[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

说明书

本发明提供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，该方法首先对样本库中的影像提取多个特征，然后利用分级结构的图扩散模型对多个特征进行融合扩散。针对扩散结果，利用谱聚类将原有样本库自动聚合为若干个簇。最后以簇为基本标注单元，通过相似性分析确定每个簇中的关键样本，利用关键样本对簇进行标注，从而完成对整个样本库的全标记。本发明利用分级扩散模型，将互补性较强的特征分配到同一子树内，使得多特征融合效果更好，使得自动聚合与标注结果更加准确。

技术领域

本发明属于图像数据处理方法，具体涉及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。

背景技术

构建有标记样本库是开展数据驱动的遥感影像分析与应用的一个关键问题。近年来，随着遥感技术和人工智能领域的快速发展，深度学习技术在遥感影像的智能化分析解译中发挥着越来越重要的作用。深度学习技术依赖大规模的有标记训练数据，而目前遥感影像样本库太小，不足以支撑完整的深度学习过程。此外，遥感影像类型丰富，对于大规模遥感影像样本库来说，仅仅通过人工劳动不可能为每种类型的遥感影像进行快速有效的标注。

为了降低人工标注成本，目前的遥感影像样本库标记主要有两类方法：一种方法为利用开放街道地图(OSM)中的兴趣点和矢量数据来表示遥感图像中的地理空间对象，并通过提取以所指示的地理空间为中心的场景来完成场景标注。另一种为利用专家知识的交互式主动聚类方法。然而，基于OSM的方法仍然需要人工检查来修改开放街道地图中的误差，而主动聚类的方法仍然需要数百次的专家反馈来增强标注精度。除了上述两种方法之外，半监督学习方法对于样本库标记也有不错的效果，但是由于半监督方法中只可接受几种类型的特征描述符，不足以全面表征遥感影像。如果盲目增加特征数量，则会产生维数灾难的问题。

发明内容

本发明提出了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，旨在解决遥感领域大规模标记样本库方法匮乏的问题。该方法首先对样本库中的影像提取多个特征，然后利用分级结构的图扩散模型对多个特征进行融合扩散。针对扩散结果，利用谱聚类将原有样本库自动聚合为若干个簇。最后以簇为基本标注单元，通过相似性分析确定每个簇中的关键样本，利用关键样本对簇进行标注，从而完成对整个样本库的全标记。

本发明所采用的技术方案是：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，包括以下步骤：

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：