基于特征池化與除歸一化表示的高分辨率遙感圖像分類方法技術(shù)

一種基于特征池化與除歸一化的遙感圖像分類方法，首先對(duì)遙感圖像進(jìn)行線性濾波，采用特征池化對(duì)線性濾波結(jié)果的特征進(jìn)行合并，而后通過除歸一化降低遙感圖像中的高階相關(guān)性，以稠密網(wǎng)格方式提取局部描述子，最后經(jīng)Hellinger核映射與特征降維后進(jìn)行特征編碼形成遙感圖像的全局表達(dá)，再經(jīng)訓(xùn)練與預(yù)測(cè)后完成對(duì)遙感圖像的分類，本發(fā)明專利技術(shù)能夠獲得較高的圖像分類精度，消除了圖像中的低階高階統(tǒng)計(jì)相關(guān)性的冗余增強(qiáng)目標(biāo)位置不變性，特征壓縮緊湊，降低了特征維度，提高了計(jì)算效率，獲得了更好的分類性能，簡(jiǎn)單易實(shí)現(xiàn)，精度高。

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于特征池化與除歸一化表示的高分辨率遙感圖像分類方法
本專利技術(shù)涉及的是一種遙感圖像處理領(lǐng)域的技術(shù)，具體是一種基于特征池化與除歸一化的遙感圖像分類方法。
技術(shù)介紹
高分辨率的遙感圖像分類中的一個(gè)關(guān)鍵步驟為提取合適的圖像特征，廣泛采用的特征有紋理特征和局部特征。常見的紋理特征有Gabor紋理和LBP紋理，局部特征有HOG特征、SIFT特征以及DenseSIFT特征等。但圖像分類中存在目標(biāo)尺度、光照不一致，目標(biāo)遮擋，低階與高階相關(guān)性等問題?，F(xiàn)有的基于視覺詞匯的遙感圖像地物分類方法，大多基于高斯模糊與抽樣生成多層高斯空間金字塔；再通過SIFT特征提取與LBP特征提取，并使用支持向量機(jī)RBF-SVM進(jìn)行訓(xùn)練，從而對(duì)測(cè)試集中遙感圖像進(jìn)行地物分類。但基于視覺詞匯的圖像分類方法在本質(zhì)上都受限于詞包模型的缺點(diǎn)。第一，采用頻率直方圖特征的方式并不是最優(yōu)的圖像表示。第二，詞包模型對(duì)低層次描述子(如SIFT特征)的量化是一個(gè)有損過程。另外，徑向基核的RBF-SVM在訓(xùn)練時(shí)需要進(jìn)行參數(shù)尋優(yōu)，這樣會(huì)使得訓(xùn)練耗時(shí)較高，并且，訓(xùn)練好的RBF-SVM分類器對(duì)測(cè)試圖像進(jìn)行分類時(shí)也同樣是耗時(shí)的?，F(xiàn)有技術(shù)中也有通過預(yù)訓(xùn)練的開源深度學(xué)習(xí)框架ConvNet并結(jié)合SVM分類器，評(píng)價(jià)了深度特征的泛化能力，在遙感圖像分類中同樣獲得了較高的分類精度。但這類技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)中包含許多卷積層的特征提取，并且每一層都涉及到大量濾波器核的卷積操作，當(dāng)進(jìn)一步考慮將多個(gè)卷積神經(jīng)網(wǎng)絡(luò)組合在一起時(shí)，隨著組合數(shù)量的增加，其計(jì)算復(fù)雜度會(huì)成倍地增加。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)針對(duì)現(xiàn)有技術(shù)存在的上述不足，提出一種基于特征池化與除歸一化的遙感圖像分類方法，能夠獲得較高的圖像分類精度，消除了圖像中的低階高階統(tǒng)計(jì)相關(guān)性的冗余增強(qiáng)目標(biāo)位置不變性，特征壓縮緊湊，降低了特征維度，提高了計(jì)算效率。獲得了更好的分類性能，簡(jiǎn)單易實(shí)現(xiàn)，精度高。本專利技術(shù)首先對(duì)遙感圖像進(jìn)行線性濾波，采用特征池化對(duì)線性濾波結(jié)果的特征進(jìn)行合并，而后通過除歸一化降低遙感圖像中的高階相關(guān)性，以稠密網(wǎng)格方式提取局部描述子，最后經(jīng)Hellinger核映射與特征降維后進(jìn)行特征編碼形成遙感圖像的全局表達(dá)，再經(jīng)訓(xùn)練與預(yù)測(cè)后完成對(duì)遙感圖像的分類。本專利技術(shù)包括以下步驟：1)分別采用Log-Gabor濾波和高斯導(dǎo)數(shù)濾波結(jié)合方向化幅值的方式得到相應(yīng)的濾波響應(yīng)；2)采用特征池化對(duì)得到的濾波響應(yīng)進(jìn)行空間上相鄰位置合并；3)對(duì)每一空間位置，將其與周圍相鄰位置進(jìn)行除歸一化，并以稠密網(wǎng)格方式提取局部描述子；4)對(duì)局部描述子進(jìn)行Hellinger核映射與特征降維后再進(jìn)行特征融合，之后通過特征編碼將融合后的局部特征描述子聚合成圖像形成全局表達(dá)；5)結(jié)合線性分類器對(duì)聚合的圖像進(jìn)行學(xué)習(xí)與預(yù)測(cè)，實(shí)現(xiàn)分類。所述的Log-Gabor濾波采用三個(gè)尺度與四個(gè)方向，共組成12個(gè)濾波器，對(duì)輸入圖像進(jìn)行線性濾波后，最后形成12幅Log-Gabor幅值圖。所述的高斯導(dǎo)數(shù)濾波采用水平、垂直兩個(gè)方向?qū)b感圖像進(jìn)行濾波，并計(jì)算兩個(gè)方向上的梯度響應(yīng)和梯度方向。所述的方向化幅值指根據(jù)梯度方向?qū)⒚總€(gè)空間位置的梯度響應(yīng)離散化，得到若干具有方向性的梯度幅值圖。所述的步驟2)具體包括以下步驟：2.1)對(duì)Log-Gabor幅值圖和梯度幅值圖進(jìn)行不重疊的局部塊劃分；2.2)每一局部塊采用特征池化對(duì)特征進(jìn)行合并。所述的特征池化，即大腦皮層一種簡(jiǎn)單的神經(jīng)計(jì)算操作，具體是指：在特征提取中，用于對(duì)局部鄰域輸入進(jìn)行圖像變換，取得某種不變的、更加緊湊的與穩(wěn)健的特征表達(dá)，最常用的特征池化有平均池化和最大池化。對(duì)pSz×pSz像素大小(對(duì)應(yīng)pSz×pSz維特征)的局部圖像塊區(qū)域，用一維特征來表示該圖像塊，即將pSz×pSz維特征降維至一維。平均池化與最大池化分別是將pSz×pSz個(gè)特征值的平均值與最大值作為最終的一維特征。所述的局部特征描述子為分歧歸一化因子(DivisiveNormalizationFeatures,DNF)，通過線性濾波、特征池化、除歸一化、稠密提取與融合四個(gè)階段實(shí)現(xiàn)DNF的提取，其中：線性濾波消除了圖像中的低階相關(guān)；特征池化完成對(duì)濾波特征的緊湊表達(dá)與一定程度上的平移不變性；除歸一化進(jìn)一步降低特征之間的高階相關(guān)性；稠密提取與融合分別進(jìn)行局部描述子DNF的提取與增強(qiáng)表達(dá)。所述的線性分類器優(yōu)選采用線性SVM。附圖說明圖1為本專利技術(shù)流程示意圖；圖2為特征提取過程示意圖；圖3為特征編碼過程示意圖；圖4為L(zhǎng)andUse數(shù)據(jù)集；圖5為L(zhǎng)andUse混淆矩陣。具體實(shí)施方式如圖1所示，首先對(duì)遙感圖像進(jìn)行線性濾波，采用特征池化對(duì)線性濾波結(jié)果的特征進(jìn)行合并，而后通過除歸一化降低遙感圖像中的高階相關(guān)性，以稠密網(wǎng)格方式提取局部描述子，最后經(jīng)Hellinger核映射與特征降維后進(jìn)行特征編碼形成遙感圖像的全局表達(dá)，再經(jīng)訓(xùn)練與預(yù)測(cè)后完成對(duì)遙感圖像的分類。具體包括以下步驟：1)分別采用Log-Gabor濾波和高斯導(dǎo)數(shù)濾波結(jié)合方向化幅值的方式得到相應(yīng)的濾波響應(yīng)。所述的Log-Gabor濾波包括兩個(gè)部分的乘積，構(gòu)成Log-Gabor濾波器。這兩個(gè)部分分別為徑向?yàn)V波器G(ρ)和方向?yàn)V波器G(θ)，則其中：濾波器中心頻率ρ0＝1/λ，Log-Gabor尺度的波長(zhǎng)λ＝λ0ms-1，λ0為最小Log-Gabor尺度的波長(zhǎng)，m為相鄰尺度間的比例因子，s＝1,2,…,ns，ns表示尺度的數(shù)量，σρ決定尺度帶寬。θ0＝π(n-1)/no表示濾波器的方向角度，n＝1,2,…,no，no表示方向的數(shù)量，σθ決定角度帶寬。設(shè)定λ0＝3，m＝2，σρ＝0.65，σθ＝π/12。所述的Log-Gabor濾波器通過ns和no來構(gòu)造，為三個(gè)尺度四個(gè)方向的濾波器，即ns＝3、no＝4。如圖2所示，對(duì)輸入的灰度圖像I進(jìn)行Log-Gabor濾波獲得濾波響應(yīng)幅值圖L：Li＝abs(ifft2(Fi.*fft2(I))),i＝1,2,…,3×4，其中：.*表示點(diǎn)乘，F(xiàn)i表示傅里葉空間中特定方向與尺度的濾波器，fft2表示二維快速傅里葉變換，ifft2表示fft2的逆變換，abs表示絕對(duì)值操作，Li表示濾波輸出。所述的高斯導(dǎo)數(shù)濾波采用水平與垂直兩個(gè)方向的高斯導(dǎo)數(shù)濾波器，并計(jì)算兩個(gè)方向上的梯度響應(yīng)和梯度方向。所述的方向化幅值指根據(jù)梯度方向?qū)⒚總€(gè)空間位置的梯度響應(yīng)離散化，得到若干具有方向性的梯度幅值圖。將輸入的灰度圖像I進(jìn)行兩個(gè)方向上的梯度特征提取。設(shè)H(x,y)與V(x,y)分別表示圖像I在(x,y)位置上的水平與垂直方向的梯度值，可以獲得歸一化的幅值M與方向A，其中：所述的方向A(x,y)值離散化到nBin個(gè)方向中，具體離散化的方向則由決定。最后，M可映射出nBin幅方向化的梯度幅值圖G:Gi,i＝1,2,…,nBin。為了獲得與Log-Gabor幅值圖數(shù)量相同的濾波圖，nBin設(shè)為12。2)采用特征池化對(duì)得到的濾波響應(yīng)進(jìn)行空間上相鄰位置合并。2.1)對(duì)Log-Gabor幅值圖和梯度幅值圖進(jìn)行不重疊的局部塊劃分。將Log-Gabor幅值圖和梯度幅值圖劃分為不重疊的局部塊即圖像塊。假定圖像塊Pj，包含pSz×pSz個(gè)像素，表示任意一幅圖中的第j塊，通過特征池化之后，Pj將由一個(gè)特征值來表示。2.2)每一個(gè)pSz×pSz像素的局部圖像塊采用特征池化操作對(duì)線性濾波響應(yīng)幅值本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于特征池化與除歸一化的遙感圖像分類方法，其特征在于，首先對(duì)遙感圖像進(jìn)行線性濾波，采用特征池化對(duì)線性濾波結(jié)果的特征進(jìn)行合并，而后通過除歸一化降低遙感圖像中的高階相關(guān)性，以稠密網(wǎng)格方式提取局部描述子，最后經(jīng)Hellinger核映射與特征降維后進(jìn)行特征編碼形成遙感圖像的全局表達(dá)，再經(jīng)訓(xùn)練與預(yù)測(cè)后完成對(duì)遙感圖像的分類。

【技術(shù)特征摘要】
1.一種基于特征池化與除歸一化的遙感圖像分類方法，其特征在于，首先對(duì)遙感圖像進(jìn)行線性濾波，采用特征池化對(duì)線性濾波結(jié)果的特征進(jìn)行合并，而后通過除歸一化降低遙感圖像中的高階相關(guān)性，以稠密網(wǎng)格方式提取局部描述子，最后經(jīng)Hellinger核映射與特征降維后進(jìn)行特征編碼形成遙感圖像的全局表達(dá)，再經(jīng)訓(xùn)練與預(yù)測(cè)后完成對(duì)遙感圖像的分類。2.根據(jù)權(quán)利要求1所述的基于特征池化與除歸一化的遙感圖像分類方法，其特征是，具體包括以下步驟：1)分別采用Log-Gabor濾波和高斯導(dǎo)數(shù)濾波結(jié)合方向化幅值的方式得到相應(yīng)的濾波響應(yīng)；2)采用特征池化對(duì)得到的濾波響應(yīng)進(jìn)行空間上相鄰位置合并；3)對(duì)每一空間位置，將其與周圍相鄰位置進(jìn)行除歸一化，并以稠密網(wǎng)格方式提取局部描述子；4)對(duì)局部描述子進(jìn)行Hellinger核映射與特征降維后再進(jìn)行特征融合，之后通過特征編碼將融合后的局部特征描述子聚合成圖像形成全局表達(dá)；5)結(jié)合線性分類器對(duì)聚合的圖像進(jìn)行學(xué)習(xí)與預(yù)測(cè)，實(shí)現(xiàn)分類。3.根據(jù)權(quán)利要求2所述的基于特征池化與除歸一化的遙感圖像分類方法，其特征是，所述的Log-Gabor濾波采用三個(gè)尺度與四個(gè)方向，共組成12個(gè)濾波器，對(duì)輸入圖像進(jìn)行線性濾波后，最后形成12幅Log-Gabor幅值圖。4.根據(jù)權(quán)利要求3所述的基于特征池化與除歸一化的遙感圖像分類方法，其特征是，所述的高斯導(dǎo)數(shù)濾波采用水平、垂直...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：方濤，萬里紅，
申請(qǐng)(專利權(quán))人：上海交通大學(xué)，
類型：發(fā)明
國(guó)別省市：上海,31