一種高分辨率遙感圖像場景分類方法技術

本發明專利技術涉及一種利用視覺單詞分布圖的局部二值模式直方圖進行特征表達的高分辨率遙感圖像場景分類方法，其步驟：對于給定的高分辨率遙感圖像生成場景子圖像集合，并建立場景訓練樣本集；對訓練樣本集中的子圖像進行密集格網采樣并提取局部特征，進行K均值聚類，構建視覺詞典；對場景訓練樣本集中的每一幅子圖像進行視覺單詞映射，生成視覺單詞分布圖，并對其進行LBP變換，得到視覺單詞分布圖的LBP直方圖表示；運用SVM算法生成高分辨率遙感圖像場景分類模型，并對給定的待分類高分辨率遙感圖像進行場景分類得到場景分類圖。本發明專利技術提升了視覺單詞分布圖的信息利用度，同時能夠給出待分類高分辨率遙感圖像的場景分類結果圖。

【技術實現步驟摘要】
一種高分辨率遙感圖像場景分類方法
本專利技術涉及高分辨率遙感圖像場景分類
，具體的說是一種利用視覺單詞分布圖的局部二值模式直方圖進行特征表達的高分辨率遙感圖像場景分類方法。
技術介紹
近幾年來，隨著成像分辨率的進一步提高，可供使用的超高分辨率遙感衛星也越來越多，所獲得的高分辨率遙感圖像的空間信息更加豐富，空間關系特征變得更加具體和細致，地物目標的幾何結構和紋理信息更加明顯，人工目標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雜的多覆蓋類型的土地利用場景(如機場，碼頭，停車場等)在圖像中能夠清晰地呈現出來。在這樣形勢下，傳統的基于像元或對象基元的高分辨率遙感圖像場景分類方法出現了新的挑戰，原本同質的區域在高分辨率遙感圖像中表現出異質性，使傳統的分類方法對類別的描述變得更加困難。同時，針對區域的場景內容整體識別和分類成為人們更感興趣的內容。近年來的視覺詞包BOVW(bag-of-visual-words)模型在圖像場景分析和圖像場景分類的應用中取得了巨大成功，通過圖像的視覺單詞分布來表達圖像場景內容，為圖像場景分類提供基礎數據。然而，目前針對高分辨率遙感圖像場景分類的研究都只是針對小圖像集進行研究，缺少對整幅遙感圖像進行場景分類的技術；所使用的視覺詞包特征也多是基于視覺單詞分布圖進行總體的直方圖統計或進行基于子區域的直方圖統計，對于視覺單詞分布圖的利用度不足。
技術實現思路
本專利技術公開一種新的技術方案，要解決的技術問題是如何利用視覺單詞分布圖來進行高分辨率遙感圖像場景分類。本專利技術提供一種利用視覺單詞分布圖的局部二值模式LBP(LocalBinaryPattern)直方圖進行特征表達的高分辨率遙感圖像場景分類方法，其與以往方法相比，最大的不同是能夠對大幅高分辨率遙感圖像進行場景分類得到場景分布結果圖，而以往的方法只是針對小塊場景圖像進行分類得到場景類別；另外，所使用的BOVW特征也是在原有的視覺詞包分布圖的基礎上又進行了LBP變換，將變換后的結果直方圖最為新的特征，而以往的方法則是直接利用視覺單詞分布圖的直方圖進行場景內容特征表示。為了實現所述的目的，本專利技術的技術解決方案是：(1)對于給定的高分辨率遙感圖像生成場景子圖像集合，并建立場景訓練樣本集；(2)對上述場景訓練樣本集中的子圖像進行密集格網采樣，并提取局部特征；(3)將上述得到的局部特征進行K均值聚類，將每一個聚類中心作為一個視覺單詞，將這K個聚類中心的取值及其對應的視覺單詞編號作為視覺詞典，K為正整數，K的取值范圍為300～1000；(4)對上述場景訓練樣本集中的每一幅子圖像進行視覺單詞映射，生成視覺單詞分布圖；(5)對上述生成的視覺單詞分布圖作為圖像進行LBP變換，得到視覺單詞分布圖的LBP直方圖表示；(6)將上述場景訓練樣本集中每幅子圖像的視覺單詞分布圖的LBP直方圖表示和場景子圖像對應的場景類別編號作為訓練數據，運用支持向量機SVM(SupportVectorMachine)算法生成高分辨率遙感圖像場景分類模型；(7)根據上述高分辨率遙感圖像場景分類模型，對原始給定的待分類高分辨率遙感圖像進行場景分類。進一步，高分辨率遙感圖像場景子圖像集合的生成和場景訓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M×N的行列數對該圖像進行均勻格網劃分，得到M×N幅場景子圖像，作為高分辨率遙感圖像場景子圖像集合，M和N均為正整數。定義“\”為向下取整符號。對于分辨率大于等于5米且小于10米的高分辨率遙感圖像，M＝圖像行上像元數\32，N＝圖像列上像元數\32；對于分辨率小于5米且大于等于1米的高分辨遙感圖像，M＝圖像行上像元數\64，N＝圖像列上像元數\64；對于分辨率小于1米的高分辨率遙感圖像，M＝圖像行上像元數\128，N＝圖像列上像元數\128；2)根據給定的高分辨率遙感圖像中實際的場景類型定義C個土地利用場景類別，類別編號為1～C，C為正整數，對于每一個類別分別選取Ti幅場景子圖像作為場景訓練樣本集，其中i＝1，2，…，C，Ti為正整數，且不大于第i類樣本總數。進一步，對場景訓練樣本集中的子圖像進行密集格網采樣并提取每一個采樣區域的局部特征包括以下步驟：1)對場景訓練樣本集中的子圖像按照W×W的窗口大小和S×S滑動步長從左到右逐次提取圖像塊，其中W和S為正整數，對于分辨率大于等于5米且小于10米的高分辨率遙感圖像，W＝32，S＝16；對于分辨率小于5米且大于等于1米的高分辨遙感圖像，W＝64，S＝32；對于分辨率小于1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，對所有的圖像塊提取局部特征。進一步，視覺單詞分布圖的生成包括以下步驟：對于場景訓練樣本集中每一幅子圖像所得到的圖像塊，計算其局部特征與視覺詞典中的每個視覺單詞所對應特征值之間的歐式距離，找出歐式距離最小的視覺單詞的編號，并將其作為相應的圖像塊的視覺單詞映射結果，從而每一幅場景子圖像都會得到對應的視覺單詞分布圖。進一步，根據高分辨率遙感圖像場景分類模型，對原始給定的待分類高分辨率遙感圖像進行場景分類包括以下步驟：1)對原始給定的待分類高分辨率遙感圖像，提取其中所有場景子圖像的視覺單詞分布圖的LBP直方圖表示；2)利用SVM分類模型對原始給定的待分類高分辨率遙感圖像中各場景子圖像的場景類型進行判定，得到最終的場景分類結果圖。附圖說明圖1為本專利技術基于視覺單詞分布圖的LBP直方圖特征表達進行高分辨率遙感圖像場景分類的流程圖。具體實施方式本專利技術所使用的高分辨率遙感圖像數據可以是任何一種空間分辨率小于10米的高分辨率遙感數據。下面結合附圖對本專利技術進行具體描述。圖1為本專利技術基于視覺單詞分布圖的LBP直方圖特征表達進行高分辨率遙感圖像場景分類的流程圖，具體步驟包括：(1)對于給定的高分辨率遙感圖像生成場景子圖像集合，并建立場景訓練樣本集。步驟如下：(1.1)給定一幅高分辨率遙感圖像，按照M×N的行列數對該圖像進行均勻格網劃分，得到M×N幅場景子圖像，作為高分辨率遙感圖像場景子圖像集合，M和N均為正整數。定義“\”為向下取整符號。對于分辨率大于等于5米且小于10米的高分辨率遙感圖像，M＝圖像行上像元數\32，N＝圖像列上像元數\32；對于分辨率小于5米且大于等于1米的高分辨遙感圖像，M＝圖像行上像元數\64，N＝圖像列上像元數\64；對于分辨率小于1米的高分辨率遙感圖像，M＝圖像行上像元數\128，N＝圖像列上像元數\128；(1.2)根據給定的高分辨率遙感圖像中實際的場景類型定義C個土地利用場景類別，類別編號為1～C，C為正整數，對于每一個類別分別選取Ti(i＝1，2，…，C)幅場景子圖像作為場景訓練樣本集，Ti為正整數，且不大于第i類樣本總數。(2)對上述場景訓練樣本集中的子圖像進行密集格網采樣，并提取每一個采樣區域的局部特征。步驟如下：(2.1)對場景訓練樣本集中的子圖像按照W×W(W為正整數)的窗口大小和S×S(S為正整數)滑動步長從左到右逐次提取圖像塊，建議取W為2的整數次冪，取S＝W/2。對于分辨率大于等于5米且小于10米的高分辨率遙感圖像，W＝32，S＝16；對于分辨率小于5本文檔來自技高網...

【技術保護點】
一種高分辨率遙感圖像場景分類方法，該方法利用視覺單詞分布圖的局部二值模式LBP(Local?Binary?Pattern)直方圖進行特征表達，其特征在于包括以下步驟：(1)對于給定的高分辨率遙感圖像生成場景子圖像集合，并建立場景訓練樣本集；(2)對上述場景訓練樣本集中的子圖像進行密集格網采樣，并提取局部特征；(3)將上述得到的局部特征進行K均值聚類，將每一個聚類中心作為一個視覺單詞，將這K個聚類中心的取值及其對應的視覺單詞編號作為視覺詞典，K為正整數，K的取值范圍為300～1000；(4)對上述場景訓練樣本集中的每一幅子圖像進行視覺單詞映射，生成視覺單詞分布圖；(5)對上述生成的視覺單詞分布圖作為圖像進行LBP變換，得到視覺單詞分布圖的LBP直方圖表示；(6)將上述場景訓練樣本集中每幅子圖像的視覺單詞分布圖的LBP直方圖表示和場景子圖像對應的場景類別編號作為訓練數據，運用支持向量機SVM(Support?Vector?Machine)算法生成高分辨率遙感圖像場景分類模型；(7)根據上述高分辨率遙感圖像場景分類模型，對原始給定的待分類高分辨率遙感圖像進行場景分類。

【技術特征摘要】
1.一種高分辨率遙感圖像場景分類方法，該方法利用視覺單詞分布圖的局部二值模式LBP(LocalBinaryPattern)直方圖進行特征表達，其特征在于包括以下步驟：(1)對于給定的高分辨率遙感圖像生成場景子圖像集合，并建立場景訓練樣本集；(2)對上述場景訓練樣本集中的子圖像進行密集格網采樣，并提取局部特征；(3)將上述得到的局部特征進行K均值聚類，將每一個聚類中心作為一個視覺單詞，將這K個聚類中心的取值及其對應的視覺單詞編號作為視覺詞典，K為正整數，K的取值范圍為300～1000；(4)對上述場景訓練樣本集中的每一幅子圖像進行視覺單詞映射，生成視覺單詞分布圖；(5)對上述生成的視覺單詞分布圖作為圖像進行LBP變換，得到視覺單詞分布圖的LBP直方圖表示；(6)將上述場景訓練樣本集中每幅子圖像的視覺單詞分布圖的LBP直方圖表示和場景子圖像對應的場景類別編號作為訓練數據，運用支持向量機SVM(SupportVectorMachine)算法生成高分辨率遙感圖像場景分類模型；(7)根據上述高分辨率遙感圖像場景分類模型，對原始給定的待分類高分辨率遙感圖像進行場景分類。2.按權利要求1所述的方法，其特征在于高分辨率遙感圖像場景子圖像集合的生成和場景訓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M×N的行列數對該圖像進行均勻格網劃分，得到M×N幅場景子圖像，作為高分辨率遙感圖像場景子圖像集合，M和N均為正整數，定義“\”為向下取整符號，對于分辨率大于等于5米且小于10米的高分辨率遙感圖像，M＝圖像行上像元數\32，N＝圖像列上像元數\32；對于分辨率小于5米且大于等于1米的高分辨遙感圖像，M＝圖像行上像元數\64，N＝圖像列上像元數\64；對于分辨率小于1米的高分辨...

【專利技術屬性】
技術研發人員：唐娉，霍連志，趙理君，周增光，胡昌苗，鄭柯，
申請(專利權)人：中國科學院遙感與數字地球研究所，
類型：發明
國別省市：北京;11