一種基于sift訓練樣本提取的遙感圖像全監(jiān)督分類方法
【專利摘要】本發(fā)明涉及一種基于SIFT(Scale Invariant Feature Transform)訓練樣本提取的遙感圖像全監(jiān)督分類方法，包括以下步驟：對初始圖像的幅度數(shù)據(jù)歸一化處理，得到歸一化圖像；利用SIFT和拉普拉斯細節(jié)增強算子提取歸一化圖像中的關鍵點，作為候選樣本；計算歸一化圖像的簡單紋理特征，對候選樣本的灰度值做閾值分割處理得到訓練樣本坐標，對應的簡單紋理特征作為訓練樣本，除訓練樣本外其他所有的歸一化圖像的簡單紋理特征作為待分類樣本，即測試樣本；利用SIFT所提取訓練樣本特征，對支持向量機SVM(Support Vector Machine)分類器進行訓練，產生最優(yōu)分類面；通過最優(yōu)分類面，對未知類別的測試樣本的簡單紋理特征進行分類，得到最終的分類結果；本發(fā)明適合復雜地形區(qū)域的地表分類，擁有較高的分類精度，具有良好的推廣性。
【專利說明】
一種基于SI FT訓練樣本提取的遙感圖像全監(jiān)督分類方法
技術領域
[0001 ] 本發(fā)明屬于遙感圖像處理及模式識別領域，涉及一種基于SIFT(Scale Invariant Feature Transform)訓練樣本提取的遙感圖像全監(jiān)督分類方法。
【背景技術】
[0002 ]遙感分類的本質是地表特征隨時間或者空間變化引起不同區(qū)域像元光譜響應的 變化，判斷地物是否屬于不同的地表特征;檢測不同類別地表特征的空間位置;鑒別不同地 表的類型及時空分布模式。基于遙感影像的分類及分析技術應用領域非常廣泛，如城市管 理規(guī)劃、土地退化和荒漠化檢測、海洋和內陸水體監(jiān)測和自然災害防測及評估等。
[0003] 遙感影像的分類方法按照是否要使用分類器可分為直接比較法和分類后比較法， 又稱無監(jiān)督分類和全監(jiān)督分類。基于影像分割的分類方法是常見無監(jiān)督分類方法，但是對 于存在嚴重干擾的區(qū)域這類算法不具有良好的判別能力。全監(jiān)督分類方法通過使用分類器 和已標記的樣本可以有效地指導圖像的像元分類，具有良好的判別能力。但是分類器如最 大相關分類器的缺點是當樣本數(shù)量較高時，算法復雜度也較高，而最近鄰分類器選取的最 優(yōu)分類面不是全局最優(yōu);這些分類器分類效果對于訓練樣本依賴度高，獲取有效標記樣本 也十分困難，僅僅依靠閾值分割獲取的訓練樣本對測試樣本的表征能力低。

【發(fā)明內容】

[0004] 本發(fā)明要解決的技術問題是:提供一種基于SIFT訓練樣本提取的遙感圖像全監(jiān)督 分類方法，該方法利用SIFT和拉普拉斯細節(jié)增強算子提取歸一化圖像中的關鍵點，處理后 作為訓練樣本，計算遙感圖像的簡單紋理特征，再通過SVM分類器實現(xiàn)最終的像元分類，獲 得較高的分類精度，具有良好的推廣性。
[0005] 本發(fā)明解決其技術問題所采用的技術方案為:一種基于SIFT訓練樣本提取的遙感 圖像全監(jiān)督分類方法，包括以下幾個步驟：
[0006] (1)對初始圖像的幅度數(shù)據(jù)歸一化處理；
[0007] (2)利用SIFT和拉普拉斯細節(jié)增強算子提取歸一化圖像中的關鍵點，作為候選樣 本；
[0008] (3)計算歸一化圖像的簡單紋理特征，對候選樣本的灰度值做閾值分割處理得到 訓練樣本坐標，對應的簡單紋理特征作為訓練樣本，除訓練樣本外其他所有的歸一化圖像 的簡單紋理特征作為待分類樣本，即測試樣本；
[0009] (4)利用SIFT所提取的訓練樣本特征，對SVM分類器進行訓練，產生最優(yōu)分類面； [0010] (5)通過最優(yōu)分類面，對未知類別的測試樣本的簡單紋理特征進行分類，得到最終 的分類結果。
[0011] 所述的步驟(1)中對初始圖像的幅度數(shù)據(jù)歸一化處理的過程具體為：
[0012] 歸一化公式為：
[0014] 其中，min()表示最小值，max()表示最大值，R為初始圖像，RN_為對應的幅度數(shù)據(jù) 歸一化后的表示;選取Rn_的幅度值在(〇，eps)范圍內的的數(shù)據(jù)作為實驗數(shù)據(jù)，其中eps代 表Rn。?上界，取值范圍在0到1之間，Rn_中大于eps的數(shù)據(jù)都設置為eps。
[0015] 所述的步驟（2)中利用SIFT和拉普拉斯細節(jié)增強算子提取歸一化圖像中的關鍵 點，作為候選樣本的過程具體為:首先構建歸一化圖像Rn。?的高斯金字塔，然后利用拉普拉 斯細節(jié)增強算子構建高斯差分金字塔DoG，最后檢測關鍵點并進行精確定位;其中高斯金字 塔組數(shù)為：
[0016] 0 = log2{min(M,N) }-t+l ,tG (0, log2{min(M,N)})
[0017]其中，min()表示最小值，0表示高斯金字塔組數(shù)，M、N為Rn。?的行數(shù)和列數(shù)，t為塔 頂圖像的最小維數(shù)的對數(shù)值;為了在DoG金字塔的每組中檢測S個尺度的極值點，則DoG金字 塔每組需S+2層圖像，所以高斯金字塔每組內有S+3層圖像;為了滿足尺度變化的連續(xù)性，新 的組的第一層圖像是由其前一組倒數(shù)第三層降采樣得到的。對圖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，*表示卷積運算
為高斯模糊 函數(shù)，（x，y)代表圖像的像素位置，（m，n)表示高斯模板的維度（由（6〇+l)X(6〇+l)確定）， 〇 (〇，s)=〇〇X2°Ws(〇G [0, . . .，0-l]，SG [0, . . .，S+2])是尺度空間因子，〇〇為初始設定的 值，組內每層的尺度坐標也可按（
/c = 21/s )對前一層進行模糊；
[0020] 再根據(jù)拉普拉斯細節(jié)增強算子處理高斯金字塔，即：
[0021] P(x,y)=L(x,y)-V2L(x,y)
[0022] 然后使用金字塔每組中相鄰上下兩層圖像相減，得到高斯差分圖像D(x，y，〇)，即 DoG金字塔：
[0023] D(x,y,〇)=P(x,y,k〇)-P(x,y,〇)
[0024] 關鍵點由DoG金字塔的局部極值點組成，初步篩選方法是比較同一組內相鄰兩層 圖像之間的大小，即對每組中除了第一層、最后一層和邊界點外，每一個點和它同尺度即同 一層的8個相鄰點以及上下相鄰尺度即上下層對應的9X2個點，即共26個點的大小進行比 較，得到局部最大點作為粗選關鍵點X =( x，y，〇 )T;進行精確定位的方法是，對于粗選關鍵 點坐標 X=(x，y，〇)T:
[0027]其中』表示相對X的偏移量，1_以')對應DoG金字塔的值;當它在任一維度(x，y，〇) 偏移絕對值大于a時，中心已經偏移，須改變當前關鍵點的位置；同時在新的位置上反復計 算1直到收斂，即絕對值小于a，其中a為設定的值;如果達到最大迭代次數(shù)仍不收斂則刪除 該點；為了減少噪聲影響，當ID(f)l小于b時刪除該點，其中b為設定的值;為了剔除不穩(wěn)定 的邊緣響應點，獲取關鍵點處的2 X 2的Hessian矩陣H: _￡> D
[0028] H= u ,
[A.。J
[0029] Dxx表示DoG金字塔某一尺度圖像x方向的二次求導，Dyy表示DoG金字塔某一尺度圖 像y方向的二次求導，Dxy表示DoG金字塔某一尺度圖像x方向和y方向的二次求導，Det(H) = 0』^-(0燈)2，作(1〇=0^0^，其中0的〇代表矩陣的行列式，作〇代表矩陣的跡，當：
[0031] 則關鍵點保留，反之剔除，其中r為閾值。
[0032] 所述的步驟(3)中計算歸一化圖像的簡單紋理特征，對候選樣本的灰度值做閾值 分割處理得到訓練樣本坐標，對應的簡單紋理特征作為訓練樣本，除訓練樣本外其他所有 的歸一化圖像的簡單紋理特征作為待分類樣本，即測試樣本的過程具體為:首先計算歸一 化圖像Rn_的簡單紋理特征，即每一個像素點鄰域內均值和方差，然后對從步驟(2)中得到 的候選樣本的灰度值做閾值分割處理得到訓練樣本坐標，對應的簡單紋理特征作為訓練樣 本，其他的歸一化圖像Rn。?的簡單紋理特征作為測試集。
[0033]所述的步驟(4)中利用SIFT所提取訓練樣本特征，對SVM分類器進行訓練，產生最 優(yōu)分類面的過程具體為：
[0034] 利用Lagrange乘子法，最大化泛函：
[0037] C^ai^O，i = 1，…，n
[0038] 其中，標簽yiG { + 1,-1}，分別對應訓練集中不同類別的樣本;li為第i個訓練樣本 的簡單紋理特征;k( ?)表示核函數(shù);ai為待求的與第i個訓練樣本相對應的Lagrange乘子， (：為&1的上界，為設定值，n為訓練樣本的數(shù)量。
[0039] 所述的步驟(5)中通過最優(yōu)分類面，對未知類別的測試樣本的簡單紋理特征進行 分類，得到最終的分類結果的過程具體為：
[0040] 最優(yōu)分類面的函數(shù)表示為： n
[0041 ] fij) = sgn j i=l
[0042]其中，ai為第i個訓練樣本相對應的Lagrange乘子；1為未知類別的測試樣本的簡 單紋理特征；f H 其中SV表示支持向量;f(l)e{+l，-l}，即決定了當前 J^SV 未知類別的測試樣本的分類結果。
[0043]本發(fā)明的原理是:結合SIFT與拉普拉斯細節(jié)增強算子提取關鍵點，通過閾值分割 獲取不同類別的訓練樣本，計算樣本的簡單紋理特征，以求獲得更好的類別判別能力和更 好的表征能力；SVM尋找的是一個滿足分類要求的最優(yōu)超平面，適用于小樣本，利用核方法 在高維空間解決非線性等問題;結合SIFT與SVM的優(yōu)勢，可以很好地實現(xiàn)遙感圖像的分類。
[0044] 本發(fā)明與現(xiàn)有技術相比的優(yōu)點在于:對于訓練樣本提取部分，較之于單純閾值分 割準則，本發(fā)明可獲得圖像中的有效關鍵點；對于目標識別部分，較之于最大相關分類器， 本發(fā)明解決了維數(shù)問題，較之于最近鄰分類器，本發(fā)明得到的是全局最優(yōu)解;通過將SIFT與 SVM分類器相結合，本發(fā)明能非常好地完成遙感圖像的分類，并獲得較高的分類精度，具有 良好的推廣性。
【附圖說明】
[0045] 圖1為本發(fā)明的特征提取與分類流程圖。
[0046] 圖2為對實例進行二分類，即變化檢測的結果。
[0047] 其中：
[0048] 201為變化前圖像；
[0049] 202為變化后圖像；
[0050] 203為圖202與圖201的比值灰度圖，為本方法的初始圖像；
[00511 204為SIFT篩選的變化點（白色點）；
[0052] 205為SIFT篩選的未變化點（白色點）；
[0053] 206為變化檢測結果；
【具體實施方式】
[0054]下面結合附圖及【具體實施方式】詳細介紹本發(fā)明。
[0055]如圖1所示，本發(fā)明的基于SIFT訓練樣本提取的遙感圖像全監(jiān)督分類方法的具體 實施步驟如下：
[0056] (1)對初始圖像的幅度數(shù)據(jù)歸一化處理的過程具體為：
[0057]歸一化公式為：
[0059]其中，R為初始圖像，Rn。?為對應的幅度數(shù)據(jù)歸一化后的表示;選取Rn_的幅度值在 (0,印s)范圍內的占比等于99.8%的數(shù)據(jù)作為實驗數(shù)據(jù)，大于印s的數(shù)據(jù)都設為印s。
[0060] (2)利用SIFT和拉普拉斯細節(jié)增強算子提取歸一化圖像中的關鍵點，作為候選樣 本的過程具體為:首先構建歸一化圖像Rn。?的高斯金字塔，然后利用拉普拉斯細節(jié)增強算 子構建高斯差分金字塔DoG，最后檢測關鍵點并進行精確定位;其中高斯金字塔組數(shù)為： [0061 ] 0 = log2{min(M,N) }-t+l ,tG (0, log2{min(M,N)})
[0062]其中，min()表示最小值，0表示高斯金字塔組數(shù)，M、N為Rn。?的行數(shù)和列數(shù)，t為塔 頂圖像的最小維數(shù)的對數(shù)值;為了在DoG金字塔的每組中檢測S個尺度的極值點，則DoG金字 塔每組需S+2層圖像，所以高斯金字塔每組內有S+3層圖像;其中高斯金字塔由0 = 4組，S = 3;為了滿足尺度變化的連續(xù)性，新的組的第一層圖像是由其前一組倒數(shù)第三層降采樣得到 的;對圖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，*表示卷積運算
丨為高斯模糊 函數(shù)，（x，y)代表圖像的像素位置，（m，n)表示高斯模板的維度（由（6〇+l)X(6〇+l)確定）， 〇 (o，s) = 〇〇X2°+s/s(〇G[0，...，0-l]，SG[0,…，S+2])是尺度空間因子，初始值 〇。=1.6,組 內每層的尺度坐標也可按
A-= 2llS )對前一層進行模糊。
[0065]再根據(jù)拉普拉斯細節(jié)增強算子處理高斯金字塔，即：
[0066] P(x,y)=L(x,y)-V2L(x,y)
[0067] 然后使用金字塔每組中相鄰上下兩層圖像相減，得到高斯差分圖像D(x，y，〇)，即 DoG金字塔：
[0068] D(x,y,〇)=P(x,y,k〇)-P(x,y,〇)
[0069] 關鍵點由DoG金字塔的局部極值點組成，初步篩選方法是比較同一組內相鄰兩層 圖像之間的大小，即對每組中除了第一層、最后一層和邊界點外，每一個點和它同尺度即同 一層的8個相鄰點以及上下相鄰尺度即上下層對應的9X2個點，即共26個點的大小進行比 較，得到局部最大點作為粗選關鍵點X =( x，y，〇 )T;進行精確定位的方法是，對于粗選關鍵 點坐標 X=(x，y，〇)T:
[0072] 其中，f表示相對X的偏移量，D(X)對應DoG金字塔的值;當它在任一維度(x，y，〇) 偏移絕對值大于a時，中心已經偏移，須改變當前關鍵點的位置；同時在新的位置上反復計 算f直到收斂，即絕對值小于a，其中a為0.5;如果達到最大迭代次數(shù)仍不收斂則刪除該點； 為了減少噪聲影響，當|〇(幻|小于b時刪除該點，其中b為0.03;為了剔除不穩(wěn)定的邊緣響應 點，獲取關鍵點處的2 X 2的Hessian矩陣H: ￡>
[0073] H=" 公"」
[0074] Dxx表不DoG金字塔某一尺度圖像X方向的二次求導，Dyy表不DoG金字塔某一尺度圖 像y方向的二次求導，Dxy表示DoG金字塔某一尺度圖像x方向和y方向的二次求導，Det(H) = 0』^-(0燈)2，作(1〇=0^0^，其中0的〇代表矩陣的行列式，作〇代表矩陣的跡，當：
[0076]則關鍵點保留，反之剔除，其中閾值r = 18。
[0077] (3)計算歸一化圖像的簡單紋理特征，對候選樣本的灰度值做閾值分割處理得到 訓練樣本坐標，對應的簡單紋理特征作為訓練樣本，除訓練樣本外其他所有的歸一化圖像 的簡單紋理特征作為待分類樣本，即測試樣本的過程具體為:首先計算歸一化圖像Rn。?的 簡單紋理特征，即每一個像素點3X3鄰域內均值和方差，然后對從步驟(2)中得到的候選樣 本的灰度值做閾值分割處理得到訓練樣本坐標，即關鍵點X=(x，y， 〇)的辦。^(1，7,〇)大于 0.6時，視為一種類別；當關鍵點X= (X，y，0)的RNcxrm(x，y，0)小于0.4時，視為另一種類別，對 應的簡單紋理特征作為訓練樣本，其他的歸一化圖像Rn。?的簡單紋理特征作為測試集。
[0078] (4)利用SIFT所提取訓練樣本特征，對SVM分類器進行訓練，產生最優(yōu)分類面的過 程具體為：
[0079] 利用Lagrange乘子法，最大化泛函：
[0082] C^ai^O，i = 1，…，n
[0083] 其中，標簽yiG { + 1,-1}，分別對應訓練集中不同類別的樣本;li為第i個訓練樣本 的簡單紋理特征;k( ?)表示核函數(shù);ai為待求的與第i個訓練樣本相對應的Lagrange乘子， (：為&1的上界，為設定值，n為訓練樣本的數(shù)量。
[0084] (5)通過最優(yōu)分類面，對未知類別的測試樣本的簡單紋理特征進行分類，得到最終 的分類結果的過程具體為：
[0085]最優(yōu)分類面的函數(shù)表示為： h
[0086] /(/)= sgn! V .'(^(/；./) +^*}
[0087]其中，ai為第i個訓練樣本相對應的Lagrange乘子；1為未知類別的測試樣本的簡 單紋理特征/=乃-[HIM)'其中SV表示支持向量;€(1)￡{ + 1，_1}，即決定了當前 1,eSV 未知類別的測試樣本的分類結果。
[0088]圖2中201為變化前圖像，A代表發(fā)生變化的區(qū)域，B代表未發(fā)生變化的區(qū)域;202為 變化后圖像，圖中A代表發(fā)生變化的區(qū)域，B代表未發(fā)生變化的區(qū)域;203為本方法的初始圖 像，是202與201的比值灰度圖，圖中A代表發(fā)生變化的區(qū)域，B代表未發(fā)生變化的區(qū)域;204為 SI FT篩選的變化點，如圖中白色點所示；20 5為SI FT篩選的未變化點，如圖中白色點所示； 206為變化檢測結果圖，其中的白亮區(qū)域是檢測發(fā)生變化的部分，黑暗區(qū)域是檢測未變化部 分，A代表發(fā)生變化的區(qū)域，B代表未發(fā)生變化的區(qū)域?？梢钥闯?，圖206中，在A區(qū)域的漏檢和 在B區(qū)域的虛警較低，分類效果良好。證明該方法具有優(yōu)越的分類和檢測能力。
[0089] 本發(fā)明說明書中未作詳細描述的內容屬于本領域專業(yè)技術人員公知的現(xiàn)有技術。
[0090] 盡管為說明目的公開了本發(fā)明的最佳實施例和附圖，但是本領域的技術人員可以 理解:在不脫離本發(fā)明及所附的權利要求的精神和范圍內，各種替換、變化和修改都是可能 的。因此，本發(fā)明所保護的技術方案不應局限于最佳實施例和附圖所公開的內容。
【主權項】
1. 一種基于SIFT訓練樣本提取的遙感圖像全監(jiān)督分類方法，其特征在于包括以下幾個 步驟： (1) 對初始圖像的幅度數(shù)據(jù)歸一化處理，得到歸一化圖像； (2) 利用SIFT(Scale Invariant Feature Transform)和拉普拉斯細節(jié)增強算子提取 歸一化圖像中的關鍵點，作為候選樣本； (3) 計算歸一化圖像的簡單紋理特征，對候選樣本的灰度值做閾值分割處理得到訓練 樣本坐標，對應的簡單紋理特征作為訓練樣本，除訓練樣本外其他所有的歸一化圖像的簡 單紋理特征作為待分類樣本，即測試樣本； (4) 利用SIFT所提取訓練樣本特征，對支持向量機SVM(Support Vector Machine)分類 器進行訓練，產生最優(yōu)分類面； (5) 通過最優(yōu)分類面，對未知類別的測試樣本的簡單紋理特征進行分類，得到最終的分 類結果。2. 根據(jù)權利要求1所述的基于SIFT訓練樣本提取的遙感圖像全監(jiān)督分類方法，其特征 在于:所述步驟(1)中對初始圖像的幅度數(shù)據(jù)歸一化處理的過程具體為： 歸一化公式為：其中，min()表示最小值，max()表示最大值，R為初始圖像，辦_為對應的幅度數(shù)據(jù)歸一 化后的表示;選取Rn_的幅度值在(0，印s)范圍內的的數(shù)據(jù)作為實驗數(shù)據(jù)，其中eps代表RN_ 上界，取值范圍為〇到1，Rn。：?中大于eps的數(shù)據(jù)都設置為eps。3. 根據(jù)權利要求1所述的基于SIFT訓練樣本提取的遙感圖像全監(jiān)督分類方法，其特征 在于:所述步驟(2)中利用SIFT和拉普拉斯細節(jié)增強算子提取歸一化圖像中的關鍵點，作為 候選樣本的過程具體為:首先構建歸一化圖像Rn。?的高斯金字塔，然后利用拉普拉斯細節(jié) 增強算子構建高斯差分DoG(Difference of Gaussian)金字塔，最后檢測關鍵點并進行精 確定位;其中高斯金字塔組數(shù)為： 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表示高斯金字塔組數(shù)，M、N為RN_的行數(shù)和列數(shù)，t為塔頂圖像 的最小維數(shù)的對數(shù)值;為了在DoG金字塔的每組中檢測S個尺度的極值點，則DoG金字塔每組 需S+2層圖像，所以高斯金字塔每組內有S+3層圖像;為了滿足尺度變化的連續(xù)性，新的組的 第一層圖像是由其前一組倒數(shù)第三層降采樣得到的，對圖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，*表示卷積運算&高斯模糊函數(shù)， (x，y)代表圖像的像素位置，（m，n)表示高斯模板的維度（由（6〇+l)X(6〇+l)確定）， 〇(o，s) = o〇X20+s/s(〇e[〇, . , π-H 旦P許由間因子，σ〇為初始設定的值，組內每層的尺度坐標也可彳 ）對前一層進行模糊； 再根據(jù)拉普拉斯結 然后使用金字塔每組中相鄰上下兩層圖像相減，得到高斯差分圖像D(x，y，〇)，即DoG金 字塔： D(x,y,〇)=P(x,y,k〇)-P(x,y,o) 關鍵點由DoG金字塔的局部極值點組成，初步篩選方法是比較同一組內相鄰兩層圖像 之間的大小，即對每組中除了第一層、最后一層和邊界點外，每一個點和它同尺度即同一層 的8個相鄰點以及上下相鄰尺度即上下層對應的9X2個點，即共26個點的大小進行比較，得 到局部最大點作為粗選關鍵點X= (X，y，σ)Τ;進行精確定位的方法是，對于粗選關鍵點坐標 X=(x,y,〇)T：其中，f表示相對X的偏移量，/)(；0對應DoG金字塔的值；當它在任一維度(X，y，σ)偏移 絕對值大于a時，中心已經偏移，須改變當前關鍵點的位置；同時在新的位置上反復計算i 直到收斂，即絕對值小于a，其中a為設定的值；如果達到最大迭代次數(shù)仍不收斂則刪除該 點；為了減少噪聲影響，當|D(f)|小于b時刪除該點，其中b為設定的值;為了剔除不穩(wěn)定的 邊緣響應點，獲取關鍵點處的2 X 2的Hessian矩陣H:Dxx表示DoG金字塔某一尺度圖像X方向的二次求導，Dyy表示DoG金字塔某一尺度圖像y方 向的二次求導，Dxy表示DoG金字塔某一尺度圖像X方向和y方向的二次求導，Det(H) =DxxDyy-(Dxy)2，Tr(H)=D xx+Dyy，其中DetO代表矩陣的行列式，TrO代表矩陣的跡，當：貝IJ關鍵點保留，反之剔除，其中r為閾值。4. 根據(jù)權利要求1所述的基于SIFT訓練樣本提取的遙感圖像全監(jiān)督分類方法，其特征 在于:所述的步驟(3)中計算歸一化圖像的簡單紋理特征，對候選樣本的灰度值做閾值分割 處理得到訓練樣本坐標，對應的簡單紋理特征作為訓練樣本，除訓練樣本外其他所有的歸 一化圖像的簡單紋理特征作為待分類樣本，即測試樣本的過程具體為:首先計算歸一化圖 像Rn_的簡單紋理特征，即每一個像素點鄰域內均值和方差，然后對從步驟(2)中得到的候 選樣本的灰度值做閾值分割處理得到訓練樣本坐標，對應的簡單紋理特征作為訓練集，其 他的歸一化圖像Rn。?的簡單紋理特征作為測試集。5. 根據(jù)權利要求1所述的基于SIFT訓練樣本提取的遙感圖像全監(jiān)督分類方法，其特征 在于:所述的步驟(4)中利用SIFT所提取訓練樣本特征，對SVM分類器進行訓練，產生最優(yōu)分 類面的過程具體為： 利用Lagrange乘子法，最大化泛函： C^ai多0，? = 1，···，η其中，標簽yie{+i，-i}，分別對應訓練集中不同類別的樣本;I1為第i個訓練樣本的簡 單紋理特征;k( ·)表示核函數(shù);ai為待求的與第i個訓練樣本相對應的Lagrange乘子，CSai 的上界，為設定值，η為訓練樣本的數(shù)量。6.根據(jù)權利要求1所述的基于SIFT訓練樣本提取的遙感圖像全監(jiān)督分類方法，其特征 在于:所述的步驟(5)中通過最優(yōu)分類面，對未知類別的測試樣本的簡單紋理特征進行分 類，得到最終的分類結果的過程具體為： 最優(yōu)分類面的函數(shù)表示為：其中，為第i個訓練樣本相對應的Lagrange乘子;1為未知類別的測試樣本的簡單紋理 特!Π其中SV表示支持向量;€(1)^{ + 1，-1}，即決定了當前未知類 別的測試樣本的分類結果。
【文檔編號】G06K9/46GK105894037SQ201610250625
【公開日】2016年8月24日
【申請日】2016年4月21日
【發(fā)明人】高飛, 呂文超, 孫進平, 王俊, 張紅波
【申請人】北京航空航天大學, 中國航空工業(yè)集團公司雷華電子技術研究所