[发明专利]一种基于SIFT训练样本提取的遥感图像全监督分类方法

摘要

本发明涉及一种基于SIFT(Scale Invariant Feature Transform)训练样本提取的遥感图像全监督分类方法，包括以下步骤：对初始图像的幅度数据归一化处理，得到归一化图像；利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点，作为候选样本；计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值分割处理得到训练样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本，即测试样本；利用SIFT所提取训练样本特征，对支持向量机SVM(Support Vector Machine)分类器进行训练，产生最优分类面；通过最优分类面，对未知类别的测试样本的简单纹理特征进行分类，得到最终的分类结果；本发明适合复杂地形区域的地表分类，拥有较高的分类精度，具有良好的推广性。

主权项

1.一种基于SIFT训练样本提取的遥感图像全监督分类方法，其特征在于包括以下几个步骤：(1)对初始图像的幅度数据归一化处理，得到归一化图像；(2)利用SIFT(Scale Invariant Feature Transform)和拉普拉斯细节增强算子提取归一化图像中的关键点，作为候选样本；(3)计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值分割处理得到训练样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本，即测试样本；(4)利用SIFT所提取训练样本特征，对支持向量机SVM(Support Vector Machine)分类器进行训练，产生最优分类面；(5)通过最优分类面，对未知类别的测试样本的简单纹理特征进行分类，得到最终的分类结果；所述步骤(1)中对初始图像的幅度数据归一化处理的过程具体为：归一化公式为：其中，min()表示最小值，max()表示最大值，R为初始图像，RNorm为对应的幅度数据归一化后的表示；选取RNorm的幅度值在(0，eps)范围内的的数据作为实验数据，其中eps代表RNorm上界，取值范围为0到1，RNorm中大于eps的数据都设置为eps；所述步骤(3)中计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值分割处理得到训练样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本，即测试样本的过程具体为：首先计算归一化图像RNorm的简单纹理特征，即每一个像素点邻域内均值和方差，然后对从步骤(2)中得到的候选样本的灰度值做阈值分割处理得到训练样本坐标，对应的简单纹理特征作为训练集，其他的归一化图像RNorm的简单纹理特征作为测试集。