基于显著点特征和稀疏自编码的遥感图像检索方法及系统的制作方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及一种基于显著点特征和稀疏自编码的遥感图 像检索方法及系统。
【背景技术】
[0002] 随着遥感对地观测能力的提高，可获取的遥感数据呈现出多元化和海量化的特 点。然而，海量遥感数据为各类重大应用需求提供丰富数据源的同时，由于目前地面数据处 理和分析能力不足，遥感大数据的"数据海量、信息淹没"问题日益突出。如何利用新兴的 科学计算技术和手段，快速定位和智能检索遥感图像中的感兴趣目标或区域，是遥感大数 据处理和分析面临的挑战，也是遥感图像处理领域亟待解决的科学问题。遥感图像检索技 术是解决这一瓶颈问题的有效方法，研究高效的图像检索技术具有重要的意义。
[0003] 目前的遥感图像检索技术主要是通过对图像的低层特征进行相似性度量，进而返 回相似图像。相比传统的基于关键字的检索方法，基于内容的检索方法效率和准确度更高， 但设计一种能有效描述各种复杂遥感图像场景的特征描述方法是非常困难的。近些年，深 度学习由于具有良好的特征学习能力逐渐成为图像识别领域的研究热点。相比人工设计的 特征，基于深度学习的方法能通过样本训练得到一个特征提取器以实现图像特征的自动提 取，适用于包含复杂场景的遥感图像检索。由于网络设计和训练相对简单，稀疏自编码已成 为一种常用的深度学习方法，并在图像处理中应用广泛。
[0004] 对于稀疏自编码网络训练，在构造训练样本方面，现有方法通常是从训练图像上 随机选取一定数目和尺寸的图像块构造训练样本，这种样本构造方法有以下缺陷。第一，从 人眼视觉理论的角度来说，人们关注的是遥感图像上的特定目标，而随机选取的图像块可 能并不包含关注的特定目标。第二，由于训练图像的尺寸固定，因此随机选取图像块构造训 练样本的方法可能会造成训练样本不足。第三，由于训练样本是图像块，利用训练好的网络 进行特征提取时得到是图像块而非整幅图像的特征，因此不能直接用于图像检索。为了得 到整幅图像的特征，通常需要采用卷积的方法，但这一过程不仅计算效率低而且会引入其 他参数。在激活函数选择方面，现有方法通常采用sigmoid函数作为网络隐含层神经元的 激活函数，而sigmoid函数在网络反向传播时存在严重的梯度消失等问题，不利于网络训 练。对于稀疏自编码网络特征提取，现有方法通常是直接将隐含层的激活值作为提取的特 征而没有经过稀疏化处理，而实验表明稀疏特征性能更好。
【发明内容】
[0005] 针对现有技术存在的不足，本发明提供了一种基于显著点特征和稀疏自编码的遥 感图像检索技术方案。本发明将提取遥感图像的显著点特征作为稀疏自编码网络的输入进 而对其进行训练，最终利用训练的特征提取器提取图像特征实现遥感图像检索。
[0006] 本发明所采用的技术方案是一种基于显著点特征和稀疏自编码的遥感图像检索 方法，包括以下步骤：
[0007] 步骤1，提取图像库中各图像的特征点得到特征点矩阵，并利用视觉注意模型计算 各图像的显著图；
[0008] 步骤2,对于图像库中各图像的显著图，分别采用自适应阈值法将显著图二值化， 并与图像相应的特征点矩阵进行掩膜运算得到过滤后的显著特征点；实现方式如下，
[0009] 采用自适应阈值法将显著图二值化时，根据显著图像素的显著性大小，确定显著 图的二值化阈值T如下，
[0011] 其中，w和h分别表示显著图的宽和高，I(x，y)表示显著图像素（x，y)的显著值； [0012] 设根据二值化阈值T对显著图二值化，得到二值化显著图，相应有矩阵Ibina"，设P 表示图像的特征点矩阵，？:表示过滤后的显著特征点矩阵，计算显著特征点矩阵如下，
[0013] Pt = P② h_n.
[0014] 步骤3,从图像库中取若干图像作为训练图像，从各训练图像分别选取若干显著 特征点构造训练样本，得到训练样本集X，根据白化后的训练样本集t训练稀疏自编码网 络，得到特征提取器；
[0015] 所述稀疏自编码网络输入层、隐含层以及输出层，其中隐含层神经元采用ReLU函 数作为激活函数，输出层神经元采用softplus函数作为激活函数，稀疏自编码网络的代价 函数定义如下，
[0017] 其中，第一项为均方误差项，第二项为正则项，士,表示训练样本集X'的网络输出 值，W= %，W2]和b=[byb2]分别表示网络输入层和隐含层间的权重％和偏置bi以及隐 含层和输出层间的权重^和偏置b2构成的权重矩阵，λ表示正则项系数；
[0018] 步骤4,对图像库中的所有图像，利用步骤3训练所得的特征提取器进行特征提 取，并用阈值函数对提取的图像特征进行稀疏化处理，得到最终的用于检索的特征向量；实 现方式如下，
[0019] 提取的图像特征Υ表示如下，
[0020] Y=f!r +bi)
[0021] 其中，显著特征点矩阵P:'是根据步骤2所得过滤后的显著特征点矩阵？:白化后 的结果；
[0022] 对于提取的图像特征Y，进行如下稀疏化处理得到稀疏特征矩阵Z，
[0023] Z= [Z+,Z] =[max(0,Υ-a)，max(0，α-Y)]
[0024] 其中，α表示阈值函数的阈值，矩阵Z+=max(0,Υ-α)，Z=max(0,α-Υ);
[0025] 设从一幅图像检测到的SIFT点个数是n个，对稀疏特征矩阵Z进一步处理，得到 特征向量F如下，
[0027] 其中，^和Z:分别表示矩阵Z+和Z的第i个列向量。
[0028] 步骤5,基于步骤4提取的特征向量，根据预设的相似性度量准则进行图像检索。
[0029] 而且，步骤1中，提取图像库中各图像的特征点得到特征点矩阵，利用SIFT算子提 取实现。
[0030] 而且，步骤5中，预设的相似性度量准则采用城区距离。
[0031] 本发明还相应提供一种基于显著点特征和稀疏自编码的遥感图像检索系统，包括 以下模块，
[0032] 特征点提取模块，用于提取图像库中各图像的特征点得到特征点矩阵，并利用视 觉注意模型计算各图像的显著图；
[0033] 显著特征点提取模块，用于对于图像库中各图像的显著图，分别采用自适应阈值 法将显著图二值化，并与图像相应的特征点矩阵进行掩膜运算得到过滤后的显著特征点； 实现方式如下，
[0034] 采用自适应阈值法将显著图二值化时，根据显著图像素的显著性大小，确定显著 图的二值化阈值T如下，
[0036] 其中，w和h分别表示显著图的宽和高，I(x，y)表示显著图像素（x，y)的显著值；
[0037] 设根据二值化阈值T对显著图二值化，得到二值化显著图，相应有矩阵Ibina"，设P 表示图像的特征点矩阵，？:表示过滤后的显著特征点矩阵，计算显著特征点矩阵如下，
[0038] 4 =户?4_·ν
[0039] 训练模块，用于从图像库中取若干图像作为训练图像，从各训练图像分别选取若 干显著特征点构造训练样本，得到训练样本集X，根据白化后的训练样本集t训练稀疏自 编码网络，得到特征提取器；
[0040] 所述稀疏自编码网络输入层、隐含层以及输出层，其中隐含层神经元采用ReLU函 数作为激活函数，输出层神经元采用softplus函数作为激活函数，稀疏自编码网络的代价 函数定义如下，
[0042] 其中，第一项为均方误差项，第二项为正则项，士,表示训练样本集X'的网络输出 值，W= %，W2]和b=[byb2]分别表示网络输入层和隐含层间的权重％和偏置bi以及隐 含层和输出层间的权重^和偏置b2构成的权重矩阵，λ表示正则项系数；
[0043] 特征提取模块，用于对图像库中的所有图像，利用步骤3训练所得的特征提取器 进行特征提取，并用阈值函数对提取的图像特征进行稀疏化处理，得到最终的用于检索的 特征向量；实现方式如下，
[0044] 提取的图像特征Υ表示如下，
[0045] Y=f! (WiP：r +bi)
[0046] 其中，显著特征点矩阵P:'是根据步骤2所得过滤后的显著特征点矩阵P:白化后 的结果；
[0047] 对于提取的图像特征Y，进行如下稀疏化处理得到稀疏特征矩阵Z，
[0048] Z= [Z+，Z] =[max(0,Υ-α)，max(0，α-Y)]
[0049]其中，α表示阈值函数的阈值，矩阵Z+=max(0,Υ-α)，Z=max(0,α-Y);
[0050] 设从一幅图像检测到的SIFT点个数是n个，对稀疏特征矩阵Z进一步处理，得到 特征向量F如下，
[0052] 其中，（和疋分别表示矩阵Z+和Z的第i个列向量。
[0053] 检索模块，用于基于特征提取模块提取的特征向量，根据预设的相似性度量准则 进行图像检索。
[0054] 而且，特征点提取模块中，提取图像库中各图像的特征点得到特征点矩阵，利用 SIFT算子提取实现。
[0055]