专利名称：一种基于高斯尺度空间构建遥感影像语义的方法
技术领域：
本发明涉及遥感影像处理与遥感影像识别领域，特别涉及一种基于高斯尺度空间构建遥感影像语义的方法。
背景技术：
与自然数字图像不同，遥感影像本身具有许多特有的特征，包括丰富的光谱信息(多光谱影像、高光谱影像)、基于不同光谱下明显的地物反射率差别、影像拍摄的角度效应、大气辐射影响、持续变化的太阳反射角，等等。因此，遥感影像所具有的这些独有特性使得该领域很难直接利用针对自然数字图像的语义信息进行提取的方法。
高斯尺度空间可有效地对人类视觉认知进行拟合，随着尺度的增加，遥感影像逐渐模糊，直至整个全局影像的空间梯度渐渐归于零值。遥感影像通过高斯函数构建的高斯尺度空间，具有每一个尺度下的影像灰度值为正值、每一尺度下的影像大小不变、尺度变化线性可增减，以及尺度不变这四个重要特征，与传统的二维遥感影像空间(如影像金字塔)相比，高斯尺度空间的特征可为遥感影像语义的挖掘提供更多层次的信息源。
发明内容
本发明利用遥感影像高斯尺度空间的构建，为遥感影像语义基于影像空间特征、影像时序特征，以及不同波段下影像特征提供一种便捷的实现途径。本发明的技术方案为一种基于高斯尺度空间构建遥感影像语义的方法，包括以下步骤步骤1，基于遥感影像的内容，通过高斯函数建立遥感影像的高斯尺度空间；步骤2，提取遥感影像的稳定特征区域和尺度特征区域，所述提取遥感影像的稳定特征区域，包括在步骤I所得遥感影像的高斯尺度空间中，对每一个高斯尺度分别执行以下子步骤，步骤21. 1，将同一高斯尺度下影像内容划分为不同的影像空间区域；步骤21. 2，根据步骤21. I所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点；步骤21. 3，基于步骤21. 2所得的稳定特征点，提取该高斯尺度的稳定特征区域；所述提取遥感影像的尺度特征区域，包括在步骤I所得遥感影像的高斯尺度空间中执行以下子步骤，步骤22. 1，将不同对每个高斯尺度下影像内容划分不同的为相应的影像空间区域；步骤22. 2，根据步骤22. I所划分各高斯尺度下影像的影像空间区域，基于各个不同尺度之间具有的尺度不变特征提取相应影像空间区域下不同高斯尺度的尺度特征点；步骤22. 3，基于步骤22. 2所得的尺度特征点，提取遥感影像的尺度特征区域；步骤3，根据步骤2所得稳定特征区域建立高斯尺度的树形层次结构，根据步骤2所得尺度特征区域建立高斯尺度的树形层次结构，得到一个二维高斯尺度空间的树形层次结构；步骤4，基于步骤3根据稳定特征区域建立的高斯尺度的树形层次结构，建立非结构性层次语义；基于步骤3中根据尺度特征区域建立的高斯尺度的树形层次结构，建立结构性层次语义。而且，步骤I中，遥感影像为单波段遥感影像、多波段遥感影像或全色遥感影像。而且，步骤21. I中，通过QaR树将同一遥感影像尺度下影像内容划分为不同的影像空间区域，基于QaR树的计算包括以下步骤，首先，计算基于Quad树的分解结果和基于R*-树的分解结果的差值，如下所示
I = R φ (f) -Q φ (f) 其中，I表示基于Quad树的分解结果和基于R*_树的分解结果的影像差值空间区域，，f表示待分解的某一高斯尺度的遥感影像，Ι Φ (.)表示基于R*-树的分解，9Φ (.)表示基于Quad树的分解；然后，对式(2)中所得的影像差值空间区域I中的每一个像素同基于R*-树分解所得影像的最大值和最小值进行差值计算，如果和最大值或者最小值的差值任意一个小于两者之间的Kullback-Leibler距离，则将该像素归为影像粒的一部分，公式如下
权利要求
1.一种基于高斯尺度空间构建遥感影像语义的方法，包括以下步骤 步骤1，基于遥感影像的内容，通过高斯函数建立遥感影像的高斯尺度空间； 步骤2，提取遥感影像的稳定特征区域和尺度特征区域， 所述提取遥感影像的稳定特征区域，包括在步骤I所得遥感影像的高斯尺度空间中，对每一个高斯尺度分别执行以下子步骤， 步骤21. 1，将同一高斯尺度下影像内容划分为不同的影像空间区域； 步骤21. 2，根据步骤21. I所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点； 步骤21. 3，基于步骤21. 2所得的稳定特征点，提取该高斯尺度的稳定特征区域；所述提取遥感影像的尺度特征区域，包括在步骤I所得遥感影像的高斯尺度空间中执行以下子步骤， 步骤22. 1，对每个高斯尺度下影像内容划分不同的影像空间区域； 步骤22. 2，根据步骤22. I所划分各高斯尺度下影像的影像空间区域，基于各个不同尺度之间具有的尺度不变特征提取影像空间区域下的尺度特征点； 步骤22. 3，基于步骤22. 2所得的尺度特征点，提取遥感影像的尺度特征区域； 步骤3，根据步骤2所得稳定特征区域建立高斯尺度的树形层次结构，根据步骤2所得尺度特征区域建立高斯尺度的树形层次结构，得到一个二维高斯尺度空间的树形层次结构； 步骤4，基于步骤3根据稳定特征区域建立的高斯尺度的树形层次结构，建立非结构性层次语义；基于步骤3中根据尺度特征区域建立的高斯尺度的树形层次结构，建立结构性层次语义。
2.根据权利要求I所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于步骤I中，遥感影像为单波段遥感影像、多波段遥感影像或全色遥感影像。
3.根据权利要求I所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于步骤21. I中，通过QaR树将同一遥感影像尺度下影像内容划分为不同的影像空间区域，基于QaR树的计算包括以下步骤， 首先，计算基于Quad树的分解结果和基于R*-树的分解结果的差值，如下所示I = Ι Φ (f)-QΦ (f) 其中，I表示基于Quad树的分解结果和基于R*-树的分解结果的影像差值空间区域，f表示待分解的某一高斯尺度的遥感影像，RA (.)表示基于R*-树的分解，QΦ (.)表示基于Quad树的分解； 然后，对式(2)中所得的影像差值空间区域I中的每一个像素同基于R*-树分解所得影像的最大值和最小值进行差值计算，如果和最大值或者最小值的差值任意一个小于两者之间的Kullback-Leibler距离，则将该像素归为影像粒的一部分，公式如下
4.根据权利要求I所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于步骤21. 2中所述根据步骤21. I所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点，包括提取该高斯尺度下影像的全局最大值像素坐标点、全局最小值像素坐标点、局部最大值像素坐标点、局部最大值像素坐标点、全局鞍值像素坐标点和局部鞍值像素坐标点，所述全局是指该高斯尺度下影像，所述局部是指步骤21. I所划分得到的任一影像空间区域。
5.根据权利要求I所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于步骤21. 3中，基于步骤21. 2所得的稳定特征点，采用全角度空间梯度算法提取该高斯尺度的稳定特征区域；步骤22. 3中，基于步骤22. 2所得的尺度特征点，采用全角度空间梯度算法提取遥感影像的尺度特征区域； 所述全角度空间梯度算法基于影像中某坐标点(X，y)，对该坐标点周围所有像素基于360°的空间梯度进行计算，计算公式如下
6.根据权利要求I所述基于高斯尺度空间的遥感影像语义构建方法，其特征在于步骤22. 2中，提取相应影像空间区域下不同高斯尺度的尺度特征点，由下式计算得到
全文摘要
本发明涉及一种基于高斯尺度空间构建遥感影像语义的方法，包括以下步骤首先构建遥感影像的高斯尺度空间；然后分别建立包括同一尺度下的遥感影像不同空间区域和同一遥感影像空间区域下的不同尺度的二维高斯尺度树形层次结构；基于两个不同类型的高斯尺度树形层次结构分别构建非结构性语义和结构性语义，完成基于高斯尺度空间构建遥感影像语义。
文档编号G06T7/00GK102945550SQ20121039017
公开日2013年2月27日 申请日期2012年10月15日 优先权日2012年10月15日
发明者邵振锋, 周熙然 申请人:武汉大学