基于分層多特征融合的高分辨率遙感圖像場(chǎng)景分類方法
【專利摘要】本發(fā)明公開了一種基于分層多特征融合的高分辨率遙感圖像場(chǎng)景分類方法。本發(fā)明依據(jù)組合全局特征對(duì)訓(xùn)練樣本圖像集合進(jìn)行聚類分析，將訓(xùn)練樣本圖像集合分為適于采用全局特征表達(dá)的子集和適于用局部特征表達(dá)的子集，然后利用兩個(gè)子集分別訓(xùn)練全局特征分類器和局部精簡(jiǎn)特征分類器；在測(cè)試時(shí)根據(jù)聚類分析結(jié)果從兩個(gè)分類器中選出最適合于測(cè)試樣本的分類器來(lái)對(duì)測(cè)試樣本進(jìn)行分類。本發(fā)明具有極高的分類精度，經(jīng)實(shí)驗(yàn)驗(yàn)證，本發(fā)明的總體平均分類精度可達(dá)到96%，高于現(xiàn)有的典型分類方法。
【專利說(shuō)明】
基于分層多特征融合的高分辨率遙感圖像場(chǎng)景分類方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及遙感圖像處理技術(shù)，尤其涉及一種基于分層多特征融合的高分辨率遙 感圖像場(chǎng)景分類方法。
【背景技術(shù)】
[0002] 近年來(lái)，高分辨率對(duì)地觀測(cè)技術(shù)得到了迅猛發(fā)展，已經(jīng)在土地調(diào)查、城市規(guī)劃和軍 事等諸多領(lǐng)域發(fā)揮了重要的作用。相比于中低分辨率遙感圖像，高分辨率遙感圖像能夠提 供詳細(xì)的地物信息，但各種地物空間結(jié)構(gòu)分布較復(fù)雜。隨著遙感圖像分辨率的提高，空間地 物幾何信息、紋理信息等更加明顯，但同時(shí)也帶來(lái)了同類地物的光譜差異性增強(qiáng)，不同地物 的光譜異質(zhì)性降低等問(wèn)題。因此，雖然高分遙感影像提供了更為精細(xì)的地表刻畫，但自動(dòng)化 信息提取任務(wù)的難度大大增加。在遙感圖像技術(shù)中，無(wú)論是專業(yè)信息提取、運(yùn)動(dòng)變化預(yù)測(cè)還 是遙感數(shù)據(jù)庫(kù)的建立都離不開分類，如何研制出新的適合于遙感圖像分類的方法來(lái)提高分 類精度是急需解決的問(wèn)題。
[0003] 傳統(tǒng)的遙感圖像目視解譯方法不僅要求豐富的專業(yè)經(jīng)驗(yàn)和充足的野外實(shí)地調(diào)查 資料，而且由于這種識(shí)別方法是建立在特定的先驗(yàn)知識(shí)基礎(chǔ)上，因此識(shí)別難度較大，效率較 低。關(guān)于遙感圖像場(chǎng)景分類技術(shù)的研究目前已經(jīng)出現(xiàn)了很多方法。根據(jù)圖像描述方式的不 同，當(dāng)前圖像分類方法大致可以分為:基于全局特征的描述方法和基于局部特征的描述方 法。常見的全局特征包括:顏色直方圖、LBP(Local binary pattern)、Gabor紋理特征等?；?于局部特征的圖像描述方法由于可以在同一類別千變?nèi)f化的圖像中尋找不變的特征，受到 廣大研究者青睞。文獻(xiàn)[Ji RR，Yao HX，Liu W.Task-dependent visual-codebook compression!!J] ? IEEE Transactions on Image Processing,2012,21(4) :2282-2293. 用硬分配編碼取代稀疏編碼，使用監(jiān)督字典學(xué)習(xí)算法對(duì)Bof特征進(jìn)行壓縮以彌補(bǔ)編碼方法 所帶來(lái)的不足。Bolovinou等人[Bolovinou A，Pratikakis I，Perantonis S.Bag of spatio-visual words for context inference in scene classification[J].Pattern Recognition, 2013,46(3): 1039-1053.]提出了基于有序空間結(jié)構(gòu)關(guān)系的視覺(jué)單詞，在特征 表達(dá)中加入了上下文信息。Zheng等人[Zheng Y，Lu H,Jin C，et al.Incorporating spatial correlogram into bag-0f-features model for scene categorization[C]// Proceedings of the 9th Asian Conference on Computer Vision.Xi an,China: Springer ,2010:333-342.]基于顏色相關(guān)圖的思想，提出空間相關(guān)圖概念并將其應(yīng)用于視 覺(jué)詞包特征表達(dá)。
[0004]由于遙感圖像地物信息極其豐富，但各種地物空間分布較復(fù)雜，同類目標(biāo)呈現(xiàn)較 大光譜異質(zhì)性，基于像元的分類技術(shù)容易造成較多的錯(cuò)分、漏分現(xiàn)象，從而導(dǎo)致分類精度較 低。對(duì)于遙感圖像，單一特征只能描述它的部分屬性，缺少足夠的區(qū)分信息，在圖像類型比 較相近(例如密集住宅區(qū)、中密度住宅區(qū)、稀疏住宅區(qū)）的情況下通常不能取得較好的分類 效果，此外，場(chǎng)景圖像的全局特征描述和局部特征描述又各自有優(yōu)點(diǎn):全局特征是描述圖像 的全局信息，可以反映整個(gè)場(chǎng)景圖像的整體結(jié)構(gòu)；局部特征描述對(duì)目標(biāo)區(qū)域識(shí)別的部分特 性具有良好的適應(yīng)性，在場(chǎng)景切換的每個(gè)目標(biāo)，包括不同視角，不同光照強(qiáng)度等情況能很好 地適應(yīng)。對(duì)于圖像中的不同目標(biāo)、各種特征有效性不盡相同，由此，合理的融合全局特征和 局部特征，能在一定程度上提高遙感圖像場(chǎng)景分類的精度。如何正確的融合不同特征是圖 像分類領(lǐng)域目前的一個(gè)研究熱點(diǎn)。張磊等人[張磊，邵振峰.改進(jìn)的OIF和SVM結(jié)合的高光譜 遙感影像分類[J].測(cè)繪科學(xué)，2014,39(011): 114-117.]提出了一種結(jié)合改進(jìn)的最佳指數(shù) (OIF)和支持向量機(jī)進(jìn)行遙感圖像分類，該方法能有效提取最佳波段組合，并取得較高分類 精度。對(duì)于傳統(tǒng)融合空間和光譜特征方法僅用單一空間特征，并未充分利用雙高分辨率的 特點(diǎn)，王增茂等人提出將紋理特征和形態(tài)特征進(jìn)行融合，然后進(jìn)行影像分類[王增茂，杜博， 張良培，等.基于紋理特征和形態(tài)學(xué)特征融合的高光譜影像分類法[J].光子學(xué)報(bào)，2014,43 (8): 810002-0810002.]。為充分利用遙感圖像的地物信息，王云艷等人[王云艷，何楚，涂 峰，等.特征選擇雙層SVM的融合算法用于極化SAR圖像分類[J].武漢大學(xué)學(xué)報(bào)信息科學(xué)版， 2015，40(9): 1157-1162.]提出了特征選擇雙層支持向量機(jī)的特征融合算法，充分利用特征 間的完備性和互異性，形成更有效的特征組合用于圖像分類。張帆等人[張帆，杜博，張良 培，等.一種結(jié)合波段分組特征和形態(tài)學(xué)特征的高光譜圖像分類方法[J].計(jì)算機(jī)科學(xué)學(xué)， 2014,41(12) :275-279.]提出基于波段分組特征和形態(tài)學(xué)特征的高光譜圖像分類方法，結(jié) 合空間和光譜特征提高分類精度。熊羽等人[熊羽，左小清，黃亮，等.基于多特征組合的彩 色遙感圖像分類研究[J].激光技術(shù)，2014,38(2): 165-171.]提出了基于顏色和紋理組合的 遙感圖像分類方法，該方法將顏色信息和紋理信息相結(jié)合作為特征向量，對(duì)遙感圖像進(jìn)行 分類，并通過(guò)實(shí)驗(yàn)證明了該方法是一種有效的圖像分類方法。Sheng等人[Sheng G，Yang W， Xu T,et al.High-resolution satellite scene classification using a sparse coding based multiple feature combination[J].International journal of remote sensing,2012,33(8):2395-2412.]使用基于多特征融合稀疏編碼的方法用于高分辨率遙 感圖像分類，將單特征通道的概率串聯(lián)起來(lái)作為最終的融合結(jié)果。Fernando等人 [Fernando B,Fromont E,Muselet D,et al.Discriminative feature fusion for image classification[C]//Computer Vision and Pattern Recognition(CVPR),2012IEEE Conference on. IEEE, 2012: 3434-3441.]提出了基于邏輯回歸的融合方法，采用LR輸出設(shè) 計(jì)一種新的SVM分類器有效邊緣化核的學(xué)習(xí)方法。Shao等人[Shao W，Yang W，Xia G S，et al.A hierarchical scheme of multiple feature fusion for high-resolution satellite scene categorization[M]//Computer Vision Systems.Springer Berlin Heidelberg ,2013:324-333.]提出了在不同分類階段分別采用直方圖交叉核支持向量機(jī) (HIK-SVM)與L1范式正則化邏輯回歸分類器(L1R-RLC)，將HIK-SVM得到的不同特征的軟概 率進(jìn)行融合并導(dǎo)入L1R-LRC中得到最終的概率。
[0005] 上述現(xiàn)有技術(shù)雖然各有特點(diǎn)，但普遍存在對(duì)某些特定類別的場(chǎng)景分類精度較高而 對(duì)其他類別場(chǎng)景的分類精度并不理想的問(wèn)題。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)所存在的僅對(duì)部分類別場(chǎng)景的分 類效果較好的不足，提供一種基于分層多特征融合的高分辨率遙感圖像場(chǎng)景分類方法，對(duì) 于各類別場(chǎng)景均可獲得極高的分類精度。
[0007] 本發(fā)明具體采用以下技術(shù)方案解決上述技術(shù)問(wèn)題：
[0008] -種基于分層多特征融合的高分辨率遙感圖像場(chǎng)景分類方法，包括訓(xùn)練階段和測(cè) 試階段;所述訓(xùn)練階段包括以下步驟：
[0009] 步驟1、提取訓(xùn)練樣本圖像的組合全局特征，并對(duì)訓(xùn)練樣本圖像進(jìn)行聚類分析，得 到最優(yōu)聚類結(jié)果;所述組合全局特征由至少兩種全局特征組合而成；
[0010] 步驟2、從最優(yōu)聚類結(jié)果中選出聚類一致性指標(biāo)大于一預(yù)設(shè)閾值的類簇，以所選出 類簇中的所有訓(xùn)練樣本圖像作為第一訓(xùn)練子集，基于組合全局特征進(jìn)行分類模型的訓(xùn)練， 得到全局特征分類器；以其余的訓(xùn)練樣本圖像作為第二訓(xùn)練子集，對(duì)其中的訓(xùn)練樣本圖像 進(jìn)行局部特征提取，并利用頻繁項(xiàng)集挖掘進(jìn)行特征精簡(jiǎn)，然后基于所得到的精簡(jiǎn)特征進(jìn)行 分類模型的訓(xùn)練，得到局部精簡(jiǎn)特征分類器;任一類簇的聚類一致性指標(biāo)具體為:該類簇中 數(shù)量最多的那一類訓(xùn)練樣本圖像在該類簇所有訓(xùn)練樣本圖像中的數(shù)量占比；
[0011] 所述測(cè)試階段包括以下步驟：
[0012] 步驟3、從所述最優(yōu)聚類結(jié)果中選出類簇中心與測(cè)試樣本圖像在組合全局特征空 間中距離最小的類簇，并判斷該類簇是否為聚類一致性指標(biāo)大于所述預(yù)設(shè)閾值的類簇，如 是，則將測(cè)試樣本圖像的組合全局特征輸入所述全局特征分類器進(jìn)行分類;如否，則提取測(cè) 試樣本圖像的局部特征并利用訓(xùn)練階段挖掘得到的頻繁項(xiàng)集對(duì)其進(jìn)行特征精簡(jiǎn)，得到測(cè)試 樣本圖像的精簡(jiǎn)特征，然后將測(cè)試樣本圖像的精簡(jiǎn)特征輸入所述局部精簡(jiǎn)特征分類器進(jìn)行 分類。
[0013] 優(yōu)選地，所述聚類分析的方法具體如下：在不同類簇?cái)?shù)下分別對(duì)訓(xùn)練樣本圖像進(jìn) 行聚類，并依據(jù)DB聚類有效性指標(biāo)或改進(jìn)的DB聚類有效性指標(biāo)從中選出最優(yōu)類簇?cái)?shù)，最優(yōu) 類簇?cái)?shù)所對(duì)應(yīng)的聚類結(jié)果即為最優(yōu)聚類結(jié)果。
[0014] 優(yōu)選地，所述組合全局特征由包括顏色特征和紋理特征的至少兩種全局特征組合 而成。其中，所述顏色特征優(yōu)選HSL色彩空間的顏色直方圖特征，所述紋理特征優(yōu)選Gabor紋 理特征。
[0015] 優(yōu)選地，所述局部特征為SIFT特征。
[0016] 優(yōu)選地，在利用頻繁項(xiàng)集挖掘進(jìn)行特征精簡(jiǎn)時(shí)，僅挖掘交易庫(kù)中的頻繁二項(xiàng)集。
[0017] 優(yōu)選地，所述閾值的取值范圍為[0.9，1 ]。
[0018] 優(yōu)選地，用于訓(xùn)練全局特征分類器和局部精簡(jiǎn)特征分類器的分類模型均為支持向 量機(jī)。
[0019] 相比現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：
[0020] 本發(fā)明依據(jù)組合全局特征對(duì)訓(xùn)練樣本圖像集合進(jìn)行聚類分析，將訓(xùn)練樣本圖像集 合分為適于采用全局特征表達(dá)的子集和適于用局部特征表達(dá)的子集，然后利用兩個(gè)子集分 別訓(xùn)練全局特征分類器和局部精簡(jiǎn)特征分類器;在測(cè)試時(shí)根據(jù)聚類分析結(jié)果從兩個(gè)分類器 中選出最適合于測(cè)試樣本的分類器來(lái)對(duì)測(cè)試樣本進(jìn)行分類。本發(fā)明具有極高的分類精度， 經(jīng)實(shí)驗(yàn)驗(yàn)證，本發(fā)明的總體平均分類精度可達(dá)到96%，高于現(xiàn)有的典型分類方法。
【附圖說(shuō)明】
[0021] 圖1為密集住宅區(qū)、中密度住宅區(qū)、稀疏住宅區(qū)類別示意圖；
[0022 ]圖2為本發(fā)明【具體實(shí)施方式】中的訓(xùn)練過(guò)程；
[0023] 圖3為本發(fā)明【具體實(shí)施方式】中的測(cè)試過(guò)程；
[0024] 圖4為本發(fā)明方法與各單一特征對(duì)于各類別分類結(jié)果比較圖；
[0025] 圖5為本發(fā)明方法各類別分類精度混淆矩陣圖；
[0026] 圖6為本發(fā)明方法與現(xiàn)有技術(shù)的總體平均分類精度比較圖。
【具體實(shí)施方式】
[0027]下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明：
[0028] 對(duì)于遙感圖像，單一特征只能描述它的部分屬性，缺少足夠的區(qū)分信息，在圖像類 型比較相近(如圖1中從左至右所示的密集住宅區(qū)、中密度住宅區(qū)、稀疏住宅區(qū)）的情況下通 常不能取得較好的分類效果，并且由于遙感圖像中有些類別圖像顏色特征較明顯而又有些 類別圖像局部特征較明顯，若僅采用單一特征則會(huì)導(dǎo)致分類精度較低，此外，基于全局特征 和局部特征描述又各自有其優(yōu)點(diǎn)；全局特征是描述圖像的全局信息，可以反映整個(gè)場(chǎng)景圖 像的整體結(jié)構(gòu);局部特征描述對(duì)場(chǎng)景切換的每個(gè)目標(biāo)，包括不同視角、不同光照強(qiáng)度等情況 能很好地適應(yīng)。由此，合理的融合全局特征和局部特征，能在一定程度上提高遙感圖像場(chǎng)景 分類的精度。
[0029] 基于以上思路，本發(fā)明首先依據(jù)組合全局特征對(duì)訓(xùn)練樣本圖像集合進(jìn)行聚類分 析，將訓(xùn)練樣本圖像集合分為適于采用全局特征表達(dá)的子集和適于用局部特征表達(dá)的子 集，然后利用兩個(gè)子集分別訓(xùn)練全局特征分類器和局部精簡(jiǎn)特征分類器;在測(cè)試時(shí)根據(jù)聚 類分析結(jié)果從兩個(gè)分類器中選出最適合于測(cè)試樣本的分類器來(lái)對(duì)測(cè)試樣本進(jìn)行分類。
[0030] 為了便于公眾理解，下面以一個(gè)本發(fā)明優(yōu)選實(shí)施例來(lái)對(duì)本發(fā)明技術(shù)方案進(jìn)行詳細(xì) 說(shuō)明。本實(shí)施例中的訓(xùn)練階段包括以下步驟：
[0031] 步驟1、提取訓(xùn)練樣本圖像的組合全局特征，并對(duì)訓(xùn)練樣本圖像進(jìn)行聚類分析，得 到最優(yōu)聚類結(jié)果;所述組合全局特征由至少兩種全局特征組合而成；
[0032] 首先需要對(duì)訓(xùn)練樣本圖像集合中的訓(xùn)練樣本進(jìn)行全局特征的提取，該訓(xùn)練樣本圖 像集合中包括各個(gè)類別的遙感圖像，每幅訓(xùn)練樣本圖像的類別已知。訓(xùn)練樣本圖像集合可 從現(xiàn)有遙感圖像數(shù)據(jù)庫(kù)中獲得。
[0033] 為了克服單一特征的局限性，本發(fā)明采用多種全局特征組合成的組合全局特征進(jìn) 行聚類分析。正如【背景技術(shù)】中所談到的，常用的圖像全局特征包括顏色特征、LBP特征、紋理 特征等。其中，圖像的顏色特征對(duì)圖像本身的尺寸、方向、視角的依賴性較小，常用的顏色直 方圖特征描述的是不同色彩在整幅圖像中所占的比例。紋理是遙感圖像的一種重要空間信 息，隨著分辨率的提高，地物的內(nèi)部結(jié)構(gòu)越來(lái)越清晰，這在遙感圖像中表現(xiàn)為地物的紋理結(jié) 構(gòu)越來(lái)越明顯。相對(duì)于光譜信息，紋理特征能反映目標(biāo)地物內(nèi)像元有規(guī)則的空間變化。因 此，本發(fā)明優(yōu)選采用顏色特征和紋理特征組合成組合全局特征。
[0034] 本實(shí)施例中的顏色特征采用的是基于HSL(Hue，Saturation tightness)色彩空間 提取顏色直方圖特征，相比于RGB色彩空間，前者更符合人眼的視覺(jué)感知特性。其具體提取 方法如下：
[0035]對(duì)于圖像的每一個(gè)像素，首先將其H、S、L分量分別量化為8等份，這樣HSL直方圖就 有512個(gè)間隔(bin)，然后統(tǒng)計(jì)所有像素的直方圖，最后采用L1范式對(duì)其進(jìn)行歸一化，以消除 圖像不同幅面大小的影響。
[0036]鑒于Gabor濾波器具有較強(qiáng)的紋理描述能力，本實(shí)施例中利用Gabor濾波器提取紋 理特征，提取方法如下：
[0037]使用6個(gè)方向，5個(gè)尺度的Gabor濾波器對(duì)原始圖像進(jìn)行Gabor變換，形成30幅圖像 的紋理表示，再通過(guò)計(jì)算這30幅圖像的均值和方差從而得到60維的特征向量。
[0038] fMPEG7HT= [yil，0ll，yi2,012, ? ? ?，yiS，0lS，? ?，iiRS，0RS] (1)
[0039]其中，URS和〇RS分別是R方向和S尺度的輸出濾波器對(duì)應(yīng)的濾波均值和方差。
[0040] 將所提取的顏色直方圖特征和Gabor紋理特征串接即得到本實(shí)施例的組合全局特 征。
[0041] 本實(shí)施例中聚類分析采用的是經(jīng)典的K-means聚類算法，聚類分析的關(guān)鍵任務(wù)是 量化地評(píng)價(jià)聚類結(jié)果，確定一個(gè)最優(yōu)的類簇?cái)?shù)目。聚類有效性評(píng)價(jià)是指對(duì)聚類結(jié)果進(jìn)行評(píng) 價(jià)以確定最適合特定數(shù)據(jù)集的劃分和評(píng)判所得結(jié)果是否是有效的、正確的，其主要內(nèi)容包 括已知聚類數(shù)情況下比較不同聚類算法的聚類結(jié)果優(yōu)良程度和聚類數(shù)未知時(shí)評(píng)價(jià)同一聚 類算法在不同聚類數(shù)條件下聚類結(jié)果的好壞，后者適用于選取數(shù)據(jù)集的最佳聚類數(shù)。在本 實(shí)施例中選取后者操作方法，因此需要對(duì)不同K值下的K-means聚類結(jié)果進(jìn)行聚類有效性評(píng) 價(jià)，本發(fā)明可采用現(xiàn)有的各類聚類有效性評(píng)價(jià)指標(biāo)，例如RAND指標(biāo)、DB指標(biāo)、KL指標(biāo)、Hart指 標(biāo)等，本發(fā)明優(yōu)選采用DB(Davies-Bouldin)聚類有效性指標(biāo)（參見文獻(xiàn)[Davies D.L.， Bouldin D.ff..A cluster separation measure.1979.IEEETrans.Pattern Anal.Machine 1的611.1(4).224-227])或改進(jìn)的08聚類有效性指標(biāo)(參見中國(guó)發(fā)明專利0附018533048)。 本實(shí)施例中采用DB聚類有效性指標(biāo)來(lái)確定最優(yōu)聚類數(shù)及相應(yīng)的最優(yōu)聚類結(jié)果，具體地，本 實(shí)施例中聚類分析過(guò)程具體如下：
[0042] (1)在不同K值下，基于所提取的組合全局特征采用K-means算法對(duì)訓(xùn)練樣本圖像 集合中的訓(xùn)練樣本進(jìn)行聚類;經(jīng)大量實(shí)驗(yàn)研究發(fā)現(xiàn)，對(duì)于高分辨率遙感圖像而言，最優(yōu)聚類 數(shù)通常分布在一個(gè)較小的區(qū)間范圍內(nèi)，因此可在[INT(0.9N)，2N]范圍內(nèi)選擇K值的變化區(qū) 間，從而有效減少計(jì)算時(shí)間和計(jì)算資源的消耗;其中，INT(*)為取整函數(shù)，N為高分辨率遙感 圖像的場(chǎng)景類別總數(shù)；由于目前常用場(chǎng)景類別數(shù)為21，因此本實(shí)施例中K值的變化范圍為20 ~42〇
[0043] (2)計(jì)算各類間分離度屯=(1(>：1，￥」），其中(1(>：1，￥」)表示兩聚類中心￥：1，￥」之間的距 離。
[0044] (3)計(jì)算各類簇中類內(nèi)離散度?其中&表示聚類^中聚類對(duì)象的個(gè)數(shù)； 計(jì)算相似度Ri j，Ri j = ( Si+Sj ) /di j。
[0045] (4)計(jì)算DB有效性指標(biāo)，并根據(jù)DB有效性指標(biāo)確定最優(yōu)聚類數(shù)及相應(yīng)的最優(yōu)聚類 結(jié)果；
[0046]定義:皿士^^/^^'^^^'其中仏表示聚類個(gè)數(shù)；
[0047]本實(shí)施例中設(shè)定Nc范圍為[20,42]，在此范圍中計(jì)算最佳08值，對(duì)應(yīng)的聚類數(shù)及聚 類結(jié)果即為最佳聚類結(jié)果。
[0048] -般來(lái)說(shuō)，一個(gè)好的聚類劃分應(yīng)盡可能的反應(yīng)數(shù)據(jù)集的內(nèi)在結(jié)構(gòu)，使類內(nèi)樣本盡 可能相似，類間樣本盡可能不相似，從距離的角度考慮就是使類內(nèi)距離極小而類間距離極 大的聚類是最優(yōu)聚類。因此結(jié)合DB有效性指標(biāo)的定義及以上分析可以看出，DB值越小，則聚 類效果越好。
[0049] 在本實(shí)施例中，對(duì)于K的不同取值，選取DB值最小時(shí)所對(duì)應(yīng)的聚類數(shù)即為最佳聚類 數(shù)。
[0050] 步驟2、從最優(yōu)聚類結(jié)果中選出聚類一致性指標(biāo)大于一預(yù)設(shè)閾值的類簇，以所選出 類簇中的所有訓(xùn)練樣本圖像作為第一訓(xùn)練子集，基于組合全局特征進(jìn)行分類模型的訓(xùn)練， 得到全局特征分類器；以其余的訓(xùn)練樣本圖像作為第二訓(xùn)練子集，對(duì)其中的訓(xùn)練樣本圖像 進(jìn)行局部特征提取，并利用頻繁項(xiàng)集挖掘進(jìn)行特征精簡(jiǎn)，然后基于所得到的精簡(jiǎn)特征進(jìn)行 分類模型的訓(xùn)練，得到局部精簡(jiǎn)特征分類器;任一類簇的聚類一致性指標(biāo)具體為:該類簇中 數(shù)量最多的那一類訓(xùn)練樣本圖像在該類簇所有訓(xùn)練樣本圖像中的數(shù)量占比；
[0051] 本發(fā)明的聚類一致性指標(biāo)的計(jì)算方法為:類簇中個(gè)數(shù)最多的一類圖像個(gè)數(shù)/該類 簇所包含的所有圖像數(shù)目。將最優(yōu)聚類結(jié)果中各類簇的聚類一致性指標(biāo)與預(yù)設(shè)的閾值作比 較選出聚類一致性較好的類簇;對(duì)于聚類一致性較好的類簇，用其所包含的所有訓(xùn)練樣本 圖像作為全局特征分類器的訓(xùn)練集;其它聚類一致性差的類簇所包含的訓(xùn)練樣本圖像則作 為局部精簡(jiǎn)特征分類器的訓(xùn)練集。
[0052]所述局部特征可采用SIFT、SURF、Daisy等局部圖像特征，然后利用頻繁項(xiàng)集挖掘 進(jìn)行特征精簡(jiǎn)(此為現(xiàn)有技術(shù)，具體可參見文獻(xiàn)[劉立，詹茵茵，羅揚(yáng)，等.尺度不變特征變換 算子綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2013,18(8) :885-892])。本實(shí)施例中首先提取圖像的 SIFT特征，然后利用頻繁項(xiàng)集挖掘進(jìn)行特征精簡(jiǎn)，具體步驟如下：
[0053] 1、首先抽取每幅圖像的SIFT局部特征，使用SIFT描述子描述特征區(qū)域的外貌，將 訓(xùn)練圖像中的局部特征抽取并描述后使用K-means聚類算法對(duì)局部特征點(diǎn)集進(jìn)行聚類，每 個(gè)聚類中心表示一個(gè)視覺(jué)單詞，所有的聚類中心形成視覺(jué)單詞碼本；
[0054] 2、采用硬分配的方法，使用最近鄰技術(shù)，獲得與特征描述子距離最近的視覺(jué)單詞 并統(tǒng)計(jì)各個(gè)視覺(jué)單詞對(duì)應(yīng)的詞頻，形成圖像的視覺(jué)詞袋特征表示；
[0055] 3、對(duì)于每類中每幅圖像的每個(gè)視覺(jué)單詞所對(duì)應(yīng)的局部特征進(jìn)行局部鄰域特征組 合。以每個(gè)特征區(qū)域?yàn)橹行膭澏ㄒ粋€(gè)正方形區(qū)域，該正方形邊長(zhǎng)與特征點(diǎn)尺度成正比(特征 鄰域大小不是固定的，與特征區(qū)域尺度相關(guān)，并且能適應(yīng)對(duì)象大小的變化），所有出現(xiàn)在該 正方形區(qū)域內(nèi)的特征即為當(dāng)前特征的局部鄰域特征組合并且重復(fù)出現(xiàn)的視覺(jué)單詞按一個(gè) 處理，得到每幅圖像每個(gè)特征的局部鄰域特征組合，并且把每個(gè)特征的局部鄰域特征組合 看成一項(xiàng)交易；
[0056] 4、將相同類別圖像中所有的交易集中起來(lái)作為頻繁項(xiàng)集挖掘的輸入，使用 Apriori頻繁項(xiàng)集挖掘算法對(duì)交易數(shù)據(jù)庫(kù)進(jìn)行挖掘，設(shè)定最小支持度閾值為M，M為預(yù)設(shè)的大 于1的整數(shù)，本發(fā)明優(yōu)選取為200,挖掘交易庫(kù)中所有的頻繁二項(xiàng)集（因?yàn)楸景l(fā)明實(shí)施例數(shù)據(jù) 集特征較稀疏，如果挖掘到頻繁三項(xiàng)集、四項(xiàng)集…將導(dǎo)致部分類別圖像中頻繁項(xiàng)集較少，影 響最終分類結(jié)果)即頻繁出現(xiàn)且較有判別性的詞語(yǔ)組合；
[0057] 5、各類中每幅圖像中的每個(gè)特征所對(duì)應(yīng)的局部鄰域特征組合進(jìn)行操作，保留該局 部鄰域特征組合中含有頻繁二項(xiàng)集的詞語(yǔ)，并計(jì)算每幅圖像的視覺(jué)詞語(yǔ)直方圖，將直方圖 規(guī)范化。
[0058]利用兩個(gè)訓(xùn)練集分別訓(xùn)練分類模型，即可得到全局特征分類器和局部精簡(jiǎn)特征分 類器，由于本實(shí)施例中所使用的分類模型為支持向量機(jī)，因此可分別記為SVMI，SVMn。
[0059] 圖2顯示了本實(shí)施例中的訓(xùn)練過(guò)程。
[0060] 本實(shí)施例中的測(cè)試階段具體如下：
[0061] 步驟3、從所述最優(yōu)聚類結(jié)果中選出類簇中心與測(cè)試樣本圖像在組合全局特征空 間中距離最小的類簇，并判斷該類簇是否為聚類一致性指標(biāo)大于所述預(yù)設(shè)閾值的類簇，如 是，則將測(cè)試樣本圖像的組合全局特征輸入所述全局特征分類器進(jìn)行分類;如否，則提取測(cè) 試樣本圖像的局部特征并利用訓(xùn)練階段挖掘得到的頻繁項(xiàng)集對(duì)其進(jìn)行特征精簡(jiǎn)，得到測(cè)試 樣本圖像的精簡(jiǎn)特征，然后將測(cè)試樣本圖像的精簡(jiǎn)特征輸入所述局部精簡(jiǎn)特征分類器進(jìn)行 分類。
[0062] 首先按照與訓(xùn)練階段相同的方式提取測(cè)試樣本的HSL色彩空間的顏色直方圖特征 及Gabor紋理特征，并將其串接為組合全局特征;然后對(duì)測(cè)試樣本利用訓(xùn)練階段所得到的最 優(yōu)聚類結(jié)果進(jìn)行粗分類:分別計(jì)算測(cè)試樣本與各類簇中心的距離，若與測(cè)試樣本最近的類 簇中心所屬類簇為上述聚類一致性較好的類簇，則對(duì)該測(cè)試樣本采用基于顏色和紋理特征 的分類器（即全局特征分類器)進(jìn)行分類;反之，則對(duì)該測(cè)試樣本提取局部特征并基于訓(xùn)練 階段挖掘得到的頻繁項(xiàng)集對(duì)其進(jìn)行特征精簡(jiǎn)，然后采用基于精簡(jiǎn)特征的分類器（即局部精 簡(jiǎn)特征分類器)進(jìn)行分類。最終得到該測(cè)試樣本準(zhǔn)確的場(chǎng)景類別。
[0063]圖3顯示了本實(shí)施例中的測(cè)試階段流程。
[0064] 為了驗(yàn)證本發(fā)明方法的效果，進(jìn)行了以下驗(yàn)證對(duì)比實(shí)驗(yàn)。
[0065]本發(fā)明算法實(shí)現(xiàn)的電腦配置為i 5處理器、64位操作系統(tǒng)；算法實(shí)現(xiàn)環(huán)境為 Matlab2010b和Visual C++6.0。
[0066]實(shí)驗(yàn)采用的圖像數(shù)據(jù)集是國(guó)際上公共的大型遙感圖像分類測(cè)試數(shù)據(jù)集[Yang Yi， Shawn N.Spatial pyramid co-occurrence for image classification[C]//IEEE International Conference on Computer Vision.2011:1465-1472.]，它涵蓋自然與人工 場(chǎng)景共21種類別，每種類別圖像的數(shù)目為100,全部為彩色圖像，圖像的平均尺寸大小為 256*256像素，這些圖像從United States Geological Survey(美國(guó)地質(zhì)勘探局）處下載， 其中包括的場(chǎng)景有:農(nóng)田、飛機(jī)、棒球場(chǎng)、海濱、建筑物、叢林、密集住宅區(qū)、森林、高速公路、 高爾夫球場(chǎng)、港口、十字路口、中密度住宅區(qū)、活動(dòng)房、天橋、停車場(chǎng)、河流、跑道、稀疏住宅 區(qū)、儲(chǔ)油罐、網(wǎng)球場(chǎng)。這些圖像反映了每類場(chǎng)景圖像的不同情景，并具有良好的代表性。在下 面實(shí)驗(yàn)中，若無(wú)特別說(shuō)明，從每類中隨機(jī)提取80幅圖像作為訓(xùn)練樣本，剩下的20幅圖像作為 測(cè)試樣本。
[0067]從每一類別中提取80幅圖像作為訓(xùn)練樣本，利用支持向量機(jī)訓(xùn)練分類器，剩余20 幅圖像作為測(cè)試樣本。各個(gè)特征具體參數(shù)設(shè)置如下:Color顏色直方圖特征向量維數(shù)為512; Gabor紋理特征向量維數(shù)為60維;基于局部特征并進(jìn)行特征挖掘的精簡(jiǎn)特征的維數(shù)為1000 維，分別利用這三種單一圖像特征以及目前較流行的基于稀疏編碼的空間金字塔匹配模型 (ScSPM)特征與本發(fā)明方法進(jìn)行對(duì)比。另外，我們還和直接利用頻繁項(xiàng)集挖掘算法對(duì)SIFT特 征進(jìn)行挖掘的方法進(jìn)行了對(duì)比（圖4和圖6中記為"頻繁項(xiàng)集挖掘"方法）。
[0068]分類結(jié)果如圖4,從圖中可以看出，顏色直方圖特征在高爾夫球場(chǎng)和港口分類問(wèn)題 中的分類正確率較高，這是由于這些類別圖像的顏色特征在整幅圖像中較明顯;在密集住 宅區(qū)和十字路口等分類問(wèn)題上表現(xiàn)很差。
[0069] Gabor特征在農(nóng)田和跑道分類問(wèn)題中的分類精度較其他類別高，這是由于這些類 別圖像中紋理較清晰;在棒球場(chǎng)、建筑物、儲(chǔ)油罐分類問(wèn)題上表現(xiàn)很差。
[0070] ScSPM特征在棒球場(chǎng)、海濱、跑道分類問(wèn)題中表現(xiàn)較好，這是由于這類圖像具有絕 對(duì)空間排列，其中對(duì)于海濱類圖像中，盡管有一些特殊方向上的海岸線不好辨別，但是可以 通過(guò)同一圖像區(qū)域的沙灘或者浪花來(lái)分辨圖像類別，對(duì)于跑道類圖像也是如此;對(duì)于建筑 物、儲(chǔ)油罐分類問(wèn)題表現(xiàn)略差。
[0071] 頻繁項(xiàng)集挖掘方法對(duì)于建筑物、密集住宅區(qū)、中密度住宅區(qū)、稀疏住宅區(qū)分類問(wèn)題 中表現(xiàn)最好，但是在農(nóng)田分類問(wèn)題表現(xiàn)較差。
[0072] 雖然每一種特征都有其表現(xiàn)較好的幾種類別，但是總體平均分類精度都不高，不 能夠滿足實(shí)際中分類精度的要求。
[0073] 表1給出了本發(fā)明中兩個(gè)子分類器的分類結(jié)果，以及兩個(gè)子分類器融合之后的結(jié) 果。
[0074]表1兩個(gè)子分類器的分類結(jié)果
[0076] 圖5給出了本發(fā)明實(shí)驗(yàn)中各類別的詳細(xì)分類結(jié)果，從圖中可以看出本發(fā)明方法除 了農(nóng)田、高爾夫球場(chǎng)、河流類別圖像分類結(jié)果稍低于單一特征外，其他類別圖像的分類精度 均高于使用單一特征進(jìn)行分類時(shí)的最大分類精度。本發(fā)明方法極大地改善了使用單一特征 頻繁項(xiàng)集挖掘?qū)τ趦?chǔ)油罐分類正確率較低的問(wèn)題，對(duì)于海濱、立交橋、停車場(chǎng)和網(wǎng)球場(chǎng)類別 圖像分類性能達(dá)到了 1〇〇%，這充分說(shuō)明了對(duì)于圖像中的不同目標(biāo)、各種特征有效性不盡相 同，彼此間存在互補(bǔ)性。
[0077] 圖6給出了單一特征與本發(fā)明五次實(shí)驗(yàn)平均分類精度對(duì)比性能曲線圖，從圖中可 以看出，本發(fā)明方法的總體平均分類精度最高，達(dá)到96%。良好的分類精度證明了本發(fā)明算 法更具有魯棒性。
[0078] 表2給出了本發(fā)明方法與以下幾種常見多特征融合方法的分類精度對(duì)比：
[0079] Sheng等人[Sheng G,Yang ff,Xu T,et al .High-resolution satellite scene classification using a sparse coding based multiple feature combination!!J] .International journal of remote sensing，2012,33(8):2395_2412.]使用基于多特征 融合稀疏編碼的方法用于高分辨率遙感圖像分類(簡(jiǎn)稱SCMF)，將單特征通道的概率串聯(lián)起 來(lái)作為最終的融合結(jié)果。
[0080] Fernando 等人[Fernando B, Fromont E ,Muselet D, et al. Discriminative feature fusion for image classification[C]//Computer Vision and Pattern Recognition (CVPR),2012IEEE Conference on. IEEE,2012:3434-3441.]提出了基于邏輯 回歸的融合方法(稱為L(zhǎng)RFF)，該方法首先對(duì)每個(gè)特征產(chǎn)生視覺(jué)詞典，然后使用邏輯回歸方 法從多個(gè)視覺(jué)詞典中推斷出特定類中最具有判別力的視覺(jué)單詞，最后采用LR輸出設(shè)計(jì)一種 新的SVM分類器有效邊緣化核的學(xué)習(xí)方法。
[0081] Shao等人[Shao W，Yang W，Xia G S，et al ? A hierarchical scheme of multiple feature fusion for high-resolution satellite scene categorization [M]//Computer Vision Systems.Springer Berlin Heidelberg,2013:324-333.]提出了 在不同分類階段分別采用直方圖交叉核支持向量機(jī)(HIK-SVM)與LI范式正則化邏輯回歸分 類器(L1R-RLC)，將HIK-SVM得到的不同特征的軟概率進(jìn)行融合并導(dǎo)入L1R-LRC中得到最終 的概率。
[0082] 從表2中可以看出本發(fā)明方法顯著優(yōu)于SCMF和LRFF方法，且比HI K-S VM，L1R-RLC方 法高3.23%，說(shuō)明了本發(fā)明方法是一種較有效的多特征融合方法。
[0083]表2本發(fā)明方法與各種現(xiàn)有多特征融合方法分類精度對(duì)比
【主權(quán)項(xiàng)】
1. 一種基于分層多特征融合的高分辨率遙感圖像場(chǎng)景分類方法，包括訓(xùn)練階段和測(cè)試 階段;其特征在于，所述訓(xùn)練階段包括以下步驟： 步驟1、提取訓(xùn)練樣本圖像的組合全局特征，并對(duì)訓(xùn)練樣本圖像進(jìn)行聚類分析，得到最 優(yōu)聚類結(jié)果;所述組合全局特征由至少兩種全局特征組合而成； 步驟2、從最優(yōu)聚類結(jié)果中選出聚類一致性指標(biāo)大于一預(yù)設(shè)閾值的類簇，以所選出類簇 中的所有訓(xùn)練樣本圖像作為第一訓(xùn)練子集，基于組合全局特征進(jìn)行分類模型的訓(xùn)練，得到 全局特征分類器；以其余的訓(xùn)練樣本圖像作為第二訓(xùn)練子集，對(duì)其中的訓(xùn)練樣本圖像進(jìn)行 局部特征提取，并利用頻繁項(xiàng)集挖掘進(jìn)行特征精簡(jiǎn)，然后基于所得到的精簡(jiǎn)特征進(jìn)行分類 模型的訓(xùn)練，得到局部精簡(jiǎn)特征分類器;任一類簇的聚類一致性指標(biāo)具體為:該類簇中數(shù)量 最多的那一類訓(xùn)練樣本圖像在該類簇所有訓(xùn)練樣本圖像中的數(shù)量占比； 所述測(cè)試階段包括以下步驟： 步驟3、從所述最優(yōu)聚類結(jié)果中選出類簇中心與測(cè)試樣本圖像在組合全局特征空間中 距離最小的類簇，并判斷該類簇是否為聚類一致性指標(biāo)大于所述預(yù)設(shè)閾值的類簇，如是，則 將測(cè)試樣本圖像的組合全局特征輸入所述全局特征分類器進(jìn)行分類;如否，則提取測(cè)試樣 本圖像的局部特征并利用訓(xùn)練階段挖掘得到的頻繁項(xiàng)集對(duì)其進(jìn)行特征精簡(jiǎn)，得到測(cè)試樣本 圖像的精簡(jiǎn)特征，然后將測(cè)試樣本圖像的精簡(jiǎn)特征輸入所述局部精簡(jiǎn)特征分類器進(jìn)行分 類。2. 如權(quán)利要求1所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，所述聚類分析的方 法具體如下：在不同類簇?cái)?shù)下分別對(duì)訓(xùn)練樣本圖像進(jìn)行聚類，并依據(jù)DB聚類有效性指標(biāo)或 改進(jìn)的DB聚類有效性指標(biāo)從中選出最優(yōu)類簇?cái)?shù)，最優(yōu)類簇?cái)?shù)所對(duì)應(yīng)的聚類結(jié)果即為最優(yōu)聚 類結(jié)果。3. 如權(quán)利要求2所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，所述不同聚類數(shù)的 取值范圍為[INT(0.9N)，2N];其中，INT(*)為取整函數(shù)，N為高分辨率遙感圖像的場(chǎng)景類別 總數(shù)。4. 如權(quán)利要求2所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，使用K-means聚類 方法在不同類簇?cái)?shù)下分別對(duì)訓(xùn)練樣本圖像進(jìn)行聚類。5. 如權(quán)利要求1所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，所述組合全局特征 由包括顏色特征和紋理特征的至少兩種全局特征組合而成。6. 如權(quán)利要求5所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，所述顏色特征為 HSL色彩空間的顏色直方圖特征，所述紋理特征為Gabor紋理特征。7. 如權(quán)利要求1所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，所述局部特征為 SIFT特征。8. 如權(quán)利要求1所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，在利用頻繁項(xiàng)集挖 掘進(jìn)行特征精簡(jiǎn)時(shí)，僅挖掘交易庫(kù)中的頻繁二項(xiàng)集。9. 如權(quán)利要求1所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，所述閾值的取值范 圍為[0.9,1]。10. 如權(quán)利要求1所述高分辨率遙感圖像場(chǎng)景分類方法，其特征在于，用于訓(xùn)練全局特 征分類器和局部精簡(jiǎn)特征分類器的分類模型均為支持向量機(jī)。
【文檔編號(hào)】G06K9/62GK105894030SQ201610201638
【公開日】2016年8月24日
【申請(qǐng)日】2016年4月1日
【發(fā)明人】蔡陽(yáng), 李士進(jìn), 蔣亞平, 陳德清, 王伶俐, 袁俐新, 付靜, 鄭展, 王繼民, 余宇峰, 朱海晨, 王聲特
【申請(qǐng)人】河海大學(xué), 水利部水利信息中心