一种遥感图像场景分类方法
【技术领域】
[0001] 本发明涉及一种遥感图像场景分类方法。
【背景技术】
[0002] 近年来，高分辨率对地观测技术得到了迅猛发展，已经在土地调查、城市规划、灾 害管理和军事等诸多领域发挥了重要的作用。相比于中低分辨率遥感图像，高分辨率遥感 图像能够提供详细的地面信息，但各种地物空间结构分布较复杂。随着遥感图像分辨率的 提高，空间信息量更加丰富，空间地物几何信息、纹理信息等更加明显，但同时也带来了高 分影像同类地物的光谱差异性增强，不同地物的光谱异质性降低等问题。因此，虽然高分遥 感影像提供了更为精细的地表刻画，但智能化、自动化信息提取任务的难度相比如中低分 辨率遥感影像大大增加。传统的遥感图像目视解译方法不仅要求丰富的专业经验和充足的 野外实地调查资料，而且由于这种识别方法是建立在特定的先验知识基础上，因此识别难 度较大，效率较低。
[0003] 根据图像描述方式的不同，当前图像分类方法大致可以分为：基于全局特征 的描述方法和基于局部特征的的描述方法。常见的全局特征包括：LBP(Local binary pattern)、颜色直方图、纹理特征等。由于全局特征通常是整幅图像，因而不能较好 地描述图像中的局部目标，因此对飞机、网球场等特征点分布较稀疏的类别图像分类 精度较低。基于局部特征的图像描述方法由于可以在同一类别千变万化的图像中寻 找不变的特征，受到广大研究者青睐。2004年，Csurka等学者[Csurka G, Dance C R, Fan L, et al. Visual categorization with bags of keypoints[C]//Proceedings of Workshop on Statistical Learning in Computer Vision.Prague,Czech Republic:Springer, 2004:1-22]首次将词包模型（亦称为视觉词袋模型）用于图像场景分 类，并提出了针对图像场景分类的视觉词包模型算法。Lazebnik等人[Lazebnik S, Schmid Cj Ponce J.Beyond bags of features:Spatial pyramid matching for recognizing naturalscene categories. [C]In CVPRjNew York, USA: IEEEComputer 2006:2169-2178] 在视觉词包模型中加入空间金字塔匹配核，提出空间金字塔核的词包模型。Yang等学 者[Yang J Cj Yu Kj Gong Y Hj et al. Linear spatial pyramid matchingusing sparse coding for image classification[C]//Proceedingsof the 22nd International Conference on Computer Vision and Pattern Recognition. Miami, USA:IEEE Computer Society，2009:1794-1801.]提出稀疏编码方法ScSPM，它通过解凸优化问题求取局部描 述矢量关于视觉单词向量的稀疏表示，使用多个视觉单词向量线性组合表示局部矢量，大 大提高了分类性能。文献[Ji R R，Yao H X，Liu W.Task-dependent visual-codebook compression[J]. IEEE Transactions on Image Processing，2012:21 (4):2282-2293.]使 用硬分配编码取代稀疏编码，使用监督字典学习算法对Bof特征进行压缩以弥补编码方 法所带来的不足。Bolovinou 等人[Bolovinou A，Pratikakis I，Perantonis S. Bag of spatio-visual words for context inference in scene classification[J]. Pattern Re cognition, 2013, 46 (3) : 1039-1053.]提出了基于有序空间结构关系的视觉单词，在内容表 达中加入了上下文信息。
[0004] 上述现有技术虽然各有其特点，但均存在未能很好平衡分类精度和分类时间之间 的矛盾。
【发明内容】
[0005] 本发明所要解决的技术问题在于克服现有技术不足，提供一种遥感图像场景分类 方法，利用多特征融合多分类器的方法对遥感图像进行场景分类，在提高分类精度的同时 降低了分类所需的时间。
[0006] 本发明具体采用以下技术方案：
[0007] -种遥感图像场景分类方法，包括训练阶段和测试阶段；
[0008] 所述训练阶段包括以下步骤：
[0009] 步骤1、提取各训练样本图像的局部不变特征，并根据局部不变特征点在图像中的 密度分布情况将训练样本图像分为特征点分布均匀和特征点分布不均匀这两类；
[0010] 步骤2、提取特征点分布均匀的训练样本图像的全局特征，并对一个分类器进行训 练，得到第一分类器；提取特征点分布不均匀的训练样本图像的局部特征，并对另一个分类 器进行训练，得到第二分类器；
[0011] 所述测试阶段包括以下步骤：
[0012] 步骤3、提取测试样本图像的局部不变特征，并根据局部不变特征点在图像中的密 度分布情况将测试样本图像分为特征点分布均匀和特征点分布不均匀这两类；
[0013] 步骤4、提取特征点分布均匀的测试样本图像的全局特征，利用第一分类器对其进 行分类；提取特征点分布不均匀的测试样本图像的局部特征，利用第二分类器进行分类。
[0014] 优选地，所述全局特征为相互串接并归一化的颜色特征和纹理特征。
[0015] 优选地，所述局部特征为基于稀疏编码的空间金子塔匹配模型特征。
[0016] 所述将图像分为特征点分布均匀和特征点分布不均匀这两类，可根据实际需要设 计相应的判断方法，以下为两种优选方案：
[0017] 第一种、具体通过以下方法将图像分为特征点分布均匀和特征点分布不均匀这两 类：
[0018] 对于训练样本图像，将图像分为一组互不重叠的图像块，并判断局部不变特征点 在这些图像块中的分布方差是否大于预设的方差阈值，如是，则将该图像初步判定为特征 点分布不均匀；反之，则初步判定为特征点分布均匀；对于每一类场景的所有训练样本图 像，如其中被初步判定为特征点分布均匀的图像所占比例达到或超过预设的比例下限值， 则将该类场景的所有训练样本图像划为特征点分布均匀的一类，否则，将该类场景的所有 训练样本图像划为特征点分布不均匀的一类；所述比例下限值的取值范围为[0.8, 1);
[0019] 对于测试样本图像，将图像分为一组互不重叠的图像块，并判断局部不变特征点 在这些图像块中的分布方差是否大于预设的方差阈值，如是，则将该图像划为特征点分布 不均匀的一类；反之，则为特征点分布均匀的一类。所述方差阈值的优选范围为[1.5,3]， 最好取为2.5。
[0020] 第二种、具体通过以下方法将图像分为特征点分布均匀和特征点分布不均匀这两 类：
[0021] 对于训练样本图像，将图像分为一组互不重叠的图像块，并统计各图像块中所包 含的局部不变特征点数量，如所包含局部不变特征点数量在预设范围内的图像块在该图像 所有图像块中所占的比例大于预设的比例阈值，则将该图像初步判定为特征点分布均匀的 一类；反之，则初步判定为特征点分布不均匀的一类；对于每一类场景的所有训练样本图 像，如其中被初步判定为特征点分布均匀的图像所占比例达到或超过预设的比例下限值， 则将该类场景的所有训练样本图像划为特征点分布均匀的一类，否则，将该类场景的所有 训练样本图像划为特征点分布不均匀的一类；所述比例下限值的取值范围为[0.8, 1);
[0022] 对于测试样本图像，将图像分为一组互不重叠的图像块，并统计各图像块中所包 含的局部不变特征点数量，如所包含局部不变特征点数量在预设范围内的图像块在该图像 所有图像块中所占的比例大于预设