一种基于sift训练样本提取的遥感图像全监督分类方法
【专利摘要】本发明涉及一种基于SIFT(Scale Invariant Feature Transform)训练样本提取的遥感图像全监督分类方法，包括以下步骤：对初始图像的幅度数据归一化处理，得到归一化图像；利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点，作为候选样本；计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值分割处理得到训练样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有的归一化图像的简单纹理特征作为待分类样本，即测试样本；利用SIFT所提取训练样本特征，对支持向量机SVM(Support Vector Machine)分类器进行训练，产生最优分类面；通过最优分类面，对未知类别的测试样本的简单纹理特征进行分类，得到最终的分类结果；本发明适合复杂地形区域的地表分类，拥有较高的分类精度，具有良好的推广性。
【专利说明】
一种基于SI FT训练样本提取的遥感图像全监督分类方法
技术领域
[0001 ] 本发明属于遥感图像处理及模式识别领域，涉及一种基于SIFT(Scale Invariant Feature Transform)训练样本提取的遥感图像全监督分类方法。
【背景技术】
[0002 ]遥感分类的本质是地表特征随时间或者空间变化引起不同区域像元光谱响应的 变化，判断地物是否属于不同的地表特征;检测不同类别地表特征的空间位置;鉴别不同地 表的类型及时空分布模式。基于遥感影像的分类及分析技术应用领域非常广泛，如城市管 理规划、土地退化和荒漠化检测、海洋和内陆水体监测和自然灾害防测及评估等。
[0003] 遥感影像的分类方法按照是否要使用分类器可分为直接比较法和分类后比较法， 又称无监督分类和全监督分类。基于影像分割的分类方法是常见无监督分类方法，但是对 于存在严重干扰的区域这类算法不具有良好的判别能力。全监督分类方法通过使用分类器 和已标记的样本可以有效地指导图像的像元分类，具有良好的判别能力。但是分类器如最 大相关分类器的缺点是当样本数量较高时，算法复杂度也较高，而最近邻分类器选取的最 优分类面不是全局最优;这些分类器分类效果对于训练样本依赖度高，获取有效标记样本 也十分困难，仅仅依靠阈值分割获取的训练样本对测试样本的表征能力低。
【发明内容】
[0004] 本发明要解决的技术问题是:提供一种基于SIFT训练样本提取的遥感图像全监督 分类方法，该方法利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点，处理后 作为训练样本，计算遥感图像的简单纹理特征，再通过SVM分类器实现最终的像元分类，获 得较高的分类精度，具有良好的推广性。
[0005] 本发明解决其技术问题所采用的技术方案为:一种基于SIFT训练样本提取的遥感 图像全监督分类方法，包括以下几个步骤：
[0006] (1)对初始图像的幅度数据归一化处理；
[0007] (2)利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点，作为候选样 本；
[0008] (3)计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值分割处理得到 训练样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有的归一化图像 的简单纹理特征作为待分类样本，即测试样本；
[0009] (4)利用SIFT所提取的训练样本特征，对SVM分类器进行训练，产生最优分类面； [0010] (5)通过最优分类面，对未知类别的测试样本的简单纹理特征进行分类，得到最终 的分类结果。
[0011] 所述的步骤(1)中对初始图像的幅度数据归一化处理的过程具体为：
[0012] 归一化公式为：
[0014] 其中，min()表示最小值，max()表示最大值，R为初始图像，RN_为对应的幅度数据 归一化后的表示;选取Rn_的幅度值在(〇，eps)范围内的的数据作为实验数据，其中eps代 表Rn。?上界，取值范围在0到1之间，Rn_中大于eps的数据都设置为eps。
[0015] 所述的步骤（2)中利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键 点，作为候选样本的过程具体为:首先构建归一化图像Rn。?的高斯金字塔，然后利用拉普拉 斯细节增强算子构建高斯差分金字塔DoG，最后检测关键点并进行精确定位;其中高斯金字 塔组数为：
[0016] 0 = log2{min(M,N) }-t+l ,tG (0, log2{min(M,N)})
[0017]其中，min()表示最小值，0表示高斯金字塔组数，M、N为Rn。?的行数和列数，t为塔 顶图像的最小维数的对数值;为了在DoG金字塔的每组中检测S个尺度的极值点，则DoG金字 塔每组需S+2层图像，所以高斯金字塔每组内有S+3层图像;为了满足尺度变化的连续性，新 的组的第一层图像是由其前一组倒数第三层降采样得到的。对图像做不同尺度的高斯模 糊，即：
[0018] L(x,y ,〇) =G(x,y ,〇)*RN〇rm(x,y)
[0019] 其中，*表示卷积运算
为高斯模糊 函数，（x，y)代表图像的像素位置，（m，n)表示高斯模板的维度（由（6〇+l)X(6〇+l)确定）， 〇 (〇，s)=〇〇X2°Ws(〇G [0, . . .，0-l]，SG [0, . . .，S+2])是尺度空间因子，〇〇为初始设定的 值，组内每层的尺度坐标也可按（
/c = 21/s )对前一层进行模糊；
[0020] 再根据拉普拉斯细节增强算子处理高斯金字塔，即：
[0021] P(x,y)=L(x,y)-V2L(x,y)
[0022] 然后使用金字塔每组中相邻上下两层图像相减，得到高斯差分图像D(x，y，〇)，即 DoG金字塔：
[0023] D(x,y,〇)=P(x,y,k〇)-P(x,y,〇)
[0024] 关键点由DoG金字塔的局部极值点组成，初步筛选方法是比较同一组内相邻两层 图像之间的大小，即对每组中除了第一层、最后一层和边界点外，每一个点和它同尺度即同 一层的8个相邻点以及上下相邻尺度即上下层对应的9X2个点，即共26个点的大小进行比 较，得到局部最大点作为粗选关键点X =( x，y，〇 )T;进行精确定位的方法是，对于粗选关键 点坐标 X=(x，y，〇)T:
[0027]其中』表示相对X的偏移量，1_以')对应DoG金字塔的值;当它在任一维度(x，y，〇) 偏移绝对值大于a时，中心已经偏移，须改变当前关键点的位置；同时在新的位置上反复计 算1直到收敛，即绝对值小于a，其中a为设定的值;如果达到最大迭代次数仍不收敛则删除 该点；为了减少噪声影响，当ID(f)l小于b时删除该点，其中b为设定的值;为了剔除不稳定 的边缘响应点，获取关键点处的2 X 2的Hessian矩阵H: _￡> D
[0028] H= u ,
[A.。J
[0029] Dxx表示DoG金字塔某一尺度图像x方向的二次求导，Dyy表示DoG金字塔某一尺度图 像y方向的二次求导，Dxy表示DoG金字塔某一尺度图像x方向和y方向的二次求导，Det(H) = 0』^-(0灯)2，作(1〇=0^0^，其中0的〇代表矩阵的行列式，作〇代表矩阵的迹，当：
[0031] 则关键点保留，反之剔除，其中r为阈值。
[0032] 所述的步骤(3)中计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值 分割处理得到训练样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有 的归一化图像的简单纹理特征作为待分类样本，即测试样本的过程具体为:首先计算归一 化图像Rn_的简单纹理特征，即每一个像素点邻域内均值和方差，然后对从步骤(2)中得到 的候选样本的灰度值做阈值分割处理得到训练样本坐标，对应的简单纹理特征作为训练样 本，其他的归一化图像Rn。?的简单纹理特征作为测试集。
[0033]所述的步骤(4)中利用SIFT所提取训练样本特征，对SVM分类器进行训练，产生最 优分类面的过程具体为：
[0034] 利用Lagrange乘子法，最大化泛函：
[0037] C^ai^O，i = 1，…，n
[0038] 其中，标签yiG { + 1,-1}，分别对应训练集中不同类别的样本;li为第i个训练样本 的简单纹理特征;k( ?)表示核函数;ai为待求的与第i个训练样本相对应的Lagrange乘子， (：为&1的上界，为设定值，n为训练样本的数量。
[0039] 所述的步骤(5)中通过最优分类面，对未知类别的测试样本的简单纹理特征进行 分类，得到最终的分类结果的过程具体为：
[0040] 最优分类面的函数表示为： n
[0041 ] fij) = sgn j i=l
[0042]其中，ai为第i个训练样本相对应的Lagrange乘子；1为未知类别的测试样本的简 单纹理特征；f H 其中SV表示支持向量;f(l)e{+l，-l}，即决定了当前 J^SV 未知类别的测试样本的分类结果。
[0043]本发明的原理是:结合SIFT与拉普拉斯细节增强算子提取关键点，通过阈值分割 获取不同类别的训练样本，计算样本的简单纹理特征，以求获得更好的类别判别能力和更 好的表征能力；SVM寻找的是一个满足分类要求的最优超平面，适用于小样本，利用核方法 在高维空间解决非线性等问题;结合SIFT与SVM的优势，可以很好地实现遥感图像的分类。
[0044] 本发明与现有技术相比的优点在于:对于训练样本提取部分，较之于单纯阈值分 割准则，本发明可获得图像中的有效关键点；对于目标识别部分，较之于最大相关分类器， 本发明解决了维数问题，较之于最近邻分类器，本发明得到的是全局最优解;通过将SIFT与 SVM分类器相结合，本发明能非常好地完成遥感图像的分类，并获得较高的分类精度，具有 良好的推广性。
【附图说明】
[0045] 图1为本发明的特征提取与分类流程图。
[0046] 图2为对实例进行二分类，即变化检测的结果。
[0047] 其中：
[0048] 201为变化前图像；
[0049] 202为变化后图像；
[0050] 203为图202与图201的比值灰度图，为本方法的初始图像；
[00511 204为SIFT筛选的变化点（白色点）；
[0052] 205为SIFT筛选的未变化点（白色点）；
[0053] 206为变化检测结果；
【具体实施方式】
[0054]下面结合附图及【具体实施方式】详细介绍本发明。
[0055]如图1所示，本发明的基于SIFT训练样本提取的遥感图像全监督分类方法的具体 实施步骤如下：
[0056] (1)对初始图像的幅度数据归一化处理的过程具体为：
[0057]归一化公式为：
[0059]其中，R为初始图像，Rn。?为对应的幅度数据归一化后的表示;选取Rn_的幅度值在 (0,印s)范围内的占比等于99.8%的数据作为实验数据，大于印s的数据都设为印s。
[0060] (2)利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点，作为候选样 本的过程具体为:首先构建归一化图像Rn。?的高斯金字塔，然后利用拉普拉斯细节增强算 子构建高斯差分金字塔DoG，最后检测关键点并进行精确定位;其中高斯金字塔组数为： [0061 ] 0 = log2{min(M,N) }-t+l ,tG (0, log2{min(M,N)})
[0062]其中，min()表示最小值，0表示高斯金字塔组数，M、N为Rn。?的行数和列数，t为塔 顶图像的最小维数的对数值;为了在DoG金字塔的每组中检测S个尺度的极值点，则DoG金字 塔每组需S+2层图像，所以高斯金字塔每组内有S+3层图像;其中高斯金字塔由0 = 4组，S = 3;为了满足尺度变化的连续性，新的组的第一层图像是由其前一组倒数第三层降采样得到 的;对图像做不同尺度的高斯模糊，BP :
[0063] L(x,y ,〇) =G(x,y ,〇)*RN〇rm(x,y)
[0064]其中，*表示卷积运算
丨为高斯模糊 函数，（x，y)代表图像的像素位置，（m，n)表示高斯模板的维度（由（6〇+l)X(6〇+l)确定）， 〇 (o，s) = 〇〇X2°+s/s(〇G[0，...，0-l]，SG[0,…，S+2])是尺度空间因子，初始值 〇。=1.6,组 内每层的尺度坐标也可按
A-= 2llS )对前一层进行模糊。
[0065]再根据拉普拉斯细节增强算子处理高斯金字塔，即：
[0066] P(x,y)=L(x,y)-V2L(x,y)
[0067] 然后使用金字塔每组中相邻上下两层图像相减，得到高斯差分图像D(x，y，〇)，即 DoG金字塔：
[0068] D(x,y,〇)=P(x,y,k〇)-P(x,y,〇)
[0069] 关键点由DoG金字塔的局部极值点组成，初步筛选方法是比较同一组内相邻两层 图像之间的大小，即对每组中除了第一层、最后一层和边界点外，每一个点和它同尺度即同 一层的8个相邻点以及上下相邻尺度即上下层对应的9X2个点，即共26个点的大小进行比 较，得到局部最大点作为粗选关键点X =( x，y，〇 )T;进行精确定位的方法是，对于粗选关键 点坐标 X=(x，y，〇)T:
[0072] 其中，f表示相对X的偏移量，D(X)对应DoG金字塔的值;当它在任一维度(x，y，〇) 偏移绝对值大于a时，中心已经偏移，须改变当前关键点的位置；同时在新的位置上反复计 算f直到收敛，即绝对值小于a，其中a为0.5;如果达到最大迭代次数仍不收敛则删除该点； 为了减少噪声影响，当|〇(幻|小于b时删除该点，其中b为0.03;为了剔除不稳定的边缘响应 点，获取关键点处的2 X 2的Hessian矩阵H: ￡>
[0073] H=" 公"」
[0074] Dxx表不DoG金字塔某一尺度图像X方向的二次求导，Dyy表不DoG金字塔某一尺度图 像y方向的二次求导，Dxy表示DoG金字塔某一尺度图像x方向和y方向的二次求导，Det(H) = 0』^-(0灯)2，作(1〇=0^0^，其中0的〇代表矩阵的行列式，作〇代表矩阵的迹，当：
[0076]则关键点保留，反之剔除，其中阈值r = 18。
[0077] (3)计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值分割处理得到 训练样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有的归一化图像 的简单纹理特征作为待分类样本，即测试样本的过程具体为:首先计算归一化图像Rn。?的 简单纹理特征，即每一个像素点3X3邻域内均值和方差，然后对从步骤(2)中得到的候选样 本的灰度值做阈值分割处理得到训练样本坐标，即关键点X=(x，y， 〇)的办。^(1，7,〇)大于 0.6时，视为一种类别；当关键点X= (X，y，0)的RNcxrm(x，y，0)小于0.4时，视为另一种类别，对 应的简单纹理特征作为训练样本，其他的归一化图像Rn。?的简单纹理特征作为测试集。
[0078] (4)利用SIFT所提取训练样本特征，对SVM分类器进行训练，产生最优分类面的过 程具体为：
[0079] 利用Lagrange乘子法，最大化泛函：
[0082] C^ai^O，i = 1，…，n
[0083] 其中，标签yiG { + 1,-1}，分别对应训练集中不同类别的样本;li为第i个训练样本 的简单纹理特征;k( ?)表示核函数;ai为待求的与第i个训练样本相对应的Lagrange乘子， (：为&1的上界，为设定值，n为训练样本的数量。
[0084] (5)通过最优分类面，对未知类别的测试样本的简单纹理特征进行分类，得到最终 的分类结果的过程具体为：
[0085]最优分类面的函数表示为： h
[0086] /(/)= sgn! V .'(^(/；./) +^*}
[0087]其中，ai为第i个训练样本相对应的Lagrange乘子；1为未知类别的测试样本的简 单纹理特征/=乃-[HIM)'其中SV表示支持向量;€(1)￡{ + 1，_1}，即决定了当前 1,eSV 未知类别的测试样本的分类结果。
[0088]图2中201为变化前图像，A代表发生变化的区域，B代表未发生变化的区域;202为 变化后图像，图中A代表发生变化的区域，B代表未发生变化的区域;203为本方法的初始图 像，是202与201的比值灰度图，图中A代表发生变化的区域，B代表未发生变化的区域;204为 SI FT筛选的变化点，如图中白色点所示；20 5为SI FT筛选的未变化点，如图中白色点所示； 206为变化检测结果图，其中的白亮区域是检测发生变化的部分，黑暗区域是检测未变化部 分，A代表发生变化的区域，B代表未发生变化的区域。可以看出，图206中，在A区域的漏检和 在B区域的虚警较低，分类效果良好。证明该方法具有优越的分类和检测能力。
[0089] 本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0090] 尽管为说明目的公开了本发明的最佳实施例和附图，但是本领域的技术人员可以 理解:在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能 的。因此，本发明所保护的技术方案不应局限于最佳实施例和附图所公开的内容。
【主权项】
1. 一种基于SIFT训练样本提取的遥感图像全监督分类方法，其特征在于包括以下几个 步骤： (1) 对初始图像的幅度数据归一化处理，得到归一化图像； (2) 利用SIFT(Scale Invariant Feature Transform)和拉普拉斯细节增强算子提取 归一化图像中的关键点，作为候选样本； (3) 计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值分割处理得到训练 样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有的归一化图像的简 单纹理特征作为待分类样本，即测试样本； (4) 利用SIFT所提取训练样本特征，对支持向量机SVM(Support Vector Machine)分类 器进行训练，产生最优分类面； (5) 通过最优分类面，对未知类别的测试样本的简单纹理特征进行分类，得到最终的分 类结果。2. 根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法，其特征 在于:所述步骤(1)中对初始图像的幅度数据归一化处理的过程具体为： 归一化公式为：其中，min()表示最小值，max()表示最大值，R为初始图像，办_为对应的幅度数据归一 化后的表示;选取Rn_的幅度值在(0，印s)范围内的的数据作为实验数据，其中eps代表RN_ 上界，取值范围为〇到1，Rn。：?中大于eps的数据都设置为eps。3. 根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法，其特征 在于:所述步骤(2)中利用SIFT和拉普拉斯细节增强算子提取归一化图像中的关键点，作为 候选样本的过程具体为:首先构建归一化图像Rn。?的高斯金字塔，然后利用拉普拉斯细节 增强算子构建高斯差分DoG(Difference of Gaussian)金字塔，最后检测关键点并进行精 确定位;其中高斯金字塔组数为： 0= log2{min(M,N) }-t+l, t e (〇, l〇g2{min(M,N)}) 其中，min〇表示最小值，0表示高斯金字塔组数，M、N为RN_的行数和列数，t为塔顶图像 的最小维数的对数值;为了在DoG金字塔的每组中检测S个尺度的极值点，则DoG金字塔每组 需S+2层图像，所以高斯金字塔每组内有S+3层图像;为了满足尺度变化的连续性，新的组的 第一层图像是由其前一组倒数第三层降采样得到的，对图像做不同尺度的高斯模糊，即： L(x，y，〇)=G(x，y，〇)*RN_(x，y) 其中，*表示卷积运算&高斯模糊函数， (x，y)代表图像的像素位置，（m，n)表示高斯模板的维度（由（6〇+l)X(6〇+l)确定）， 〇(o，s) = o〇X20+s/s(〇e[〇, . , π-H 旦P许由间因子，σ〇为初始设定的值，组内每层的尺度坐标也可彳 ）对前一层进行模糊； 再根据拉普拉斯结 然后使用金字塔每组中相邻上下两层图像相减，得到高斯差分图像D(x，y，〇)，即DoG金 字塔： D(x,y,〇)=P(x,y,k〇)-P(x,y,o) 关键点由DoG金字塔的局部极值点组成，初步筛选方法是比较同一组内相邻两层图像 之间的大小，即对每组中除了第一层、最后一层和边界点外，每一个点和它同尺度即同一层 的8个相邻点以及上下相邻尺度即上下层对应的9X2个点，即共26个点的大小进行比较，得 到局部最大点作为粗选关键点X= (X，y，σ)Τ;进行精确定位的方法是，对于粗选关键点坐标 X=(x,y,〇)T：其中，f表示相对X的偏移量，/)(；0对应DoG金字塔的值；当它在任一维度(X，y，σ)偏移 绝对值大于a时，中心已经偏移，须改变当前关键点的位置；同时在新的位置上反复计算i 直到收敛，即绝对值小于a，其中a为设定的值；如果达到最大迭代次数仍不收敛则删除该 点；为了减少噪声影响，当|D(f)|小于b时删除该点，其中b为设定的值;为了剔除不稳定的 边缘响应点，获取关键点处的2 X 2的Hessian矩阵H:Dxx表示DoG金字塔某一尺度图像X方向的二次求导，Dyy表示DoG金字塔某一尺度图像y方 向的二次求导，Dxy表示DoG金字塔某一尺度图像X方向和y方向的二次求导，Det(H) =DxxDyy-(Dxy)2，Tr(H)=D xx+Dyy，其中DetO代表矩阵的行列式，TrO代表矩阵的迹，当：贝IJ关键点保留，反之剔除，其中r为阈值。4. 根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法，其特征 在于:所述的步骤(3)中计算归一化图像的简单纹理特征，对候选样本的灰度值做阈值分割 处理得到训练样本坐标，对应的简单纹理特征作为训练样本，除训练样本外其他所有的归 一化图像的简单纹理特征作为待分类样本，即测试样本的过程具体为:首先计算归一化图 像Rn_的简单纹理特征，即每一个像素点邻域内均值和方差，然后对从步骤(2)中得到的候 选样本的灰度值做阈值分割处理得到训练样本坐标，对应的简单纹理特征作为训练集，其 他的归一化图像Rn。?的简单纹理特征作为测试集。5. 根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法，其特征 在于:所述的步骤(4)中利用SIFT所提取训练样本特征，对SVM分类器进行训练，产生最优分 类面的过程具体为： 利用Lagrange乘子法，最大化泛函： C^ai多0，? = 1，···，η其中，标签yie{+i，-i}，分别对应训练集中不同类别的样本;I1为第i个训练样本的简 单纹理特征;k( ·)表示核函数;ai为待求的与第i个训练样本相对应的Lagrange乘子，CSai 的上界，为设定值，η为训练样本的数量。6.根据权利要求1所述的基于SIFT训练样本提取的遥感图像全监督分类方法，其特征 在于:所述的步骤(5)中通过最优分类面，对未知类别的测试样本的简单纹理特征进行分 类，得到最终的分类结果的过程具体为： 最优分类面的函数表示为：其中，为第i个训练样本相对应的Lagrange乘子;1为未知类别的测试样本的简单纹理 特!Π其中SV表示支持向量;€(1)^{ + 1，-1}，即决定了当前未知类 别的测试样本的分类结果。
【文档编号】G06K9/46GK105894037SQ201610250625
【公开日】2016年8月24日
【申请日】2016年4月21日
【发明人】高飞, 吕文超, 孙进平, 王俊, 张红波
【申请人】北京航空航天大学, 中国航空工业集团公司雷华电子技术研究所