEE Transactions on Pattern Analysis andMachine Intelligence，2015)中提出了一种深度卷积网络Alexnet的图像检索方法。该方法可以实现从海量影像数据库中快速、准确地查询到感兴趣的图像。该方法首先利用卷积网络Alexnet获取第一图像特征，并引入哈希层构造哈希函数，将图像深度特征的学习和哈希函数的构造在同一过程中完成，挖掘图像特征与哈希函数内在关系，克服了现有技术中利用图像底层特征而导致特征表达能力不强、检索精度低的问题，大大提高图像检索准确率。但是，该方法仍然存在不足之处是：由于卷积网络采用卷积层和池化层级联的形式，造成了网络对于图像的语义信息提取功能较弱。

桂林明辉信息科技有限公司在其申请的专利文献“一种基于深度卷积神经网络的图像检索方法”(专利申请号：201710192895.7，公开号：107092661A)中公开了一种深度学习的图像检索方法。该方法首先构建深度卷积神经网络模型，用训练集图像数据对网络模型进行参数调整，在参数调整完成后的模型中输入测试集数据进行二进制哈希编码的学习，将测试集图像的特征用哈希编码的形式表现出来。最后，在测试集图像数据上进行图像检索，即从测试集图像数据所构成的海量影像数据库中快速、准确地查询到感兴趣的图像。通过本发明学习到了测试集图像数据所构成影像数据库中的图像的深层次的特征，提高图像检索的精确度，克服了传统方法难以学习到图像深层次的特征的缺点，以及解决了计算数据量存储空间过大的问题。但是，该方法仍然存在的不足之处是：仅仅提取深度卷积网络最后一层全连接层的单一特征，对于信息复杂度高的图像检索能力较弱，同时哈希层二值化的哈希编码造成的量化误差也没有得到合理的解决，因此造成了检索精度较低。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于深度卷积语义网的光学遥感图像检索方法。本发明与现有其他光学遥感图像检索方法相比，首先在网络中使用了连接层，将第三个池化层与第十三个卷积层的信息进行融合，提高了网络对于图像语义信息的提取功能，通过用加权融合方法融合浅层特征、过渡特征以及深层特征，使得多级别特征能够实现优势互补，提高了模型对于信息复杂度高的图像的检索精度。