[发明专利]基于部分随机监督离散式哈希的遥感图像分类方法

说明书

本发明公开了一种基于部分随机监督离散式哈希的遥感图像目标分类方法。根据标定好的真实数据，对遥感图像进行目标分割，对分割好的目标进行特征提取，每个目标均用特征向量进行表示，所有目标的特征向量组合成特征矩阵；对每一类样本按照相同比例划分为训练样本和测试样本；对所有样本进行离散哈希编码；对所有样本进行部分随机哈希编码；将离散哈希编码与部分随机编码相结合，迭代优化参数，最终获得更精准的哈希编码；根据所生成的哈希编码，计算汉明距离，完成分类。该方法解决了在处理遥感图像过程中，数据量过大导致的计算复杂度高的问题，实现了对遥感图像进行快速有效的分类。

技术领域

本发明涉及遥感图像分类方法，特别是一种基于部分随机监督离散式哈希的遥感图像分类方法。

背景技术

由于卫星与飞行器技术的高速发展，遥感数据的应用变得越来越广泛，目标分类也逐渐成为遥感数据分析中最重要的任务之一。然而，随着遥感图像数据量和分辨率的显著提高，目标分类也变得更具有挑战性。因此，有效的特征表示方法对于遥感图像目标分类是十分有意义的。近年来有许多这方面的技术被提出，大致可以分为三类：基于手工特征的方法，基于深度特征学习的方法以及基于非监督特征学习的方法。由于高效的检索以及数据储存能力，哈希学习目前在大规模视觉问题中应用十分广泛。现有的哈希学习方法主要可以分为两大类：数据独立方法与数据依赖方法。数据独立方法即不利用任何训练数据，只采用随机映射作为哈希函数，而数据依赖方法则从给出的训练数据中自主学习得到哈希函数，以此保留数据的特性。数据独立方法算法简单，但相比较数据依赖方法，其准确率要低的多。数据依赖方法可以进一步划分为以下两类：

(1)监督式哈希。通过数据的标签信息学习得到更为准确的哈希函数。典型的方法有：基于核的监督式哈希、监督离散式哈希以及快速监督离散式哈希等。

(2)非监督式哈希。在学习过程中，不需要提供数据的标签信息，通过保留训练数据的结构、分布以及其它信息来学习得到哈希函数。典型的方法有：谱哈希、离散图哈希、可扩展图哈希等。

哈希编码主要是由0和1或者-1和1组成的，而生成编码的过程属于离散优化问题，这是一个比较困难的问题。为了解决这个问题，绝大多数哈希方法选择先忽视离散约束，解决一个近似的连续问题，再将所得到的编码进行量化，从而实现编码的离散表达。这样的解决方式简单，但在一定程度上降低了最终编码的准确性。近期出现的一些方法采用的是逐位迭代优化的方式。采用离散循环坐标下降法可以得到每一位的闭形式解，从而解决问题。

发明内容

本发明的目的在于提供一种遥感图像分类方法，针对遥感图像数据量大，计算复杂的问题，结合数据独立和数据依赖方法，完成遥感图像的哈希表示精确分类。

实现本发明目的的技术解决方案为：一种基于部分随机监督离散式哈希的遥感图像分类方法，包括以下步骤：

步骤1、根据标定好的真实数据，对遥感图像进行目标分割，分割得到的目标组成训练和测试所用的样本；

步骤2、对分割好的目标进行特征提取，每个目标均用特征向量进行表示，所有目标的特征向量组合成特征矩阵；

步骤3、对每一类样本按照相同比例划分为训练样本和测试样本；

步骤4、对所有样本进行离散哈希编码；

步骤5、对所有样本进行部分随机哈希编码；

步骤6、将离散哈希编码与部分随机编码相结合，使两个编码之间的误差最小化，迭代优化参数，最终获得更精准的哈希编码；

步骤7、根据所生成的哈希编码，计算汉明距离，完成分类。

与现有技术相比，本发明的显著优点在于：(1)通过随机投影，可以有效地降低计算复杂度，为后续计算提供便利；(2)通过由数据生成的权值矩阵，可以有效利用原始遥感数据信息，所获取的哈希编码的准确率也会更高，最终使得分类准确率得到保证。