一種高分辨率遙感圖像場(chǎng)景分類(lèi)方法
【專(zhuān)利摘要】本發(fā)明涉及一種利用視覺(jué)單詞分布圖的局部二值模式直方圖進(jìn)行特征表達(dá)的高分辨率遙感圖像場(chǎng)景分類(lèi)方法，其步驟：對(duì)于給定的高分辨率遙感圖像生成場(chǎng)景子圖像集合，并建立場(chǎng)景訓(xùn)練樣本集；對(duì)訓(xùn)練樣本集中的子圖像進(jìn)行密集格網(wǎng)采樣并提取局部特征，進(jìn)行K均值聚類(lèi)，構(gòu)建視覺(jué)詞典；對(duì)場(chǎng)景訓(xùn)練樣本集中的每一幅子圖像進(jìn)行視覺(jué)單詞映射，生成視覺(jué)單詞分布圖，并對(duì)其進(jìn)行LBP變換，得到視覺(jué)單詞分布圖的LBP直方圖表示；運(yùn)用SVM算法生成高分辨率遙感圖像場(chǎng)景分類(lèi)模型，并對(duì)給定的待分類(lèi)高分辨率遙感圖像進(jìn)行場(chǎng)景分類(lèi)得到場(chǎng)景分類(lèi)圖。本發(fā)明提升了視覺(jué)單詞分布圖的信息利用度，同時(shí)能夠給出待分類(lèi)高分辨率遙感圖像的場(chǎng)景分類(lèi)結(jié)果圖。
【專(zhuān)利說(shuō)明】一種高分辨率遙感圖像場(chǎng)景分類(lèi)方法
[0001]【技術(shù)領(lǐng)域】本發(fā)明涉及高分辨率遙感圖像場(chǎng)景分類(lèi)【技術(shù)領(lǐng)域】，具體的說(shuō)是一種利用視覺(jué)單詞分布圖的局部二值模式直方圖進(jìn)行特征表達(dá)的高分辨率遙感圖像場(chǎng)景分類(lèi)方法。
[0002]【背景技術(shù)】近幾年來(lái)，隨著成像分辨率的進(jìn)一步提高，可供使用的超高分辨率遙感衛(wèi)星也越來(lái)越多，所獲得的高分辨率遙感圖像的空間信息更加豐富，空間關(guān)系特征變得更加具體和細(xì)致，地物目標(biāo)的幾何結(jié)構(gòu)和紋理信息更加明顯，人工目標(biāo)的大小接近高分辨率遙感圖像分辨率的大小，一些人為因素影響下的復(fù)雜的多覆蓋類(lèi)型的土地利用場(chǎng)景(如機(jī)場(chǎng)，碼頭，停車(chē)場(chǎng)等)在圖像中能夠清晰地呈現(xiàn)出來(lái)。
[0003]在這樣形勢(shì)下，傳統(tǒng)的基于像元或?qū)ο蠡母叻直媛蔬b感圖像場(chǎng)景分類(lèi)方法出現(xiàn)了新的挑戰(zhàn)，原本同質(zhì)的區(qū)域在高分辨率遙感圖像中表現(xiàn)出異質(zhì)性，使傳統(tǒng)的分類(lèi)方法對(duì)類(lèi)別的描述變得更加困難。同時(shí)，針對(duì)區(qū)域的場(chǎng)景內(nèi)容整體識(shí)別和分類(lèi)成為人們更感興趣的內(nèi)容。近年來(lái)的視覺(jué)詞包BOVW(bag-of-visual-words)模型在圖像場(chǎng)景分析和圖像場(chǎng)景分類(lèi)的應(yīng)用中取得了巨大成功，通過(guò)圖像的視覺(jué)單詞分布來(lái)表達(dá)圖像場(chǎng)景內(nèi)容，為圖像場(chǎng)景分類(lèi)提供基礎(chǔ)數(shù)據(jù)。然而，目前針對(duì)高分辨率遙感圖像場(chǎng)景分類(lèi)的研究都只是針對(duì)小圖像集進(jìn)行研究，缺少對(duì)整幅遙感圖像進(jìn)行場(chǎng)景分類(lèi)的技術(shù)；所使用的視覺(jué)詞包特征也多是基于視覺(jué)單詞分布圖進(jìn)行總體的直方圖統(tǒng)計(jì)或進(jìn)行基于子區(qū)域的直方圖統(tǒng)計(jì)，對(duì)于視覺(jué)單詞分布圖的利用度不足。
[0004]
【發(fā)明內(nèi)容】
本發(fā)明公開(kāi)一種新的技術(shù)方案，要解決的技術(shù)問(wèn)題是如何利用視覺(jué)單詞分布圖來(lái)進(jìn)行高分辨率遙感圖像場(chǎng)景分類(lèi)。本發(fā)明提供一種利用視覺(jué)單詞分布圖的局部二值模式LBP(Local Binary Pattern)直方圖進(jìn)行特征表達(dá)的高分辨率遙感圖像場(chǎng)景分類(lèi)方法，其與以往方法相比，最大的不同是能夠?qū)Υ蠓叻直媛蔬b感圖像進(jìn)行場(chǎng)景分類(lèi)得到場(chǎng)景分布結(jié)果圖，而以往的方法只是針對(duì)小塊場(chǎng)景圖像進(jìn)行分類(lèi)得到場(chǎng)景類(lèi)別；另外，所使用的BOVW特征也是在原有的視覺(jué)詞包分布圖的基礎(chǔ)上又進(jìn)行了 LBP變換，將變換后的結(jié)果直方圖最為新的特征，而以往的方法則是直接利用視覺(jué)單詞分布圖的直方圖進(jìn)行場(chǎng)景內(nèi)容特征表示。
[0005]為了實(shí)現(xiàn)所述的目的，本發(fā)明的技術(shù)解決方案是:
[0006](I)對(duì)于給定的高分辨率遙感圖像生成場(chǎng)景子圖像集合，并建立場(chǎng)景訓(xùn)練樣本集;
[0007](2)對(duì)上述場(chǎng)景訓(xùn)練樣本集中的子圖像進(jìn)行密集格網(wǎng)采樣，并提取局部特征；
[0008](3)將上述得到的局部特征進(jìn)行K均值聚類(lèi)，將每一個(gè)聚類(lèi)中心作為一個(gè)視覺(jué)單詞，將這K個(gè)聚類(lèi)中心的取值及其對(duì)應(yīng)的視覺(jué)單詞編號(hào)作為視覺(jué)詞典，K為正整數(shù)，K的取值范圍為300?1000 ；
[0009](4)對(duì)上述場(chǎng)景訓(xùn)練樣本集中的每一幅子圖像進(jìn)行視覺(jué)單詞映射，生成視覺(jué)單詞分布圖；
[0010](5)對(duì)上述生成的視覺(jué)單詞分布圖作為圖像進(jìn)行LBP變換，得到視覺(jué)單詞分布圖的LBP直方圖表示；
[0011](6)將上述場(chǎng)景訓(xùn)練樣本集中每幅子圖像的視覺(jué)單詞分布圖的LBP直方圖表示和場(chǎng)景子圖像對(duì)應(yīng)的場(chǎng)景類(lèi)別編號(hào)作為訓(xùn)練數(shù)據(jù)，運(yùn)用支持向量機(jī)SVM(Supp0rt VectorMachine)算法生成高分辨率遙感圖像場(chǎng)景分類(lèi)模型；
[0012](7)根據(jù)上述高分辨率遙感圖像場(chǎng)景分類(lèi)模型，對(duì)原始給定的待分類(lèi)高分辨率遙感圖像進(jìn)行場(chǎng)景分類(lèi)。
[0013]進(jìn)一步，高分辨率遙感圖像場(chǎng)景子圖像集合的生成和場(chǎng)景訓(xùn)練樣本集的建立包括以下步驟:
[0014]I)給定一幅高分辨率遙感圖像，按照MXN的行列數(shù)對(duì)該圖像進(jìn)行均勻格網(wǎng)劃分，得到MXN幅場(chǎng)景子圖像，作為高分辨率遙感圖像場(chǎng)景子圖像集合，M和N均為正整數(shù)。定義“\”為取整符號(hào)。對(duì)于分辨率大于等于5米且小于10米的高分辨率遙感圖像，M=圖像行上像元數(shù)\32，N =圖像列上像元數(shù)\32 ;對(duì)于分辨率小于5米且大于等于I米的高分辨遙感圖像,M =圖像行上像元數(shù)\64，N =圖像列上像元數(shù)\64 ;對(duì)于分辨率小于I米的高分辨率遙感圖像，M =圖像行上像元數(shù)\128，N =圖像列上像元數(shù)\128 ；
[0015]2)根據(jù)給定的高分辨率遙感圖像中實(shí)際的場(chǎng)景類(lèi)型定義C個(gè)土地利用場(chǎng)景類(lèi)別，類(lèi)別編號(hào)為I~C，C為正整數(shù)，對(duì)于每一個(gè)類(lèi)別分別選取Ti幅場(chǎng)景子圖像作為場(chǎng)景訓(xùn)練樣本集，其中i = 1,2，…，C，Ti為正整數(shù)，且不大于第i類(lèi)樣本總數(shù)。
[0016]進(jìn)一步，對(duì)場(chǎng)景訓(xùn)練樣本集中的子圖像進(jìn)行密集格網(wǎng)采樣并提取每一個(gè)采樣區(qū)域的局部特征包括以下步驟: [0017]I)對(duì)場(chǎng)景訓(xùn)練樣本集中的子圖像按照WX W的窗口大小和SXS滑動(dòng)步長(zhǎng)從左到右逐次提取圖像塊，其中W和S為正整數(shù)，對(duì)于分辨率大于等于5米且小于10米的高分辨率遙感圖像，W = 32, S= 16 ;對(duì)于分辨率小于5米且大于等于I米的高分辨遙感圖像，W =64，S = 32 ;對(duì)于分辨率小于I米的高分辨率遙感圖像，W = 128，S = 64。2)光譜特征采用光譜均值，紋理特征采用Gabor特征，空間特征采用SIFT特征，對(duì)所有的圖像塊提取局部特征。
[0018]進(jìn)一步，視覺(jué)單詞分布圖的生成包括以下步驟:
[0019]對(duì)于場(chǎng)景訓(xùn)練樣本集中每一幅子圖像所得到的圖像塊，計(jì)算其局部特征與視覺(jué)詞典中的每個(gè)視覺(jué)單詞所對(duì)應(yīng)特征值之間的歐式距離，找出歐式距離最小的視覺(jué)單詞的編號(hào)，并將其作為相應(yīng)的圖像塊的視覺(jué)單詞映射結(jié)果，從而每一幅場(chǎng)景子圖像都會(huì)得到對(duì)應(yīng)的視覺(jué)單詞分布圖。
[0020]進(jìn)一步，根據(jù)高分辨率遙感圖像場(chǎng)景分類(lèi)模型，對(duì)原始給定的待分類(lèi)高分辨率遙感圖像進(jìn)行場(chǎng)景分類(lèi)包括以下步驟:
[0021]I)對(duì)原始給定的待分類(lèi)高分辨率遙感圖像，提取其中所有場(chǎng)景子圖像的視覺(jué)單詞分布圖的LBP直方圖表示；
[0022]2)利用SVM分類(lèi)模型對(duì)原始給定的待分類(lèi)高分辨率遙感圖像中個(gè)場(chǎng)景子圖像的場(chǎng)景類(lèi)型進(jìn)行判定，得到最終的場(chǎng)景分類(lèi)結(jié)果圖。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0023]圖1為本發(fā)明基于視覺(jué)單詞分布圖的LBP直方圖特征表達(dá)進(jìn)行高分辨率遙感圖像場(chǎng)景分類(lèi)的流程圖?！揪唧w實(shí)施方式】
[0024]本發(fā)明所使用的高分辨率遙感圖像數(shù)據(jù)可以是任何一種空間分辨率小于10米的高分辨率遙感數(shù)據(jù)。下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行具體描述。圖1為本發(fā)明基于視覺(jué)單詞分布圖的LBP直方圖特征表達(dá)進(jìn)行高分辨率遙感圖像場(chǎng)景分類(lèi)的流程圖，具體步驟包括:
[0025](I)對(duì)于給定的高分辨率遙感圖像生成場(chǎng)景子圖像集合，并建立場(chǎng)景訓(xùn)練樣本集。步驟如下:
[0026](1.1)給定一幅高分辨率遙感圖像，按照MXN的行列數(shù)對(duì)該圖像進(jìn)行均勻格網(wǎng)劃分，得到MXN幅場(chǎng)景子圖像，作為高分辨率遙感圖像場(chǎng)景子圖像集合，M和N均為正整數(shù)。定義“\”為取整符號(hào)。對(duì)于分辨率大于等于5米且小于10米的高分辨率遙感圖像，M=圖像行上像元數(shù)\32，N =圖像列上像元數(shù)\32 ;對(duì)于分辨率小于5米且大于等于I米的高分辨遙感圖像，M =圖像行上像元數(shù)\64，N =圖像列上像元數(shù)\64 ;對(duì)于分辨率小于I米的高分辨率遙感圖像，M =圖像行上像元數(shù)\128，N =圖像列上像元數(shù)\128 ；
[0027](1.2)根據(jù)給定的高分辨率遙感圖像中實(shí)際的場(chǎng)景類(lèi)型定義C個(gè)土地利用場(chǎng)景類(lèi)另IJ，類(lèi)別編號(hào)為I?C，C為正整數(shù)，對(duì)于每一個(gè)類(lèi)別分別選取Ti (i = 1,2, -,C)幅場(chǎng)景子圖像作為場(chǎng)景訓(xùn)練樣本集，Ti為正整數(shù)，且不大于第i類(lèi)樣本總數(shù)。
[0028](2)對(duì)上述場(chǎng)景訓(xùn)練樣本集中的子圖像進(jìn)行密集格網(wǎng)采樣，并提取每一個(gè)采樣區(qū)域的局部特征。步驟如下:
[0029](2.1)對(duì)場(chǎng)景訓(xùn)練樣本集中的子圖像按照WXW(W為正整數(shù))的窗口大小和SXS(S為正整數(shù))滑動(dòng)步長(zhǎng)從左到右逐次提取圖像塊，建議取W為2的整數(shù)次冪，取S =W/2。對(duì)于分辨率大于等于5米且小于10米的高分辨率遙感圖像，W = 32，S = 16 ;對(duì)于分辨率小于5米且大于等于I米的高分辨遙感圖像，W = 64，S = 32 ;對(duì)于分辨率小于I米的高分辨率遙感圖像，W = 128，S = 64。
[0030](2.2)采用光譜、紋理、空間特征提取算法中的一種，本發(fā)明建議光譜特征采用光譜均值，紋理特征采用Gabor特征，空間特征采用SIFT特征，對(duì)所有的圖像塊提取局部特征。
[0031](3)將上述得到的局部特征進(jìn)行K均值聚類(lèi)，將每一個(gè)聚類(lèi)中心作為一個(gè)視覺(jué)單詞，將這K個(gè)聚類(lèi)中心的取值及其對(duì)應(yīng)的視覺(jué)單詞編號(hào)作為視覺(jué)詞典，K為正整數(shù)，建議取300 ?1000。
[0032](4)對(duì)上述場(chǎng)景訓(xùn)練樣本集中的每一幅子圖像進(jìn)行視覺(jué)單詞映射，生成視覺(jué)單詞分布圖。步驟如下:
[0033](4.1)對(duì)于步驟(2)中場(chǎng)景訓(xùn)練樣本集中每一幅子圖像所得到的圖像塊，計(jì)算其局部特征與視覺(jué)詞典中的每個(gè)視覺(jué)單詞所對(duì)應(yīng)特征值之間的歐式距離，找出歐式距離最小的視覺(jué)單詞的編號(hào)，并將其作為相應(yīng)的圖像塊的視覺(jué)單詞映射結(jié)果，從而場(chǎng)景子圖像中的每一個(gè)圖像塊的位置上都被賦予一個(gè)視覺(jué)單詞編號(hào)，最后得到每一幅場(chǎng)景子圖像的視覺(jué)單詞分布圖。
[0034](5)對(duì)上述生成的視覺(jué)單詞分布圖作為圖像進(jìn)行LBP變換，得到視覺(jué)單詞分布圖的LBP直方圖表示。
[0035](6)將上述場(chǎng)景訓(xùn)練樣本集中每幅子圖像的視覺(jué)單詞分布圖的LBP直方圖表示和場(chǎng)景子圖像對(duì)應(yīng)的場(chǎng)景類(lèi)別編號(hào)作為訓(xùn)練數(shù)據(jù)，運(yùn)用目前廣泛使用的SVM算法生成高分辨率遙感圖像場(chǎng)景分類(lèi)模型。
[0036](7)根據(jù)上述高分辨率遙感圖像場(chǎng)景分類(lèi)模型，對(duì)原始給定的待分類(lèi)高分辨率遙感圖像進(jìn)行場(chǎng)景分類(lèi)。
[0037](7.1)對(duì)原始給定的待分類(lèi)高分辨率遙感圖像，采用步驟(4)和(5)所述的方法提取其中所有場(chǎng)景子圖像的視覺(jué)單詞分布圖的LBP直方圖表示；
[0038](7.2)利用步驟(6)中得到的SVM分類(lèi)模型對(duì)原始給定的待分類(lèi)高分辨率遙感圖像中個(gè)場(chǎng)景子圖像的場(chǎng)景類(lèi)型進(jìn)行判定，得到最終的場(chǎng)景分類(lèi)結(jié)果圖。
[0039]應(yīng)當(dāng)指出，以上所述【具體實(shí)施方式】可以使本領(lǐng)域的技術(shù)人員更全面地理解本發(fā)明，但不以任何方式限制本發(fā)明。因此，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，仍然可以對(duì)本發(fā)明進(jìn)行修改或者等同替換；而一切不脫離本發(fā)明的精神和技術(shù)實(shí)質(zhì)的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明專(zhuān)利的保護(hù)范圍當(dāng)中。
【權(quán)利要求】
1.一種高分辨率遙感圖像場(chǎng)景分類(lèi)方法，該方法利用視覺(jué)單詞分布圖的局部二值模式LBP(Local Binary Pattern)直方圖進(jìn)行特征表達(dá),其特征在于包括以下步驟: (1)對(duì)于給定的高分辨率遙感圖像生成場(chǎng)景子圖像集合，并建立場(chǎng)景訓(xùn)練樣本集； (2)對(duì)上述場(chǎng)景訓(xùn)練樣本集中的子圖像進(jìn)行密集格網(wǎng)采樣，并提取局部特征； (3)將上述得到的局部特征進(jìn)行K均值聚類(lèi)，將每一個(gè)聚類(lèi)中心作為一個(gè)視覺(jué)單詞，將這K個(gè)聚類(lèi)中心的取值及其對(duì)應(yīng)的視覺(jué)單詞編號(hào)作為視覺(jué)詞典，K為正整數(shù)，K的取值范圍為 300 ~1000 ； (4)對(duì)上述場(chǎng)景訓(xùn)練樣本集中的每一幅子圖像進(jìn)行視覺(jué)單詞映射，生成視覺(jué)單詞分布圖； (5)對(duì)上述生成的視覺(jué)單詞分布圖作為圖像進(jìn)行LBP變換，得到視覺(jué)單詞分布圖的LBP直方圖表不; (6)將上述場(chǎng)景訓(xùn)練樣本集中每幅子圖像的視覺(jué)單詞分布圖的LBP直方圖表示和場(chǎng)景子圖像對(duì)應(yīng)的場(chǎng)景類(lèi)別編號(hào)作為訓(xùn)練數(shù)據(jù)，運(yùn)用支持向量機(jī)SVM(Supp0rt VectorMachine)算法生成高分辨率遙感圖像場(chǎng)景分類(lèi)模型； (7)根據(jù)上述高分辨率遙感圖像場(chǎng)景分類(lèi)模型，對(duì)原始給定的待分類(lèi)高分辨率遙感圖像進(jìn)行場(chǎng)景分類(lèi)。
2.按權(quán)利要求1所述的方法，其特征在于高分辨率遙感圖像場(chǎng)景子圖像集合的生成和場(chǎng)景訓(xùn)練樣本集的建立包括以下步驟: 1)給定一幅高分辨率遙感圖像，按照MXN的行列數(shù)對(duì)該圖像進(jìn)行均勻格網(wǎng)劃分，得到MXN幅場(chǎng)景子圖像，作為高分辨率遙感圖像場(chǎng)景子圖像集合，M和N均為正整數(shù)。定義“\”為取整符號(hào)。對(duì)于分辨率大于等于5米且小于10米的高分辨率遙感圖像，M =圖像行上像元數(shù)\32，N =圖像列上像元數(shù)\32 ;對(duì)于分辨率小于5米且大于等于I米的高分辨遙感圖像，M =圖像行上像元數(shù)\64，N =圖像列上像元數(shù)\64 ;對(duì)于分辨率小于I米的高分辨率遙感圖像，M =圖像行上像元數(shù)\128，N =圖像列上像元數(shù)\128 ； 2)根據(jù)給定的高分辨率遙感圖像中實(shí)際的場(chǎng)景類(lèi)型定義C個(gè)土地利用場(chǎng)景類(lèi)別，類(lèi)別編號(hào)為I~C，C為正整數(shù)，對(duì)于每一個(gè)類(lèi)別分別選取Ti幅場(chǎng)景子圖像作為場(chǎng)景訓(xùn)練樣本集，其中i = 1，2，…，C，Ti為正整數(shù)，且不大于第i類(lèi)樣本總數(shù)。
3.按權(quán)利要求1所述的方法，其特征在于對(duì)場(chǎng)景訓(xùn)練樣本集中的子圖像進(jìn)行密集格網(wǎng)采樣并提取每一個(gè)采樣區(qū)域的局部特征包括以下步驟: 1)對(duì)場(chǎng)景訓(xùn)練樣本集中的子圖像按照WXW的窗口大小和SXS滑動(dòng)步長(zhǎng)從左到右逐次提取圖像塊，其中W和S為正整數(shù)，對(duì)于分辨率大于等于5米且小于10米的高分辨率遙感圖像，W = 32, S = 16 ;對(duì)于分辨率小于5米且大于等于I米的高分辨遙感圖像，W = 64, S=32 ;對(duì)于分辨率小于I米的高分辨率遙感圖像，W = 128，S = 64。 2)光譜特征采用光譜均值，紋理特征采用Gabor特征，空間特征采用SIFT特征，對(duì)所有的圖像塊提取局部特征。
4.按權(quán)利要求1所述的方法，其特征在于視覺(jué)單詞分布圖的生成包括以下步驟: 對(duì)于場(chǎng)景訓(xùn)練樣本集中每一幅子圖像所得到的圖像塊，計(jì)算其局部特征與視覺(jué)詞典中的每個(gè)視覺(jué)單詞所對(duì)應(yīng)特征值之間的歐式距離，找出歐式距離最小的視覺(jué)單詞的編號(hào)，并將其作為相應(yīng)的圖像塊的視覺(jué)單詞映射結(jié)果，從而每一幅場(chǎng)景子圖像都會(huì)得到對(duì)應(yīng)的視覺(jué)單詞分布圖。
5.按權(quán)利要求1所述的方法，其特征在于根據(jù)高分辨率遙感圖像場(chǎng)景分類(lèi)模型，對(duì)原始給定的待分類(lèi)高分辨率遙感圖像進(jìn)行場(chǎng)景分類(lèi)包括以下步驟: 1)對(duì)原始給定的待分類(lèi)高分辨率遙感圖像，提取其中所有場(chǎng)景子圖像的視覺(jué)單詞分布圖的LBP直方圖表示； 2)利用SVM分類(lèi)模型對(duì)原始給定的待分類(lèi)高分辨率遙感圖像中個(gè)場(chǎng)景子圖像的場(chǎng)景類(lèi)型進(jìn)行判定，得到最終 的場(chǎng)景分類(lèi)結(jié)果圖。
【文檔編號(hào)】G06K9/62GK103984963SQ201410241022
【公開(kāi)日】2014年8月13日 申請(qǐng)日期:2014年5月30日 優(yōu)先權(quán)日:2014年5月30日
【發(fā)明者】唐娉, 霍連志, 趙理君, 周增光, 胡昌苗, 鄭柯 申請(qǐng)人:中國(guó)科學(xué)院遙感與數(shù)字地球研究所