[发明专利]一种基于地理标记图像的遥感图像迁移学习方法有效

专利信息
申请号: 201710753973.6 申请日: 2017-08-29
公开(公告)号: CN107578003B 公开(公告)日: 2020-04-14
发明(设计)人: 霍连志;唐娉;赵理君 申请(专利权)人: 中国科学院遥感与数字地球研究所
主分类号: G06K9/00 分类号: G06K9/00;G06K9/46;G06K9/62
代理公司: 北京亿腾知识产权代理事务所(普通合伙) 11309 代理人: 陈霁
地址: 100101 北京市朝阳区大屯*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明提供一种基于地理标记图像的遥感图像迁移学习方法。该方法可以通过对地理标记图像进行位置信息的提取以及类别信息的识别,进而迁移为遥感图像的样本信息,从而为遥感图像分类服务。该方法包括以下步骤:对收集的地理标记图像去除一些与场景无关的图像;使用视觉词汇模型对地理标记图像进行识别,得到图像识别类别信息;对地理标记图像读取其地理位置信息,进而映射到待处理的遥感图像上;对获得的图像识别类别信息,根据遥感图像重新进行类别映射;增加新获取的样本周围光谱相似的像素作为新的样本信息;使用获得的样本信息,训练支持向量机分类器,并对遥感图像进行分类,完成从地理标记图像到遥感图像的迁移学习。
搜索关键词: 一种 基于 地理 标记 图像 遥感 迁移 学习方法
【主权项】:
一种基于地理标记图像的遥感图像迁移学习方法,其特征在于包括以下步骤:A对收集的地理标记图像去除与场景无关的一些图像;图像的地理标记标出了用户拍摄时的地理位置,但是图像的内容并不显示拍摄位置的地表覆盖类型,因而这些图像对遥感图像的分类并没有帮助,需要去除掉这类的图像;B使用视觉词汇模型对地理标记图像进行识别,得到图像识别类别信息;首先使用提取图像中的局部兴趣点(比如SIFT算子),对所有图像中的局部兴趣点使用某种聚类算法(如Kmeans)进行聚类,得到k(k可取100,200,500等整数)个聚类中心,这些聚类中心称为视觉词汇;然后每幅图像可以对所提取的每个局部兴趣点与这k个视觉词汇进行欧式距离的相似性比对,获得每个局部兴趣点最相似的某个视觉词汇,进而把每幅图像由不同局部兴趣点的分布表示映射为视觉词汇的分布表示;统计每幅图像中视觉词汇的统计直方图,得到每幅图像新的特征表示方法;使用直方图相似性计算方法,进而可以对两幅不同的图像进行相似性比对,进行图像内容的分类识别;C对地理标记图像读取其地理位置信息,并映射到待处理的遥感图像上;读取地理标记图像的地理位置字段,以经纬度的方式存储;然后需要根据所处理的遥感图像的投影方式,对每幅图像所提取的经纬度坐标,经投影转换,映射到遥感图像上某个具体像素,建立起自然场景图像拍摄位置与遥感图像上某个像素位置的对应关系;D对步骤B中得到图像识别类别信息,根据待处理的遥感图像分类任务重新进行类别映射;对步骤B中的图像理解的类别信息,进行重组、映射到待处理遥感图像的地表覆盖分类体系上,通过类似的类别组织、映射,把自然场景图像理解的分类类别信息转换为满足遥感图像地表覆盖分类需求的分类体系;E对结合步骤C和步骤D得到的遥感图像上所有的初始样本集,在其周围开取3×3的窗口;窗口内所有与中心像素光谱值差异小于一定阈值的像素,则增加为新的样本,得到适应遥感图像的最终训练样本集;F利用步骤E中最终得到的遥感图像训练样本集,训练一个支持向量机分类器;然后使用训练得到的分类器,对整幅遥感图像进行分类,完成从地理标记图像获取样本,并对待处理的遥感图像进行自动分类的迁移学习过程。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院遥感与数字地球研究所,未经中国科学院遥感与数字地球研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201710753973.6/,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top