基于復合圖條件隨機場的遙感圖像分類標注方法
【專利摘要】針對遙感圖像分類標注問題，本發(fā)明公開了一種基于復合圖條件隨機場的遙感圖像分類標注方法，該方法包括：通過人工樣本采集獲得訓練樣本(含類別標注真值)和測試樣本；構建復合圖；定義條件隨機場的關聯(lián)勢函數(shù)和交互勢函數(shù)；通過擬牛頓法優(yōu)化條件隨機場模型；通過環(huán)路置信傳播算法對測試樣本進行推斷，獲得其分類標注結果。在本發(fā)明中，通過結合能夠表達全局交互信息的稀疏圖和能夠表達局部空間交互信息的空間圖來構建復合圖，增強了圖結構表達數(shù)據(jù)的能力，進而增強了條件隨機場的分類標注性能，具有較高的分類標注精度。
【專利說明】
基于復合圖條件隨機場的遙感圖像分類標注方法
技術領域
[0001] 本發(fā)明屬于圖像處理和模式識別技術領域，尤其涉及一種基于復合圖條件隨機場 的遙感圖像分類標注方法。
【背景技術】
[0002] 遙感技術是探測地表覆蓋綜合信息的最直觀、最豐富和最有效的一種技術手段。 隨著傳感器技術的飛速發(fā)展，遙感圖像也逐步展現(xiàn)出多譜段、高分辨率和大數(shù)據(jù)量等特點。 大量內(nèi)容全面、信息豐富的遙感圖像的有效獲取，為相關科學研究的發(fā)展提供了完備的信 息資源，但同時也對遙感圖像處理技術提出了更高的要求。
[0003] 在遙感領域中，遙感圖像分類標注是遙感圖像處理技術中最基本的問題之一，也 是遙感圖像分析和解譯的基礎。分類標注結果應用到后續(xù)的遙感圖像處理技術中，其好壞 會對分析結果產(chǎn)生根本的影響。另外，遙感圖像分類標注技術也逐步拓展到各個地區(qū)和各 種業(yè)務部門，涉及全球環(huán)境評估、土地利用、資源調(diào)查和自然災害等多方面。因此，遙感圖像 的分類標注已經(jīng)成為遙感領域中的研究熱點。
[0004]遙感圖像分類標注是將遙感圖像中的所有像素按照某種屬性分為若干類別的過 程，其結果受到諸多因素影響，其中設計合適的分類算法尤為重要。近幾年，條件隨機場在 遙感圖像分類標注領域受到廣泛關注。它是一種無向圖模型，在數(shù)學描述上由關聯(lián)勢函數(shù) 和交互勢函數(shù)構成，易于通過交互勢函數(shù)引入遙感圖像普遍存在的空間信息，因此能夠得 到較好的分類標注結果。傳統(tǒng)條件隨機場的圖結構是以空間圖為基礎的，例如空間4領域、8 鄰域等，使得條件隨機場能夠考慮某樣本點及其周圍空間鄰域樣本的交互關系。但是空間 圖只能融合空間鄰域的局部交互信息，缺乏融合全局交互信息的能力，這使得條件隨機場 的分類性能受到一定的影響。

【發(fā)明內(nèi)容】

[0005] (1)發(fā)明目的:有鑒于此，本發(fā)明期望提供一種有效的遙感圖像分類標注方法。
[0006] (2)技術方案:本發(fā)明提供了一種基于復合圖條件隨機場的遙感圖像分類標注方 法，應用于包含兩種及以上地表覆蓋類別的遙感圖像，所述方法包括：
[0007] 通過人工樣本采集獲得訓練樣本(含類別標注真值)和測試樣本；
[0008] 基于訓練樣本構建復合圖；
[0009] 定義條件隨機場的關聯(lián)勢函數(shù)和交互勢函數(shù)；
[0010] 基于關聯(lián)勢函數(shù)和交互勢函數(shù)，通過擬牛頓法優(yōu)化條件隨機場模型；
[0011] 基于條件隨機場模型優(yōu)化結果，通過環(huán)路置信傳播算法對測試樣本進行推斷，獲 得其分類標注結果。
[0012] 上述方案中，所述基于訓練樣本構建復合圖包括：
[0013] 通過稀疏表不構建稀疏圖；
[0014]通過空間領域定義構造空間圖；
[0015] 根據(jù)所述稀疏圖和空間圖構建復合圖。
[0016] 上述方案中，所述定義條件隨機場的關聯(lián)勢函數(shù)和交互勢函數(shù)包括：
[0017] 通過多項式邏輯回歸模型定義條件隨機場的關聯(lián)勢函數(shù)；
[0018] 通過改進型Potts模型定義條件隨機場的交互勢函數(shù)。
[0019] 上述方案中，所述通過擬牛頓法優(yōu)化條件隨機場模型包括：
[0020] 根據(jù)基于訓練樣本構建的復合圖，基于所述關聯(lián)勢函數(shù)和交互勢函數(shù)構建條件隨 機場模型；
[0021 ]根據(jù)所述條件隨機場模型，計算其偽對數(shù)似然函數(shù)；
[0022] 通過擬牛頓法優(yōu)化所述偽對數(shù)似然函數(shù)，獲得模型最優(yōu)參數(shù)。
[0023] 上述方案中，所述通過環(huán)路置信傳播算法對測試樣本進行推斷，獲得其分類標注 結果包括：
[0024]基于測試樣本構建復合圖；
[0025] 根據(jù)所述模型最優(yōu)參數(shù)，通過環(huán)路置信傳播算法推斷測試樣本的最優(yōu)類別標簽。
[0026] 上述方案中，所述基于測試樣本構建復合圖的步驟包括：
[0027]通過稀疏表示構建稀疏圖；
[0028] 通過空間領域定義構造空間圖；
[0029] 根據(jù)所述稀疏圖和空間圖構建復合圖。
[0030] 通過以上步驟，本發(fā)明實現(xiàn)了一種基于復合圖條件隨機場的遙感圖像分類標注方 法。
[0031] (3)優(yōu)點:本發(fā)明提供了一種基于復合圖條件隨機場的遙感圖像分類方法。條件隨 機場一種無向圖模型，其分類標注能力受到圖結構表達數(shù)據(jù)能力的制約。在本發(fā)明中，通過 結合能夠表達全局交互信息的稀疏圖和能夠表達局部空間交互信息的空間圖來構建復合 圖，增強了圖結構表達數(shù)據(jù)的能力，進而增強了條件隨機場的分類標注性能，具有較高的分 類標注精度。
【附圖說明】
[0032] 圖1為本發(fā)明實施例提供的基于復合圖條件隨機場的遙感圖像分類標注方法流程 圖；
[0033] 圖2為遙感圖像分類標注效果圖。其中，（a)為遙感圖像；（b)為類別真值圖；（c)為 類別-顏色對照表;（d)為傳統(tǒng)條件隨機場的分類標注結果；（e)本發(fā)明的分類標注結果。
[0034] 為了能明確實現(xiàn)本發(fā)明的實施例的結構，在圖中標注了特定的數(shù)據(jù)集和空間領域 范圍等，但這僅為示意需要，并非意圖將本發(fā)明限定在該特定的樣本數(shù)量和空間領域范圍 中。
【具體實施方式】
[0035] 在以下的描述中，將描述本發(fā)明的多個不同的方面。然而，對于本領域內(nèi)的專業(yè)技 術人員而言，可以僅僅利用本發(fā)明的一些或者全部結構或者流程來實施本發(fā)明。為了解釋 的明確性，闡述了特定的數(shù)據(jù)集和空間領域范圍，但是很明顯，在沒有這些特定細節(jié)的情況 下也可以實施本發(fā)明。在其他情況下，為了不混淆本發(fā)明，對于一些眾所周知的特征將不再 進行詳細闡述。
[0036] 因此，本發(fā)明提供了一種基于復合圖條件隨機場的遙感圖像分類標注方法。該方 法首先通過稀疏表示構建稀疏圖，并同空間圖相結合，構造復合圖。稀疏表示能夠在全體樣 本中尋找樣本彼此之間的交互作用，從而使得新構造的復合圖即能夠考慮局部的空間交互 信息，也能夠考慮全局交互信息，具有較強的數(shù)據(jù)關聯(lián)性表達能力。在復合圖基礎上，通過 定義條件隨機場的關聯(lián)勢函數(shù)和交互勢函數(shù)構造條件隨機場模型，并分別采用擬牛頓法和 環(huán)路置信傳播算法進行優(yōu)化和推斷，實現(xiàn)遙感圖像的分類標注。
[0037] 為了更好地理解本發(fā)明的技術方案，下面將結合具體的遙感圖像分類案例詳細介 紹本發(fā)明。如圖1所示，所述方法包含以下步驟：
[0038]步驟S101:通過人工樣本采集獲得訓練樣本(含類別標注真值)和測試樣本。
[0039]本實施例所用的遙感圖像從Google Earth截取，共45張圖像，其中35張用于訓練， 1 0張用于測試。對于任意一張圖像T t，其所包含像素的光譜響應矩陣記為
對應的標簽5
?其中 <為像素 i對應的光譜 響應向量，m為圖像Tt包含的像素總數(shù)。此時，訓練樣本可表示為X=U1，對應的標 簽為Y=(Y1^sYm)，測試樣本可表示為
，其中M和N分別為訓練圖像數(shù)和 測試圖像數(shù)，即M=35，N=10。
[0040] 步驟S102:基于訓練樣本構建復合圖，該步驟包含以下三個子步驟，分別為：
[0041] 子步驟S1021:通過稀疏表示構建稀疏圖，其又包含兩個子步驟，分別為：
[0042] (1)對于任意一張訓練圖像Tt對應的光譜響應矩陣
{1，2,…，M}，計算圖像中每個像素光譜響應向量的稀疏表示，其公式為：
[0043] (1.)
[0044] ，I為單位向量，< 為光譜響應向量<對應的 稀疏表示向量。
[0045] (2)對于任意一張訓練圖像TS其對應的稀疏圖可表示為，其中矩 陣ERt為圖像Tt的稀疏連接矩陣，其表達式為：
[0046]
(2).
[0047]其中表示稀疏表示向量的第j個分量，而為稀疏表示向量的第j-1個 分量。
[0048] 子步驟S1022:通過空間領域定義構造空間圖，其表達是為GSt={Xt，ESt}，矩陣E st 為圖像Tt的空間連接矩陣，其表達式為：
[0049]
〇)
[0050] 其中五分別表示光譜響應向量4和 <對應像素的空間8鄰域中所包 含像素的光譜響應向量集合。
[0051] 子步驟S1023:根據(jù)所述稀疏圖和空間圖構建復合圖，其表達式為Get={Xt，Eet}， Eet為圖像Tt的復合連接矩陣，其表達式為：
[0052]
(4)
[0053]步驟S103:定義條件隨機場的關聯(lián)勢函數(shù)和交互勢函數(shù)。該步驟包含以下兩個子 步驟，分別為：
[0054]子步驟S1031:通過多項式邏輯回歸模型定義條件隨機場的關聯(lián)勢函數(shù)，其表達式 為
[0055]
[0056]其中，1( ·)為指示函數(shù)，為關聯(lián)勢函數(shù)中的待優(yōu)化參數(shù)，L為類 別總數(shù)。
[0057]子步驟S1032:通過改進型Potts模型定義條件隨機場的交互勢函數(shù)，其表達式為：
[0058]
(6)
[0059] 其中，μ為交互勢函數(shù)中的待優(yōu)化參數(shù)。
[0060] 步驟S104:通過擬牛頓法優(yōu)化條件隨機場模型。該步驟包含以下三個子步驟，分別 為：
[0061] 子步驟S1041:基于步驟S102構建的復合圖，根據(jù)所述關聯(lián)勢函數(shù)和交互勢函數(shù)構 建條件隨機場模型，其表達式為：
[0062]
[0063]其中，<·；)和#( ·：)分別為所述步驟S103中所定義的關聯(lián)勢函數(shù)（公式(5))和交 互勢函數(shù)(公式(6));Ζ(Χ"為拆分函數(shù);λ為預設折衷系數(shù)；Γ ={β，μ}為待優(yōu)化參數(shù)構成的 集合；
[0064]子步驟S1042:根據(jù)所述條件隨機場模型，計算其偽對數(shù)似然函數(shù)，其表達式為；
[0065]
[0066] 子步驟S1043:通過擬牛頓法優(yōu)化所述偽對數(shù)似然函數(shù)，獲得模型最優(yōu)參數(shù)Γ'
[0067] 步驟S105:通過環(huán)路置信傳播算法對測試樣本進行推斷，獲得其分類標注結果。該 步驟包含以下兩個子步驟，分別為：
[0068]子步驟S1051:構建復合圖模型。給定任意測試圖像Tk，ke{M+l，"_，M+N}，通過所 述步驟S102的方法計算其對應的復合圖Gek= {Xk，Eek}，即基于測試樣本構建復合圖。其中，
為圖像Tk^包含像素的光譜響應矩陣，Xf為像素 i對應的光譜響應 向量，nk為圖像Tk包含的像素總數(shù)。Eek為圖像Tk對應的復合連接矩陣。子步驟S1052:根據(jù)所 述模型最優(yōu)參數(shù)「％通過環(huán)路置信傳播算法推斷測試樣本標簽Y Te的最優(yōu)解Yf，其表達式 為：
[0070]本發(fā)明以條件隨機場為基礎，構造了一種基于復合圖條件隨機場的遙感圖像分類 標注方法。該方法首先通過稀疏表示構建稀疏圖，并同空間圖相結合，構造復合圖。稀疏表 示能夠在全體樣本中尋找樣本彼此之間的交互作用，從而使得新構造的復合圖即能夠考慮 局部的空間交互信息，也能夠考慮全局交互信息，提高圖模型表達數(shù)據(jù)關聯(lián)性的能力。在復 合圖基礎上，通過定義條件隨機場的關聯(lián)勢函數(shù)和交互勢函數(shù)構造條件隨機場模型，并分 別采用遺傳算法和環(huán)路置信傳播算法進行優(yōu)化和推斷，實現(xiàn)遙感圖像的分類標注。經(jīng)過本 發(fā)明得到的高光譜遙感圖像分類標注結果精度較高，具有實際的應用效果，具有廣闊的應 用價值和市場前景。
【主權項】
1. 一種基于復合圖條件隨機場的遙感圖像分類標注方法，應用于遙感圖像中地表覆蓋 類別的分類標注，其特征在于，所述方法包括： 基于訓練樣本構建復合圖； 定義條件隨機場的關聯(lián)勢函數(shù)和交互勢函數(shù)； 基于關聯(lián)勢函數(shù)和交互勢函數(shù)，通過擬牛頓法優(yōu)化條件隨機場模型； 基于條件隨機場模型優(yōu)化結果，通過環(huán)路置信傳播算法對測試樣本進行推斷，獲得其 分類標注結果。2. 根據(jù)權利要求1所述的方法，其特征在于，所述基于訓練樣本構建復合圖的步驟包 括： 通過稀疏表示構建稀疏圖； 通過空間領域定義構造空間圖； 根據(jù)所述稀疏圖和空間圖構建復合圖。3. 根據(jù)權利要求2所述的方法，其特征在于，所述定義條件隨機場的關聯(lián)勢函數(shù)和交互 勢函數(shù)的步驟包括： 通過多項式邏輯回歸模型定義條件隨機場的關聯(lián)勢函數(shù)； 通過改進型Potts模型定義條件隨機場的交互勢函數(shù)。4. 根據(jù)權利要求3所述的方法，其特征在于，所述通過擬牛頓法優(yōu)化條件隨機場模型的 步驟包括： 根據(jù)基于訓練樣本構建的復合圖，基于所述關聯(lián)勢函數(shù)和交互勢函數(shù)構建條件隨機場 豐旲型； 根據(jù)所述條件隨機場模型，計算其偽對數(shù)似然函數(shù)； 通過擬牛頓法優(yōu)化所述偽對數(shù)似然函數(shù)，獲得模型最優(yōu)參數(shù)。5. 根據(jù)權利要求4所述的方法，其特征在于，所述通過環(huán)路置信傳播算法對測試樣本進 行推斷，獲得其分類標注結果的步驟包括： 基于測試樣本構建復合圖； 根據(jù)所述模型最優(yōu)參數(shù)，通過環(huán)路置信傳播算法推斷測試樣本的最優(yōu)類別標簽。6. 根據(jù)權利要求5所述的方法，其特征在于，所述基于測試樣本構建復合圖的步驟包 括： 通過稀疏表示構建稀疏圖； 通過空間領域定義構造空間圖； 根據(jù)所述稀疏圖和空間圖構建復合圖。
【文檔編號】G06K9/62GK106056128SQ201610245601
【公開日】2016年10月26日
【申請日】2016年4月20日
【發(fā)明人】姜志國, 張浩鵬, 吳俊峰, 尹繼豪, 謝鳳英, 史振威, 趙丹培, 羅曉燕
【申請人】北京航空航天大學