[发明专利]一种多特征自动分级聚合辅助下的遥感影像样本库快速标记方法

权利要求书

1.一种多特征自动分级聚合辅助下的遥感影像样本库快速标记方法，其特征在于，包括如下步骤：

步骤1，构建样本特征库：对于包含n幅遥感影像的样本库，首先利用已有的特征提取方法进行图像特征提取，得到样本库的特征库F；其中提取M种类型特征，则整个样本库的特征库可以表示为F＝{F¹，F¹，…，F^M}，其中表示样本库中第m个特征；对于样本库中的第i幅影像，其特征库可以表示为

步骤2，分级融合扩散，包括如下子步骤，

步骤2.1，构建相似性图：根据特征库F，针对特征库每个特征建立样本之间的相似性图其中相似性图包含的个数与特征数M相等；

步骤2.2，子树分配：首先确定子树个数其中H表示不大于根号M的最大整数，然后计算不同特征之间的不相似性，挑选出M个互补性最强的特征分配到H个子树中，每个子树包含D个特征，其中D的个数近似等于M/H；

步骤2.3，生成局部连接图：根据全连接图，即步骤2.1中的相似性图，构建局部连接图，其中局部连接图中的每个顶点仅仅与它最相近L个邻接顶点相连；

步骤2.4，第一级融合扩散：利用交叉扩散模型，根据全连接图的状态矩阵和局部连接图的核矩阵，对每个子树内的D个多特征进行第一级的融合扩散，获得每个子树的混合多特征相似性矩阵；

步骤2.5，第二级融合扩散：根据步骤2.4得到共H个子树的融合扩散结果，利用交叉扩散模型进行第二级融合扩散，得到最终的相似性矩阵；

步骤3，样本库标记，包含以下子步骤：

步骤3.1，自动聚合：结合步骤2得到的最终的相似性矩阵，利用谱聚类算法对待标记样本库进行自动聚合获得簇；

步骤3.2，关键样本标记：根据3.1得到的簇，在每个簇中选取关键样本作为参考对簇进行标记最终得到每一类的有标记标志性样本。

2.如权利要求1所述的一种多特征自动分级聚合辅助下的遥感影像样本库快速标记方法，其特征在于：步骤1中已有的特征提取方法包括VGG网络迁移特征，无监督k-means学习特征，LBP特征，HOG特征。

3.如权利要求1所述的一种多特征自动分级聚合辅助下的遥感影像样本库快速标记方法，其特征在于：步骤2.1中相似性图的具体构建方法如下，

设相似性图G＝(V，E，W)，相似性图的顶点V＝{1，2，...，n}表示样本库中的影像，边是权重，表示影像之间的相似度，W为相似性矩阵；对于第m个特征来说，影像x_i与x_j之间的相似度可以由下式计算：

其中||·||₂表示欧氏距离，和分别表示影像x_i与x_j的第m个特征，为控制参数。

4.如权利要求3所述的一种多特征自动分级聚合辅助下的遥感影像样本库快速标记方法，其特征在于：步骤2.2中计算不同特征之间的不相似性计算方法如下，

其中S为标量，表示特征之间的不相似性，n表示子树内顶点的个数，即子树内样本的个数，W^S表示子树内已经选择特征的相似性矩阵的均值，W^h表示候选特征的相似性矩阵，S值越大表示特征之间的不相似性越大，即互补性越强。

5.如权利要求1所述的一种多特征自动分级聚合辅助下的遥感影像样本库快速标记方法，其特征在于：步骤3.1中利用谱聚类算法对待标记样本库进行自动聚合获得簇的具体实现方式如下，

假设聚类数量为C，那么待标记样本库自动聚合为C个聚类A¹，A²，...，A^C，

其中是Aⁱ补集，表示由步骤2得到的最终的相似性矩阵，表示Aⁱ与的边权重值和，vol(·)表示度矩阵。

6.如权利要求5所述的一种多特征自动分级聚合辅助下的遥感影像样本库快速标记方法，其特征在于：步骤3.2中关键样本的选取方式如下，

对于第α个簇，关键样本由下式计算：

其中A^α∈R^n×n为第α个簇相似性矩阵，n为簇中样本的个数，表示在簇中与其他样本相似性最高的样本。