基于超像素标注的遥感图像的分割与识别方法
【专利摘要】本发明提供的是一种基于超像素标注的遥感图像的分割与识别方法。利用超像素分割算法对遥感图像进行过分割，获得超像素分割结果，对超像素块进行类别标注，获得学习样本。然后提取超像素样本的视觉特征，以其标注结果为教师信号用分类器对这些学习样本进行训练，并保存训练好的分类器信息。对待分析的遥感图像进行过分割获得超像素结果，对每个超像素提取视觉特征后送入分类器进行分类，在每个超像素块都获得了类别标记后，合并相同类别标记的超像素块，即待分析图像的所有区域都得到了类别信息。本发明避免了直接对遥感图像进行分割，极大程度上的保留了实际区域的边缘信息，融合了分割和识别过程，具有更加优秀的分割和识别能力。
【专利说明】
基于超像素标注的遥感图像的分割与识别方法
技术领域
[0001]本发明涉及的是一种遥感图像的分割和识别方法。
【背景技术】
[0002]遥感图像是地物目标综合信息的直观载体，随着遥感技术的发展，对遥感图像进行处理，从中获取各种信息是当期面临的一个迫切而复杂的问题。遥感图像的分析在地质勘探、农林业等各个方面有着重要作用。遥感图像的分割和识别是遥感数字图像处理领域重要的研究课题，区域的分割和分类描述可以达到对图像信息进行识别、分类解译的目的，有非常重要的军事和民用价值。目前存在多种遥感图像的分割和识别方法，但仍然没有适用性较好且具有较高准确度的方法，因此遥感图像的分割和识别问题同时也具有很高的科学研究价值。
[0003]现有的遥感图像分割与识别方法主要有以下几种:基于主题模型的方法、基于分类的方法、基于稀疏编码的方法以及基于概率图模型的方法等。这些方法大都是通过学习样本来建立遥感图像底层特征与高层语义之间的关联信息，而基于神经网络的分类方法和基于概率图模型的方法目前能够取得相对较好的结果。但是，概率图模型需要针对像素点进行建模，计算量非常大。基于神经网络等分类器的分类方法需要提取遥感图像的底层视觉特征，在特征提取步骤之前，需要对图像进行固定划分或图像分割。其中，基于固定划分的方法直接把遥感图像划分成矩形的小区块来提取特征，丢失了遥感图像实际区域的边界信息。重叠划分是在固定划分基础上的一种改进方法，虽然能够一定程度上提高精度，但是仍然会损失实际区域的边界信息。另一方面，目前的图像分割方法和技术对遥感图像尚无法达到一个很好的分割效果。这些因素均限制了现有方法在遥感图像分割与识别中的应用。
[0004]与本发明相关的【背景技术】为:P.Duygulu，KBarnard, J.F.G de Freitas ,and D.AForsyth.0bject Recognit1n as Machine Translat1n:Learning a lexicon for afixed Image vocabulary.Proc.the 7th European Conferenee on Computer Vis1n,2002，2353(6):97-112。
【发明内容】
[0005]本发明的目的在于提供一种具有优秀的分割和识别能力的基于超像素标注的遥感图像的分割与识别方法。
[0006]本发明的目的是这样实现的:
[0007]步骤1:使用SLIC方法对遥感图像库中所有训练用的遥感图像进行过分割，生成超像素，将每一个超像素块作为训练的样本；
[0008]步骤2:对每个训练用图像的每一个超像素块进行标注，添加的类别标记作为该训练样本的教师信号；
[0009]步骤3:提取所有已标注的超像素块的视觉特征；
[0010]步骤4:将所有超像素块的视觉特征以及教师信号送入反向传播(BackPropagat1n, BP)神经网络进行训练，保存训练后的网络权值以及网络结构；
[0011]步骤5:对要进行分割和识别的待分析遥感图像进行SLIC方法的超像素过分割，对每个超像素块按步骤3提取视觉特征；
[0012]步骤6:将待分析遥感图像的每个超像素块的视觉特征送入已训练好的BP神经网络，正向传播计算输出值，得到每个超像素块的类别标记，根据类别标记进行超像素块的合并，得到遥感图像的分割和识别结果。
[0013]超像素是对图像进行过分割所得到的若干小区域，要求同一小区域内的像素点具有高度的视觉一致性。单个像素点的语义信息匮乏，而超像素实际上体现了物体级的局部语义信息。超像素合并后就可以构成与物体级语义对应的图像区域，体现了完整的物体级语义信息。相对于固定划分和传统的图像分割的方法，超像素方法能够有效地避免欠分割现象，极大地保留了实际物体的边缘信息，而且超像素的生成方法较为简单，有很高的计算效率。
[0014]本发明采用对超像素进行标注来获得学习样本的策略，来避免直接对遥感图像进行分割，然后提取超像素标注样本的视觉特征，用神经网络等分类器进行训练。对待分割和识别的遥感图像，首先获得该图像的超像素分割结果，通过训练好的分类器来对图像中的超像素块进行类别标注，在每个超像素块都获得了类别标记后，合并相同类别标记的超像素块，这样，图像的分割和识别结果就同时获得了。本发明的发明成果也可以应用到医学图像的计算机辅助诊断、多媒体信息检索等实际应用领域。
[0015]本发明的内容主要涉及三个部分:遥感图像的超像素学习样本的标注、分类器的训练和待分析遥感图像的分割和识别。主要特征包括:(I)首先收集一定数量的训练用遥感图像，利用超像素分割算法对这些遥感图像进行过分割，获得超像素分割结果，利用手工对超像素块进行类别标注，获得学习样本。(2)然后提取超像素样本的视觉特征，以其标注结果为教师信号用神经网络等分类器对这些学习样本进行训练，并保存训练好的分类器信息。(3)对待分析的遥感图像进行过分割获得超像素结果，对每个超像素提取视觉特征后送入分类器进行分类，每个超像素得到一个类别标注信息。在每个超像素块都获得了类别标记后，合并相同类别标记的超像素块，即待分析图像的所有区域都得到了类别信息，这样就完成了遥感图像的分割和识别。
[0016]本发明基于超像素标注实现了遥感图像的分割和识别，避免了直接对遥感图像进行分割，从而规避了分割存在的一系列问题，极大程度上的保留了实际区域的边缘信息，融合了分割和识别过程，具有更加优秀的分割和识别能力。
【附图说明】
[0017]图1为本发明的流程图。
【具体实施方式】
[0018]下面结合具体实施例对本发明进行详细说明。
[0019]步骤1:使用SLIC(SimpleLinear Iterative Clustering)方法对遥感图像库中所有训练用的遥感图像进行过分割，生成超像素。超像素的数目取决于遥感图像的分辨率较大，包含区域较广的遥感图像可以适当分成较多的超像素块。将每一个超像素块作为训练的样本。
[0020]步骤2:对每个训练用图像的每一个超像素块进行手工标注，添加的类别标记作为该训练样本的教师信号。
[0021]步骤3:提取所有已标注的超像素块(即学习样本)的视觉特征。采用Duygulu提供的图像视觉描述方式(参见文献[I])，对每个超像素块提取6维形状特征、18维颜色特征、12维纹理特征，共36维特征。
[0022]步骤4:将所有超像素块的视觉特征以及教师信号送入反向传播(BackPropagat1n,BP)神经网络进行训练，网络结构为三层，输入层节点个数为36，中间层和输出层节点个数可以根据需要分类的类别数目进行调整。保存训练后的网络权值以及网络结构。
[0023]步骤5:对要进行分割和识别的待分析遥感图像进行SLIC方法的超像素过分割，对每个超像素块按步骤3提取视觉特征。
[0024]步骤6:将待分析遥感图像的每个超像素块的视觉特征送入已训练好的BP神经网络，正向传播计算输出值，得到每个超像素块的类别标记。根据类别标记进行超像素块的合并，得到遥感图像的分割和识别结果。
【主权项】
1.一种基于超像素标注的遥感图像的分割与识别方法，其特征是: 步骤1:使用SLIC方法对遥感图像库中所有训练用的遥感图像进行过分割，生成超像素，将每一个超像素块作为训练的样本； 步骤2:对每个训练用图像的每一个超像素块进行标注，添加的类别标记作为该训练样本的教师信号； 步骤3:提取所有已标注的超像素块的视觉特征； 步骤4:将所有超像素块的视觉特征以及教师信号送入BP神经网络进行训练，保存训练后的网络权值以及网络结构； 步骤5:对要进行分割和识别的待分析遥感图像进行SLIC方法的超像素过分割，对每个超像素块按步骤3提取视觉特征； 步骤6:将待分析遥感图像的每个超像素块的视觉特征送入已训练好的BP神经网络，正向传播计算输出值，得到每个超像素块的类别标记，根据类别标记进行超像素块的合并，得到遥感图像的分割和识别结果。2.根据权利要求1所述的基于超像素标注的遥感图像的分割与识别方法，其特征是所述的提取所有已标注的超像素块的视觉特征是:对每个超像素块提取6维形状特征、18维颜色特征、12维纹理特征，共36维特征。
【文档编号】G06T7/00GK106023145SQ201610297891
【公开日】2016年10月12日
【申请日】2016年5月6日
【发明人】刘咏梅, 李香, 罗扬理, 李金龙
【申请人】哈尔滨工程大学