本發(fā)明屬于遙感技術(shù)領(lǐng)域，具體地說(shuō)，涉及了一種遙感景象的識(shí)別方法。

背景技術(shù)：
圖像景象識(shí)別的一般流程為：首先提取一幅圖像的向量形式的描述子，然后用圖像的描述子和其對(duì)應(yīng)的景象類(lèi)別標(biāo)識(shí)作為訓(xùn)練數(shù)據(jù)訓(xùn)練分類(lèi)器。所得的分類(lèi)器可以估計(jì)未知景象圖像的類(lèi)別標(biāo)識(shí)，達(dá)到識(shí)別景象類(lèi)別的目的。美國(guó)麻省理工學(xué)院的AudeOliva和AntonioTorralba發(fā)表論文ModelingtheShapeoftheScene:AHolisticRepresentationoftheSpatialEnvelope,InternationalJournalofComputerVision,42(3),145–175,2001，設(shè)計(jì)了一種用來(lái)提取景象圖像的全局特征的GIST描述子，廣泛的應(yīng)用在景象圖像識(shí)別。對(duì)于相似的景象圖像，其GIST描述子相似；對(duì)于完全不同的景象圖像，其GIST描述子差異大。但現(xiàn)有的GIST描述子不具備旋轉(zhuǎn)不變性。若將一幅圖像左右或上下旋轉(zhuǎn)，則原圖像的GIST描述子和旋轉(zhuǎn)圖像的GIST描述子完全不同。在遙感圖像分析中，拍攝方向不同會(huì)導(dǎo)致同景象呈現(xiàn)出左右或上下旋轉(zhuǎn)的圖像。如圖1至3所示，圖1至3分別是UCMercedLandUseDataset數(shù)據(jù)集中的遙感圖像，圖1所示為同一機(jī)場(chǎng)遙感景象旋轉(zhuǎn)呈現(xiàn)的兩張圖像，圖2所示為同一河流遙感景象旋轉(zhuǎn)呈現(xiàn)的兩張圖像，圖3所示為同一農(nóng)田遙感景象旋轉(zhuǎn)呈現(xiàn)的兩張圖像。由圖1-3可知，同一景象由于拍攝方向不同會(huì)導(dǎo)致遙感圖像旋轉(zhuǎn)。由同景圖像旋轉(zhuǎn)前后的圖像計(jì)算出的GIST描述子完全不相似，不利于運(yùn)用機(jī)器學(xué)習(xí)的方法進(jìn)行景象類(lèi)別識(shí)別，其訓(xùn)練的分類(lèi)器分類(lèi)效果差。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明針對(duì)現(xiàn)有遙感圖像旋轉(zhuǎn)時(shí)GIST描述子不相似導(dǎo)致的景象類(lèi)別識(shí)別效果差的上述不足，提供一種遙感景象的自動(dòng)識(shí)別方法，該方法能夠顯著提高遙感景象的分類(lèi)識(shí)別。本發(fā)明的技術(shù)方案是：一種遙感景象的自動(dòng)識(shí)別方法，含有以下步驟：步驟一：設(shè)計(jì)特征提取濾波器，其步驟為：定義I表示一張分辨率為X×Y的遙感景象黑白圖像，I是X×Y維矩陣，I(x,y)是矩陣(x,y)位置的元素，表示遙感景象圖像(x,y)位置像素的灰度值；令(x',y')為圖像空間域(x,y)變換到頻域的單位度量；在頻域，針對(duì)NS個(gè)尺度和NO個(gè)角度設(shè)計(jì)NSNO個(gè)特征提取濾波器，其中第i尺度層級(jí)和第j角度層級(jí)的特征提取濾波器為：式中，特征提取濾波器G(x',y'；i,j)的指數(shù)函數(shù)中包括尺度項(xiàng)和角度項(xiàng)兩部分；尺度項(xiàng)刻畫(huà)遙感景象圖像頻譜在第i尺度上的特征，角度項(xiàng)刻畫(huà)遙感景象圖像頻譜在角度上的特征；γ是權(quán)重參數(shù)，用來(lái)平衡尺度項(xiàng)和角度項(xiàng)在特征濾波器中的作用權(quán)重。步驟二：用特征提取濾波器對(duì)遙感景像圖像進(jìn)行空間域?yàn)V波，提取遙感景象圖像的旋轉(zhuǎn)不變子，其步驟為：根據(jù)空間域卷積濾波等效于頻域乘積，特征提取濾波器G(x',y'；i,j)對(duì)遙感景象圖像I(x,y)在空間域的濾波通過(guò)頻域乘積形式計(jì)算，表示為：Fij(x,y)＝IDFT2[DFT2[I(x,y)]G(x',y'；i,j)](2)式中，DFT2[]表示二維傅里葉變換，IDFT2[]表示二維逆傅里葉變換，F(xiàn)ij是X×Y維特征映射矩陣，其第(x,y)元素為Fij(x,y)；為了進(jìn)一步聚合特征，對(duì)特征映射矩陣Fij的鄰域元素進(jìn)行平均，將整個(gè)特征映射矩陣Fij均分為Sx×Sy個(gè)不交疊的子矩陣，要求Sx和Sy分別能整除X和Y，然后將每個(gè)子矩陣中的元素按公式(3)進(jìn)行平均，公式(3)表示為：式中，是Sx×Sy維的聚合特征映射矩陣；將聚合特征映射矩陣由左至右的所有列從上到下排列，得到M＝SxSy維向量表示遙感景象圖像在i尺度層級(jí)和j角度層級(jí)的子描述子；定義具有旋轉(zhuǎn)不變性的特性向量Qij，其維數(shù)與子描述子維數(shù)相同，特性向量Qij第n元素Qij(n)表示為：式中，無(wú)論子描述子中元素次序怎樣改變，都會(huì)對(duì)應(yīng)相同的特性向量；對(duì)特性向量Qij的每個(gè)元素Qij(n)進(jìn)行如下對(duì)數(shù)化處理：Pij(n)＝signum[Qij(n)]ln[1+|Qij(n)|](5)式中，signum[Qij(n)]表示Qij(n)的正負(fù)號(hào)，Pij表示遙感景象圖像在i尺度層級(jí)和j角度層級(jí)的旋轉(zhuǎn)不變子描述子。步驟三：綜合遙感景象圖像各尺度和角度層級(jí)的旋轉(zhuǎn)不變子描述子，形成遙感景象圖像的旋轉(zhuǎn)不變子描述子，其步驟為：計(jì)算各尺度i和角度j的子描表述子Pij，得到NSNO個(gè)旋轉(zhuǎn)不變子描述子，將NSNO個(gè)子描述子首尾相連組合成一個(gè)MNSNO維向量形式的新描述子P，新描述子P作為刻畫(huà)一張遙感景象圖像特征的向量，表示遙感景象圖像的旋轉(zhuǎn)不變描述子。步驟四：基于遙感景象圖像的旋轉(zhuǎn)不變描述子訓(xùn)練超限學(xué)習(xí)機(jī)分類(lèi)器，運(yùn)用訓(xùn)練所得的超限學(xué)習(xí)機(jī)自動(dòng)識(shí)別遙感圖像的景象類(lèi)別。作為優(yōu)選，在本發(fā)明上述識(shí)別方法的步驟四中，訓(xùn)練超限學(xué)習(xí)機(jī)分類(lèi)器的過(guò)程為：設(shè)有V類(lèi)待識(shí)別的遙感景象圖像，對(duì)V類(lèi)遙感景象圖像分別制定V維的類(lèi)標(biāo)向量，第i類(lèi)遙感景象圖像類(lèi)標(biāo)向量為第i維元素為1、其余元素皆為-1的V維向量，V類(lèi)待識(shí)別的遙感景象圖像中的第4類(lèi)遙感景象圖像的類(lèi)標(biāo)向量為L(zhǎng)＝[-1,-1,-1,1,-1,-1,···,-1]；定義訓(xùn)練數(shù)據(jù)為N張遙感景象圖像的旋轉(zhuǎn)不變描述子和類(lèi)標(biāo)向量對(duì)，即{P(1),L(1)},{P(2),L(2)},…,{P(N),L(N)}；隨機(jī)產(chǎn)生U組隨機(jī)數(shù){a1,b1},{a2,b2},…,{aU,bU}，其中，ai是MNSNO維隨機(jī)向量，bi是隨機(jī)標(biāo)量；對(duì)于訓(xùn)練數(shù)據(jù)中每一張遙感景象圖像的旋轉(zhuǎn)不變描述子P，計(jì)算一個(gè)U維向量h(P)＝[h1(P)，···，hU(P)]，其中，第i元素是對(duì)于用于訓(xùn)練的N張遙感景象圖像，構(gòu)建矩陣H：按訓(xùn)練數(shù)據(jù)中遙感景象圖像的順序構(gòu)建對(duì)應(yīng)的景象類(lèi)別標(biāo)識(shí)矩陣T：進(jìn)而，得到U×V維分類(lèi)矩陣C：式中，是H的Moore–Penrose廣義逆矩陣；獲得的U×V維分類(lèi)矩陣C，即為超限學(xué)習(xí)機(jī)分類(lèi)器。作為優(yōu)選，在本發(fā)明上述識(shí)別方法的步驟四中，自動(dòng)識(shí)別遙感圖像景象類(lèi)別的過(guò)程為：對(duì)于一張未知景象類(lèi)別的遙感景象圖像，計(jì)算其旋轉(zhuǎn)不變描述子Pt，進(jìn)而計(jì)算h(Pt)，然后計(jì)算V維向量Lt：Lt＝h(Pt)C(9)V維向量Lt中最大元素的位置即為對(duì)應(yīng)于這張遙感圖像的景象類(lèi)別。本發(fā)明的有益效果：圖1、圖2、圖3中分別為同景象旋轉(zhuǎn)得到的兩幅遙感景象圖像，雖然兩幅圖像源于同一景象，但是它們的GIST描述子有較大的差值，不利于訓(xùn)練有效的分類(lèi)器。本發(fā)明提出了旋轉(zhuǎn)不變描述子，對(duì)于同景象旋轉(zhuǎn)的兩幅遙感景象圖像可計(jì)算得到兩個(gè)相同的旋轉(zhuǎn)不變描述子，它們的差值為零。也就是說(shuō)，本發(fā)明提出的旋轉(zhuǎn)不變描述子對(duì)于同一景象的遙感圖像具有旋轉(zhuǎn)不變性，一幅圖像180°旋轉(zhuǎn)，原圖像的旋轉(zhuǎn)不變描述子與旋轉(zhuǎn)圖像的旋轉(zhuǎn)描述子完全相同，其差值為零，有利于訓(xùn)練分類(lèi)器，更有益于識(shí)別在不同方向拍攝的遙感景象圖像的景象類(lèi)別，提高了同景象的遙感景象圖像的識(shí)別準(zhǔn)確率。與現(xiàn)有技術(shù)相比，通過(guò)本發(fā)明識(shí)別方法進(jìn)行遙感景象圖像的識(shí)別，能夠?qū)⑿D(zhuǎn)的同景象的遙感景象圖像進(jìn)行精確分類(lèi)，景象識(shí)別的準(zhǔn)確率高。附圖說(shuō)明圖1為同一機(jī)場(chǎng)景象旋轉(zhuǎn)呈現(xiàn)的遙感景象圖像。圖2為同一河流景象旋轉(zhuǎn)呈現(xiàn)的遙感景象圖像。圖3為同一農(nóng)田景象旋轉(zhuǎn)呈現(xiàn)的遙感景象圖像。圖4為圖1中同一機(jī)場(chǎng)景象旋轉(zhuǎn)的兩張遙感景象圖像的GIST描述子的差值及本發(fā)明的旋轉(zhuǎn)不變描述子的差值比較圖。圖5為圖2中同一河流景象旋轉(zhuǎn)的兩張遙感景象圖像的GIST描述子的差值及本發(fā)明的旋轉(zhuǎn)不變描述子的差值比較圖。圖6為圖3中同一農(nóng)田景象旋轉(zhuǎn)的兩張遙感景象圖像的GIST描述子的差值及本發(fā)明的旋轉(zhuǎn)不變描述子的差值比較圖。圖7為本發(fā)明具體實(shí)施例計(jì)算一張遙感景象圖像的旋轉(zhuǎn)不變子的流程圖。圖8為本發(fā)明具體實(shí)施例訓(xùn)練超限學(xué)習(xí)機(jī)分類(lèi)器的流程圖。圖9為本發(fā)明具體實(shí)施例遙感景象圖像的景象類(lèi)別識(shí)別的流程圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明作出進(jìn)一步說(shuō)明。一種遙感景象的自動(dòng)識(shí)別方法，含有以下步驟：步驟一：參見(jiàn)圖7，設(shè)計(jì)特征提取濾波器，其步驟為：定義I表示一張分辨率為X×Y的遙感景象黑白圖像，在數(shù)學(xué)形式上，I是X×Y維矩陣，I(x,y)是矩陣(x,y)位置的元素，表示遙感景象圖像(x,y)位置像素的灰度值。令(x',y')為圖像空間域(x,y)變換到頻域的單位度量。在頻域，針對(duì)NS個(gè)尺度和NO個(gè)角度設(shè)計(jì)NSNO個(gè)特征提取濾波器，其中第i尺度層級(jí)和第j角度層級(jí)的特征提取濾波器為：式中，特征提取濾波器G(x',y'；i,j)的指數(shù)函數(shù)中包括尺度項(xiàng)和角度項(xiàng)兩部分；尺度項(xiàng)刻畫(huà)遙感景象圖像頻譜在第i尺度上的特征，角度項(xiàng)刻畫(huà)遙感景象圖像頻譜在角度上的特征；γ是權(quán)重參數(shù)，用來(lái)平衡尺度項(xiàng)和角度項(xiàng)在特征濾波器中的作用權(quán)重。步驟二：參見(jiàn)圖7，用特征提取濾波器對(duì)遙感景像圖像進(jìn)行空間域?yàn)V波，提取遙感景象圖像的旋轉(zhuǎn)不變子描述子，其步驟為：根據(jù)空間域卷積濾波等效于頻域乘積，為了提高計(jì)算效率，特征提取濾波器G(x',y'；i,j)對(duì)遙感景象圖像I(x,y)在空間域的濾波通過(guò)頻域乘積形式計(jì)算，表示為：Fij(x,y)＝IDFT2[DFT2[I(x,y)]G(x',y'；i,j)](2)式中，DFT2[]表示二維傅里葉變換，IDFT2[]表示二維逆傅里葉變換，F(xiàn)ij是X×Y維特征映射矩陣，其第(x,y)元素為Fij(x,y)。為了進(jìn)一步聚合特征，對(duì)特征映射矩陣Fij的鄰域元素進(jìn)行平均，將整個(gè)特征映射矩陣Fij均分為Sx×Sy個(gè)不交疊的子矩陣，要求Sx和Sy分別能整除X和Y，然后將每個(gè)子矩陣中的元素按公式(3)進(jìn)行平均，公式(3)表示為：式中，是Sx×Sy維的聚合特征映射矩陣。為了得到遙感景象圖像特征在機(jī)器學(xué)習(xí)中常用的向量形式，將聚合特征映射矩陣由左至右的所有列從上到下排列，得到M＝SxSy維向量表示遙感景象圖像在i尺度層級(jí)和j角度層級(jí)的子描述子。具體而言，聚合特征映射矩陣的第(xs,ys)元素即為向量的第xs+(ys-1)Sy元素在現(xiàn)有GIST描述子的方法中，一張遙感景象圖像的和其順時(shí)針旋轉(zhuǎn)180°(即上下旋轉(zhuǎn))的子描述子在向量空間中有較大的差異。這是因?yàn)椋M管原遙感景象圖片和其旋轉(zhuǎn)180°的圖像計(jì)算所得子描述子中的元素集合相同，但圖像旋轉(zhuǎn)造成各元素在子描述子向量中的排列順序有較大差異，所以原遙感景象圖像和其旋轉(zhuǎn)180°圖像對(duì)應(yīng)不同的兩個(gè)子描述子在本發(fā)明實(shí)施例中，定義具有旋轉(zhuǎn)不變性的特性向量Qij，其維數(shù)與子描述子維數(shù)相同，都是M維，特性向量Qij第n元素Qij(n)表示為：式中，無(wú)論子描述子中元素次序怎樣改變，都會(huì)對(duì)應(yīng)相同的特性向量。通過(guò)上述公式(4)計(jì)算以子描述子所有元素為變量的初等對(duì)稱(chēng)多項(xiàng)式基組值。根據(jù)初等堆成多項(xiàng)式理論，無(wú)論子描述子中元素次序怎樣改變，都會(huì)對(duì)應(yīng)相同的特性向量Qij。因此，特性向量Qij具有旋轉(zhuǎn)不變性，對(duì)于原遙感景象圖像和其180°旋轉(zhuǎn)圖像具有相同的特性向量Qij。為了壓縮特性向量Qij中個(gè)元素分布區(qū)間的范圍，對(duì)特性向量Qij的每個(gè)元素Qij(n)進(jìn)行如下對(duì)數(shù)化處理：Pij(n)＝signum[Qij(n)]ln[1+|Qij(n)|](5)式中，signum[Qij(n)]表示Qij(n)的正負(fù)號(hào)，Pij表示遙感景象圖像在i尺度層級(jí)和j角度層級(jí)的旋轉(zhuǎn)不變子描述子，是一個(gè)M維向量，具有旋轉(zhuǎn)不變性。步驟三：綜合遙感景象圖像各尺度和角度層級(jí)的旋轉(zhuǎn)不變子描述子，形成遙感景象圖像的旋轉(zhuǎn)不變子描述子，其步驟為：計(jì)算各尺度i和角度j的子描表述子Pij，得到NSNO個(gè)旋轉(zhuǎn)不變子描述子，將NSNO個(gè)子描述子首尾相連組合成一個(gè)MNSNO維向量形式的新描述子P，新描述子P作為刻畫(huà)一張遙感景象圖像特征的向量，表示遙感景象圖像的旋轉(zhuǎn)不變描述子。旋轉(zhuǎn)不變子描述子Pij對(duì)于遙感景象圖像具有旋轉(zhuǎn)不變性，因此綜合各自描述子所得到的新描述子P也具有旋轉(zhuǎn)不變性。步驟四：基于遙感景象圖像的旋轉(zhuǎn)不變描述子訓(xùn)練超限學(xué)習(xí)機(jī)分類(lèi)器，運(yùn)用訓(xùn)練所得的超限學(xué)習(xí)機(jī)自動(dòng)識(shí)別遙感圖像的景象類(lèi)別。參見(jiàn)圖8，用N張遙感景象圖像訓(xùn)練超限學(xué)習(xí)機(jī)分類(lèi)器，訓(xùn)練超限學(xué)習(xí)機(jī)分類(lèi)器的過(guò)程為：設(shè)有V類(lèi)待識(shí)別的遙感景象圖像，為了實(shí)現(xiàn)基于圖像處理和機(jī)器學(xué)習(xí)的遙感景象圖像的自動(dòng)識(shí)別，對(duì)V類(lèi)遙感景象圖像分別制定V維的類(lèi)標(biāo)向量，第i類(lèi)遙感景象圖像類(lèi)標(biāo)向量為第i維元素為1、其余元素皆為-1的V維向量，本實(shí)施例中，V類(lèi)待識(shí)別的遙感景象圖像中的第4類(lèi)遙感景象圖像的類(lèi)標(biāo)向量為L(zhǎng)＝[-1,-1,-1,1,-1,-1,···,-1]；定義訓(xùn)練數(shù)據(jù)為N張遙感景象圖像的旋轉(zhuǎn)不變描述子和類(lèi)標(biāo)向量對(duì)，即{P(1),L(1)},{P(2),L(2)},…,{P(N),L(N)}；隨機(jī)產(chǎn)生U組隨機(jī)數(shù){a1,b1},{a2,b2},…,{aU,bU}，其中，ai是MNSNO維隨機(jī)向量，bi是隨機(jī)標(biāo)量；對(duì)于訓(xùn)練數(shù)據(jù)中每一張遙感景象圖像的旋轉(zhuǎn)不變描述子P，計(jì)算一個(gè)U維向量h(P)＝[h1(P)，···，hU(P)]，其中，第i元素是對(duì)于用于訓(xùn)練的N張遙感景象圖像，構(gòu)建矩陣H：按訓(xùn)練數(shù)據(jù)中遙感景象圖像的順序構(gòu)建對(duì)應(yīng)的景象類(lèi)別標(biāo)識(shí)矩陣T：進(jìn)而，得到U×V維分類(lèi)矩陣C：式中，是H的Moore–Penrose廣義逆矩陣；獲得的U×V維分類(lèi)矩陣C，即為超限學(xué)習(xí)機(jī)分類(lèi)器。參見(jiàn)圖9，自動(dòng)識(shí)別遙感圖像景象類(lèi)別的過(guò)程為：對(duì)于一張未知景象類(lèi)別的遙感景象圖像，計(jì)算其旋轉(zhuǎn)不變描述子Pt，進(jìn)而計(jì)算h(Pt)，然后計(jì)算V維向量Lt：Lt＝h(Pt)C(9)V維向量Lt中最大元素的位置即為對(duì)應(yīng)于這張遙感圖像的景象類(lèi)別。例如：若Lt中V個(gè)元素中最大值元素是第3個(gè)元素，則這張遙感景象圖像的景象類(lèi)別是V類(lèi)景象中的第3類(lèi)。以圖1中兩張同一機(jī)場(chǎng)遙感景象圖像為例。圖4繪出了圖1中兩張遙感景象圖像的描述子向量對(duì)應(yīng)元素的差值，其中，虛線(xiàn)是兩張同一機(jī)場(chǎng)場(chǎng)景旋轉(zhuǎn)遙感景象圖像的GIST描述子的向量對(duì)應(yīng)元素的差值，實(shí)線(xiàn)是兩張同一機(jī)場(chǎng)場(chǎng)景旋轉(zhuǎn)遙感景象圖像的旋轉(zhuǎn)不變描述子的向量對(duì)應(yīng)元素的差值。以圖2中兩張同一河流遙感景象圖像為例。圖5繪出了圖2中兩張遙感景象圖像的描述子向量對(duì)應(yīng)元素的差值，其中，虛線(xiàn)是兩張同一河流場(chǎng)景旋轉(zhuǎn)遙感景象圖像的GIST描述子的向量對(duì)應(yīng)元素的差值，實(shí)線(xiàn)是兩張同一河流場(chǎng)景旋轉(zhuǎn)遙感景象圖像的旋轉(zhuǎn)不變描述子的向量對(duì)應(yīng)元素的差值。以圖3中兩張同一農(nóng)田遙感景象圖像為例。圖6繪出了圖1中兩張遙感景象圖像的描述子向量對(duì)應(yīng)元素的差值，其中，虛線(xiàn)是兩張同一農(nóng)田場(chǎng)景旋轉(zhuǎn)遙感景象圖像的GIST描述子的向量對(duì)應(yīng)元素的差值，實(shí)線(xiàn)是兩張同一農(nóng)田場(chǎng)景旋轉(zhuǎn)遙感景象圖像的旋轉(zhuǎn)不變描述子的向量對(duì)應(yīng)元素的差值。由上述圖4、圖5、圖6可知，本發(fā)明實(shí)施例上述方法對(duì)旋轉(zhuǎn)的遙感景象圖像計(jì)算出的旋轉(zhuǎn)不變描述子的向量對(duì)應(yīng)元素的差值為0，即旋轉(zhuǎn)不變描述子相同，提高了訓(xùn)練分類(lèi)器的識(shí)別能力，識(shí)別效果比現(xiàn)有的GIST描述子的方法好，能夠識(shí)別同一圖像旋轉(zhuǎn)180°后的景象，利于訓(xùn)練分類(lèi)器，提高分類(lèi)器的分類(lèi)效果。以上所舉實(shí)施例僅用為方便舉例說(shuō)明本發(fā)明，并非對(duì)本發(fā)明保護(hù)范圍的限制，在本發(fā)明所述技術(shù)方案范疇，所屬技術(shù)領(lǐng)域的技術(shù)人員所作各種簡(jiǎn)單變形與修飾，均應(yīng)包含在以上申請(qǐng)專(zhuān)利范圍中。