一种遥感图像智能检索方法与流程

本发明涉及遥感图像领域，具体涉及一种遥感图像智能检索方法。

背景技术：

随着移动互联网、物联网等技术的兴起，全球范围内数据量迅猛增长，大数据时代己经来临。伴随着大数据的产生，其在现代社会和经济活动中发挥着极其重要的作用。

凡是指记录各种地物电磁波大小的胶片(或相片)，都称为遥感图像，在遥感中主要是指航空像片和卫星相片。近年来，对遥感图像的研究越来越多。

大规模数据给传统的多媒体研究，尤其是基于图像的应用和研究带来了新的挑战和机遇。

技术实现要素：

针对上述问题，本发明提供一种遥感图像智能检索方法。

本发明的目的采用以下技术方案来实现：

一种遥感图像智能检索方法，其特征是，包括地理编码和智能检索，地理编码包含以下步骤：

(1)构造用以描述多源遥感数据的多源、多尺度、多时相特性的多源遥感数据复合金字塔模型；

(2)通过多源遥感数据不同的分布情况对多源遥感数据复合金字塔模型结构进行动态编码。

优选地，其特征是，通过在金字塔结构中加入传感器及时相信息，使得多源遥感数据复合金字塔能够快速实现不同时段不同传感器数据的局部更新。

优选地，其特征是，在生成多源遥感数据复合金字塔结构的过程中，采用基于小波的数据压缩算法。

本发明的有益效果为：通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是一种遥感图像智能检索方法的示意图。

图2是一种遥感图像智能检索方法的另一示意图

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1：一种遥感图像智能检索方法，其特征是，包括地理编码和智能检索，地理编码包含以下步骤：

(1)构造用以描述多源遥感数据的多源、多尺度、多时相特性的多源遥感数据复合金字塔模型；

(2)通过多源遥感数据不同的分布情况对多源遥感数据复合金字塔模型结构进行动态编码。

优选地，其特征是，通过在金字塔结构中加入传感器及时相信息，使得多源遥感数据复合金字塔能够快速实现不同时段不同传感器数据的局部更新。

优选地，其特征是，在生成多源遥感数据复合金字塔结构的过程中，采用基于小波的数据压缩算法。

优选地，其特征是，智能检索通过以下步骤实现：

(1)由云服务器获取信息数据，将图像信息和非图像信息进行分类后，分别储存到图像数据库和非图像数据库中，并将来源相同的图像信息和非图像信息作标记；

(2)将非图像数据库按照预先设定的多个关键词划分为多个第一子数据库，同时按照所述关键词对非图像信息进行分类，分别储存到对应的所述第一子数据库中，未匹配到关键词的非图像信息单独划分为一类；

(3)将图像数据库按照所述关键词划分为多个第二子数据库，并对图像信息根据与其来源相同的非图像信息进行分类，分别储存到对应所述第二子数据库中，无来源相同标记的图像信息，或者其对应的非图像信息未匹配到关键词的图像信息单独划分为一类；

(4)当用户输入关键词进行检索时，按照输入的关键词与预先设定的关键词的相关度排序依次在各个第一字数据库和第二子数据库中分别进行检索，并分别输出图像数据和非图像数据的检索结果；每个第二子数据库的图像检索中还提供了通过输入查询图像I_p来检索相似图像的功能，该功能由以下步骤实现：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝｛x₁,…,x_M｝，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

b.设码本空间中包含N个视觉单词，则任一图像表示为高维稀疏向量{w₁,…,w_N}，w_i表示视觉单词i的权值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示该图像中视觉单词i出现的次数，t_i表示图像数据库中视觉单词i出现的总次数，f_i表示图像数据库中包含视觉单词i的图像数目；

对权值w_i进行归一化处理，令∑_iδ_i＝1，此时任一图像的高维稀疏向量表示为{δ₁,…,δ_N}；

c.对于任意两幅图像p和q，定义两幅图像之间的第一视觉相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明两幅图像越接近。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

a、将包含一个具有较大尺度的主特征和由这个主特征空间覆盖的若干个具有较小尺度的元素特征的集合定义为特征组合，给定任一图像P，抽取其包含的特征组合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l个特征组合，Z_l为第l个特征组合的主特征，Y_l为第l个特征组合的一组元素特征，Z_l和Y_l满足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l对应的局部空间区域完全被主特征C_l的局部空间覆盖，a(·)表示覆盖空间区域的面积；

b、对于任意两个特征组合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定义两个特征组合的第二视觉相似度R：

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f,C_g）＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

(1‐4)图像检索：对于给定的查询图像I_p，首先提取其特征组合集，将每个特征的主特征映射到视觉单词，找出包含该视觉单词的数据库图像I_q，计算其与查询图像的相似度距离，通过将相似度距离与设定阈值比较，完成图像检索；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示两幅图像的第一视觉相似度度量，maxR(I_p,I_q)表示对两幅图像的所有特征组合进行第二视觉相似度度量的最大值。

在本实施例的一种遥感图像智能检索方法中，通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度；T₁＝0.95，T₂＝0.78，检索精度提高了50％，检索速度提高了1％。

实施例2：一种遥感图像智能检索方法，其特征是，包括地理编码和智能检索，地理编码包含以下步骤：

(1)构造用以描述多源遥感数据的多源、多尺度、多时相特性的多源遥感数据复合金字塔模型；

(2)通过多源遥感数据不同的分布情况对多源遥感数据复合金字塔模型结构进行动态编码。

优选地，其特征是，通过在金字塔结构中加入传感器及时相信息，使得多源遥感数据复合金字塔能够快速实现不同时段不同传感器数据的局部更新。

优选地，其特征是，在生成多源遥感数据复合金字塔结构的过程中，采用基于小波的数据压缩算法。

优选地，其特征是，智能检索通过以下步骤实现：

(1)由云服务器获取信息数据，将图像信息和非图像信息进行分类后，分别储存到图像数据库和非图像数据库中，并将来源相同的图像信息和非图像信息作标记；

(2)将非图像数据库按照预先设定的多个关键词划分为多个第一子数据库，同时按照所述关键词对非图像信息进行分类，分别储存到对应的所述第一子数据库中，未匹配到关键词的非图像信息单独划分为一类；

(3)将图像数据库按照所述关键词划分为多个第二子数据库，并对图像信息根据与其来源相同的非图像信息进行分类，分别储存到对应所述第二子数据库中，无来源相同标记的图像信息，或者其对应的非图像信息未匹配到关键词的图像信息单独划分为一类；

(4)当用户输入关键词进行检索时，按照输入的关键词与预先设定的关键词的相关度排序依次在各个第一字数据库和第二子数据库中分别进行检索，并分别输出图像数据和非图像数据的检索结果；每个第二子数据库的图像检索中还提供了通过输入查询图像I_p来检索相似图像的功能，该功能由以下步骤实现：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁,…,x_M}，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

b.设码本空间中包含N个视觉单词，则任一图像表示为高维稀疏向量{w₁,…,w_N}，w_i表示视觉单词i的权值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示该图像中视觉单词i出现的次数，t_i表示图像数据库中视觉单词i出现的总次数，f_i表示图像数据库中包含视觉单词i的图像数目；

对权值w_i进行归一化处理，令∑_iδ_i＝1，此时任一图像的高维稀疏向量表示为｛δ₁,…,δ_N｝；

c.对于任意两幅图像p和q，定义两幅图像之间的第一视觉相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明两幅图像越接近。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

a、将包含一个具有较大尺度的主特征和由这个主特征空间覆盖的若干个具有较小尺度的元素特征的集合定义为特征组合，给定任一图像P，抽取其包含的特征组合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l个特征组合，Z_l为第l个特征组合的主特征，Y_l为第l个特征组合的一组元素特征，Z_l和Y_l满足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l对应的局部空间区域完全被主特征C_l的局部空间覆盖，a(·)表示覆盖空间区域的面积；

b、对于任意两个特征组合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定义两个特征组合的第二视觉相似度R：

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

(1‐4)图像检索：对于给定的查询图像I_p，首先提取其特征组合集，将每个特征的主特征映射到视觉单词，找出包含该视觉单词的数据库图像I_q，计算其与查询图像的相似度距离，通过将相似度距离与设定阈值比较，完成图像检索；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示两幅图像的第一视觉相似度度量，maxR(I_p,I_q)表示对两幅图像的所有特征组合进行第二视觉相似度度量的最大值。

在本实施例的一种遥感图像智能检索方法中，通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度；T₁＝0.95，T₂＝0.78，检索精度提高了50％，检索速度提高了1％。

实施例3：一种遥感图像智能检索方法，其特征是，包括地理编码和智能检索，地理编码包含以下步骤：

(1)构造用以描述多源遥感数据的多源、多尺度、多时相特性的多源遥感数据复合金字塔模型；

(2)通过多源遥感数据不同的分布情况对多源遥感数据复合金字塔模型结构进行动态编码。

优选地，其特征是，通过在金字塔结构中加入传感器及时相信息，使得多源遥感数据复合金字塔能够快速实现不同时段不同传感器数据的局部更新。

优选地，其特征是，在生成多源遥感数据复合金字塔结构的过程中，采用基于小波的数据压缩算法。

优选地，其特征是，智能检索通过以下步骤实现：

(1)由云服务器获取信息数据，将图像信息和非图像信息进行分类后，分别储存到图像数据库和非图像数据库中，并将来源相同的图像信息和非图像信息作标记；

(2)将非图像数据库按照预先设定的多个关键词划分为多个第一子数据库，同时按照所述关键词对非图像信息进行分类，分别储存到对应的所述第一子数据库中，未匹配到关键词的非图像信息单独划分为一类；

(3)将图像数据库按照所述关键词划分为多个第二子数据库，并对图像信息根据与其来源相同的非图像信息进行分类，分别储存到对应所述第二子数据库中，无来源相同标记的图像信息，或者其对应的非图像信息未匹配到关键词的图像信息单独划分为一类；

(4)当用户输入关键词进行检索时，按照输入的关键词与预先设定的关键词的相关度排序依次在各个第一字数据库和第二子数据库中分别进行检索，并分别输出图像数据和非图像数据的检索结果；每个第二子数据库的图像检索中还提供了通过输入查询图像I_p来检索相似图像的功能，该功能由以下步骤实现：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁,…,x_M}，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

b.设码本空间中包含N个视觉单词，则任一图像表示为高维稀疏向量{w₁,…,w_N}，w_i表示视觉单词i的权值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示该图像中视觉单词i出现的次数，t_i表示图像数据库中视觉单词i出现的总次数，f_i表示图像数据库中包含视觉单词i的图像数目；

对权值w_i进行归一化处理，令∑_iδ_i＝1，此时任一图像的高维稀疏向量表示为{δ₁,…,δ_N}；

c.对于任意两幅图像p和q，定义两幅图像之间的第一视觉相似度S（p,q）：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S（p,q）越大，表明两幅图像越接近。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

a、将包含一个具有较大尺度的主特征和由这个主特征空间覆盖的若干个具有较小尺度的元素特征的集合定义为特征组合，给定任一图像P，抽取其包含的特征组合集其中，C_l＝（Z_l,Y_l）；

式中，C_l表示第l个特征组合，Z_l为第l个特征组合的主特征，Y_l为第l个特征组合的一组元素特征，Z_l和Y_l满足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l对应的局部空间区域完全被主特征C_l的局部空间覆盖，a(·)表示覆盖空间区域的面积；

b、对于任意两个特征组合C_f（Z_f,Y_f）和C_g（Z_g,Y_g)，定义两个特征组合的第二视觉相似度R：

当cos(Z_f，Z_g)＞T₁时：

R(C_f，C_g)＝1{(Y_fi，Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f,C_g)＝0.5{(Y_fi，Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f，C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi，Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

(1‐4)图像检索：对于给定的查询图像I_p，首先提取其特征组合集，将每个特征的主特征映射到视觉单词，找出包含该视觉单词的数据库图像I_q，计算其与查询图像的相似度距离，通过将相似度距离与设定阈值比较，完成图像检索；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示两幅图像的第一视觉相似度度量，maxR(I_p,I_q)表示对两幅图像的所有特征组合进行第二视觉相似度度量的最大值。

在本实施例的一种遥感图像智能检索方法中，通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度；T₁＝0.95，T₂＝0.78，检索精度提高了50％，检索速度提高了1％。

实施例4：一种遥感图像智能检索方法，其特征是，包括地理编码和智能检索，地理编码包含以下步骤：

(1)构造用以描述多源遥感数据的多源、多尺度、多时相特性的多源遥感数据复合金字塔模型；

(2)通过多源遥感数据不同的分布情况对多源遥感数据复合金字塔模型结构进行动态编码。

优选地，其特征是，通过在金字塔结构中加入传感器及时相信息，使得多源遥感数据复合金字塔能够快速实现不同时段不同传感器数据的局部更新。

优选地，其特征是，在生成多源遥感数据复合金字塔结构的过程中，采用基于小波的数据压缩算法。

优选地，其特征是，智能检索通过以下步骤实现：

(1)由云服务器获取信息数据，将图像信息和非图像信息进行分类后，分别储存到图像数据库和非图像数据库中，并将来源相同的图像信息和非图像信息作标记；

(2)将非图像数据库按照预先设定的多个关键词划分为多个第一子数据库，同时按照所述关键词对非图像信息进行分类，分别储存到对应的所述第一子数据库中，未匹配到关键词的非图像信息单独划分为一类；

(3)将图像数据库按照所述关键词划分为多个第二子数据库，并对图像信息根据与其来源相同的非图像信息进行分类，分别储存到对应所述第二子数据库中，无来源相同标记的图像信息，或者其对应的非图像信息未匹配到关键词的图像信息单独划分为一类；

(4)当用户输入关键词进行检索时，按照输入的关键词与预先设定的关键词的相关度排序依次在各个第一字数据库和第二子数据库中分别进行检索，并分别输出图像数据和非图像数据的检索结果；每个第二子数据库的图像检索中还提供了通过输入查询图像I_p来检索相似图像的功能，该功能由以下步骤实现：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁,…,x_M}，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

b.设码本空间中包含N个视觉单词，则任一图像表示为高维稀疏向量{w₁,…,w_N}，w_i表示视觉单词i的权值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示该图像中视觉单词i出现的次数，t_i表示图像数据库中视觉单词i出现的总次数，f_i表示图像数据库中包含视觉单词i的图像数目；

对权值w_i进行归一化处理，令∑_iδ_i＝1，此时任一图像的高维稀疏向量表示为{δ₁,…,δ_N}；

c.对于任意两幅图像p和q，定义两幅图像之间的第一视觉相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明两幅图像越接近。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

a、将包含一个具有较大尺度的主特征和由这个主特征空间覆盖的若干个具有较小尺度的元素特征的集合定义为特征组合，给定任一图像P，抽取其包含的特征组合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l个特征组合，Z_l为第l个特征组合的主特征，Y_l为第l个特征组合的一组元素特征，Z_l和Y_l满足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l对应的局部空间区域完全被主特征C_l的局部空间覆盖，a(·)表示覆盖空间区域的面积；

b、对于任意两个特征组合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定义两个特征组合的第二视觉相似度R：

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f,C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f，C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f，Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

(1‐4)图像检索：对于给定的查询图像I_p，首先提取其特征组合集，将每个特征的主特征映射到视觉单词，找出包含该视觉单词的数据库图像I_q，计算其与查询图像的相似度距离，通过将相似度距离与设定阈值比较，完成图像检索；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示两幅图像的第一视觉相似度度量，maxR(I_p,I_q)表示对两幅图像的所有特征组合进行第二视觉相似度度量的最大值。

在本实施例的一种遥感图像智能检索方法中，通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度；T₁＝0.95，T₂＝0.78，检索精度提高了50％，检索速度提高了1％。

实施例5：一种遥感图像智能检索方法，其特征是，包括地理编码和智能检索，地理编码包含以下步骤：

(1)构造用以描述多源遥感数据的多源、多尺度、多时相特性的多源遥感数据复合金字塔模型；

(2)通过多源遥感数据不同的分布情况对多源遥感数据复合金字塔模型结构进行动态编码。

优选地，其特征是，通过在金字塔结构中加入传感器及时相信息，使得多源遥感数据复合金字塔能够快速实现不同时段不同传感器数据的局部更新。

优选地，其特征是，在生成多源遥感数据复合金字塔结构的过程中，采用基于小波的数据压缩算法。

优选地，其特征是，智能检索通过以下步骤实现：

(1)由云服务器获取信息数据，将图像信息和非图像信息进行分类后，分别储存到图像数据库和非图像数据库中，并将来源相同的图像信息和非图像信息作标记；

(2)将非图像数据库按照预先设定的多个关键词划分为多个第一子数据库，同时按照所述关键词对非图像信息进行分类，分别储存到对应的所述第一子数据库中，未匹配到关键词的非图像信息单独划分为一类；

(3)将图像数据库按照所述关键词划分为多个第二子数据库，并对图像信息根据与其来源相同的非图像信息进行分类，分别储存到对应所述第二子数据库中，无来源相同标记的图像信息，或者其对应的非图像信息未匹配到关键词的图像信息单独划分为一类；

(4)当用户输入关键词进行检索时，按照输入的关键词与预先设定的关键词的相关度排序依次在各个第一字数据库和第二子数据库中分别进行检索，并分别输出图像数据和非图像数据的检索结果；每个第二子数据库的图像检索中还提供了通过输入查询图像I_p来检索相似图像的功能，该功能由以下步骤实现：

(1-1)采用SIFT特征对图像局部区域进行描述；

(1‐2)基于单词包的图像表示：

a.采用基于单词包模型对局部特征进行量化，设由M个局部特征向量组成的样本空间X＝{x₁,…,x_M}，以无监督方式快速聚类生成初始视觉码本，采用最近邻策略建立局部特征x_j与相对应的视觉单词的映射关系，j＝1,…,M；

b.设码本空间中包含N个视觉单词，则任一图像表示为高维稀疏向量{w₁,…,w_N}，w_i表示视觉单词i的权值，i＝1,…,N；

$w_i=\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}$

式中，表示该图像中视觉单词i出现的次数，t_i表示图像数据库中视觉单词i出现的总次数，f_i表示图像数据库中包含视觉单词i的图像数目；

对权值w_i进行归一化处理，令∑_iδ_i＝1，此时任一图像的高维稀疏向量表示为{δ₁,…,δ_N}；

c.对于任意两幅图像p和q，定义两幅图像之间的第一视觉相似度S(p,q)：

$S(p,q)=\frac{1}{\sqrt{{\Σ}_{i=1}^N{\left(\frac{\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^p}{t_i-t_i^p}\×\frac{1}{f_i}}-\frac{\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}{{\Σ}_i\frac{t_i^q}{t_i-t_i^q}\×\frac{1}{f_i}}\right)}^2}}$

S(p,q)越大，表明两幅图像越接近。

优选地，其特征是，步骤(4)还包括：

(1‐3)基于特征组合的图像表示:

a、将包含一个具有较大尺度的主特征和由这个主特征空间覆盖的若干个具有较小尺度的元素特征的集合定义为特征组合，给定任一图像P，抽取其包含的特征组合集其中，C_l＝(Z_l,Y_l)；

式中，C_l表示第l个特征组合，Z_l为第l个特征组合的主特征，Y_l为第l个特征组合的一组元素特征，Z_l和Y_l满足0.02×a(P)＜a(Z_l),a(Y_l)＜0.2×a(P)，且Y_l对应的局部空间区域完全被主特征C_l的局部空间覆盖，a(·)表示覆盖空间区域的面积；

b、对于任意两个特征组合C_f(Z_f,Y_f)和C_g(Z_g,Y_g)，定义两个特征组合的第二视觉相似度R：

当cos(Z_f，Z_g)＞T₁时：

R(C_f,C_g)＝1{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当T₁≥cos(Z_f，Z_g)＞T₂时：

R(C_f，C_g)＝0.5{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}

当cos(Z_f，Z_g)≤T₂时：

R(C_f,C_g)＝0

式中，T₁＝(0.8，1)，T₁＝(0.5，0.8]，cos(·，·)表示两个特征的余弦相似度，Y_fi是Y_f中的元素，Y_gi是Y_g中的元素，{(Y_fi,Y_gj)|Y_fi∈Y_f,Y_gj∈Y_g,cos(Y_f，Y_g)＞T₁}表示Y_f和Y_g中匹配的元素特征数；

(1‐4)图像检索：对于给定的查询图像I_p，首先提取其特征组合集，将每个特征的主特征映射到视觉单词，找出包含该视觉单词的数据库图像I_q，计算其与查询图像的相似度距离，通过将相似度距离与设定阈值比较，完成图像检索；

所述的相似度距离采用以下公式计算：

d＝S(I_p,I_q)×maxR(I_p,I_q)

其中，S(p,q)表示两幅图像的第一视觉相似度度量，maxR(I_p,I_q)表示对两幅图像的所有特征组合进行第二视觉相似度度量的最大值。

在本实施例的一种遥感图像智能检索方法中，通过关键词和标记的运用，预先将数据库划分为多个子数据库，检索时先在相关度高的子数据库中进行检索，减少了计算量，提高了运算速度；基于单词包表示图像时，提出了加权表示和第一视觉相似度，减少了时间开销；基于特征组合表示图像时，利用了局部特征之间的空间包含关系，提出将相关的局部特征组合在一起以增强其视觉表达能力；该特征组合不但具有良好的尺度和旋转不变性，而且还能够自然地利用各特征元素之间的相对位置信息进行局部几何校验，剔除可能存在的错误匹配，以提高图像检索的准确率；特征量化以及组合表达大幅地提高了检索的精度；T₁＝0.95，T₂＝0.78，检索精度提高了50％，检索速度提高了1％。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。