[发明专利]一种基于深度哈希网络的大规模遥感影像检索方法和系统

说明书

本发明公开了一种基于深度哈希网络的大规模遥感影像检索方法和系统，属于图像数据处理方法。本发明提出的深度哈希网络，采用深度神经网络与哈希学习网络，通过交叉熵损失函数与相似性约束将这两个网络的损失函数进行联合起来进行优化。分为训练阶段与测试阶段，在训练阶段，训练阶段用于学习整个网络参数，测试阶段基于训练好的网络直接进行特征提取与影像检索。本方法可以在利用深度神经网络提取遥感影像的高级语义特征，同时利用哈希学习网络将高维特征映射到低维，大大降低所需存储消耗的同时加快检索速度，适用于大规模遥感影像检索问题。

技术领域

本发明属于图像数据处理方法，具体涉及一种基于深度哈希网络的大规模遥感影像检索方法和系统。

背景技术

随着遥感观测技术的高速发展，遥感图像数据大幅度增长。目前，大规模遥感数据集的图像检索已经逐渐成为遥感研究界的重要课题。如何从遥感大数据中自动发现有用的知识是非常必要的。在多领域(例如，灾难救援)的需求的推动下，遥感影像的信息挖掘与检索发现变得越来越紧迫。在新兴的遥感大数据挖掘工作中，基于内容的图像检索被广泛应用于大规模遥感影像的检索中。

在早期的遥感图像检索系统中，遥感图像检索主要依赖于手动标签的传感器类型，波段信息和遥感图像的地理位置。因此，这些系统的检索性能很大程度上取决于手动标签的可用性和质量。然而，手动生成标签通常是耗时的并且变得过高，尤其是当遥感图像的体积爆炸性增加时。实际上，遥感图像本身的视觉内容比手动标签更具相关性。基于内容的图像检索通过分析图像内容而不是诸如关键字，标签或与图像相关联的描述等数据。图像的内容可以由图像的颜色，形状，纹理或可以从图像本身导出的任何其他特征来进行表达。作为根据图像的可视内容管理大量网页图像的有效手段，基于内容的图像检索方法也在遥感领域得到广泛的应用。然而，该方法往往依赖于高维度的图像特征，在处理大规模数据集时，计算效率与精度往往并不高。为了解决上高维特征搜索的问题，存在两种可能的策略：改进搜索方法，以及减少特征描述符的维度。前一策略由数据分区算法实现，该算法递归地将数据空间分成子空间并通过树结构进行记录。受益于数据分区，基于树的方法的搜索速度得到显着提高，但检索性能显着降低，尤其是当原始特征描述符的维度非常高时。为了避免这个问题，许多研究人员利用特征减少方法进行大规模遥感图像检索。最近，哈希学习方法被引入到大规模遥感图像检索任务中。这些哈希学习方法采用人工特征描述符作为输入，并将高维特征向量映射到低维二进制特征向量。因此，与高维特征向量相比相比，使用低维二进制特征向量的穷举搜索的复杂性显着降低。虽然现有的哈希学习方法可以显着提高搜索速度，但检索精度仍不能满足实际应用的需求。鉴于近期应用中深度学习的巨大成功，用深度学习的高级语义特征取代哈希学习方法中的低级人工特征是一种很有前景的方法。为了充分结合深度学习和散列学习的各自优点，深度哈希神经网络[1-3]已经被计算机视觉社区的先驱提出并在大规模自然图像检索任务中取得了令人振奋的成果。然而，遥感图像在光谱和空间域中与自然图像有很大不同。由于差距巨大，在自然图像数据集中训练的深度哈希网络不能直接用于大规模遥感图像检索任务。因此，如何针对特定的遥感图像检索任务建模和学习深度哈希网络值得进一步探索。

基于上述考虑，本文提出了一种基于深度哈希网络的新型大规模遥感图像检索方法。更具体地说，本文对深度哈希网络进行了全面的研究，并将深度哈希网络引入到大规模的遥感图像检索任务中。与现有的深度哈希神经网络[1-3]不同，本文采用了相似性约束与哈希二进制损失作为联合约束以获得更好的效果。

[1]H.Zhu,M.Long,J.Wang,and Y.Cao,Deep hashing network for efficientsimilarity retrieval,In Proceedings of the Thirtieth AAAI Conference onArtificial Intelligence,pp.2415-2421,2016.