[发明专利]基于显著点特征和稀疏自编码的遥感图像检索方法及系统

摘要

一种基于显著点特征和稀疏自编码的遥感图像检索方法及系统，包括提取图像库中各图像的特征点得到特征点矩阵，并利用视觉注意模型计算各图像的显著图；采用自适应阈值法将显著图二值化，并与特征点矩阵进行掩膜运算得到过滤后的显著特征点；从各训练图像分别选取若干显著特征点构造训练样本，根据白化后的训练样本集训练稀疏自编码网络，得到特征提取器；利用特征提取器进行特征提取，并用阈值函数对提取的图像特征进行稀疏化处理，得到最终的用于检索的特征向量；基于提取的特征向量，根据预设的相似性度量准则进行图像检索。本发明通过训练的稀疏自编码网络实现了图像特征的自动提取，并且提取的特征具有很好的识别力，保证了检索查准率。

主权项

1.一种基于显著点特征和稀疏自编码的遥感图像检索方法，其特征在于：包括以下步骤，步骤1，提取图像库中各图像的特征点得到特征点矩阵，并利用视觉注意模型计算各图像的显著图；步骤2，对于图像库中各图像的显著图，分别采用自适应阈值法将显著图二值化，并与图像相应的特征点矩阵进行掩膜运算得到过滤后的显著特征点；实现方式如下，采用自适应阈值法将显著图二值化时，根据显著图像素的显著性大小，确定显著图的二值化阈值T如下，其中，w和h分别表示显著图的宽和高，I(x,y)表示显著图像素(x,y)的显著值；设根据二值化阈值T对显著图二值化，得到二值化显著图，相应有矩阵Ibinary，设P表示图像的特征点矩阵，PI表示过滤后的显著特征点矩阵，计算显著特征点矩阵如下，步骤3，从图像库中取若干图像作为训练图像，从各训练图像分别选取若干显著特征点构造训练样本，得到训练样本集X，根据白化后的训练样本集X′训练稀疏自编码网络，得到特征提取器；所述稀疏自编码网络输入层、隐含层以及输出层，其中隐含层神经元采用ReLU函数作为激活函数，输出层神经元采用softplus函数作为激活函数，稀疏自编码网络的代价函数定义如下，其中，第一项为均方误差项，第二项为正则项，HW,b表示训练样本集X′的网络输出值，W＝[W1,W2]和b＝[b1,b2]分别表示网络输入层和隐含层间的权重W1和偏置b1以及隐含层和输出层间的权重W2和偏置b2构成的权重矩阵，λ表示正则项系数；步骤4，对图像库中的所有图像，利用步骤3训练所得的特征提取器进行特征提取，并用阈值函数对提取的图像特征进行稀疏化处理，得到最终的用于检索的特征向量；实现方式如下，提取的图像特征Y表示如下，Y＝f1(W1PI′+b1)其中，f1()为ReLU函数，显著特征点矩阵PI′是根据步骤2所得过滤后的显著特征点矩阵PI白化后的结果；对于提取的图像特征Y，进行如下稀疏化处理得到稀疏特征矩阵Z，Z＝[Z+,Z‑]＝[max(0,Y‑α),max(0,α‑Y)]其中，α表示阈值函数的阈值，矩阵Z+＝max(0,Y‑α)，Z‑＝max(0,α‑Y)；设从一幅图像检测到的SIFT点个数是n个，对稀疏特征矩阵Z进一步处理，得到特征向量F如下，其中，和分别表示矩阵Z₊和Z_‑的第i个列向量；步骤5，基于步骤4提取的特征向量，根据预设的相似性度量准则进行图像检索。