遥感图像分割方法及遥感图像检索方法

摘要

本发明涉及一种遥感图像分割方法，属于遥感图像处理技术领域。本发明根据颜色特征、纹理特征及像素点的位置信息生成的特征向量，作为初始输入向量，利用均值漂移滤波进行遥感图像的分割，并进一步利用构造的聚类有效性指数自适应地确定颜色特征和纹理特征的权重，有效提高了遥感图像分割的精度。本发明还公开了一种采用本发明的遥感图像分割方法的遥感图像检索方法，并进一步采用了一种新的区域表示与匹配方法来完成遥感图像的检索。相比现有技术，本发明具有更好的检索精度，尤其对于小目标区域的检索具有更好的效果。

说明书

技术领域

本发明涉及遥感图像检索方法，尤其涉及一种基于图像语义区域精确分割的遥感图像检 索方法，属于遥感图像处理技术领域。

背景技术

随着卫星遥感技术的发展，海量遥感图像的快速查询成为急需解决的课题。基于内容的 遥感图像检索方法使遥感图像的快速、准确查询成为可能。基于内容的遥感图像检索系统按 照一定的分块策略将图像分成一系列子块，并根据子块的视觉特征之间的匹配来完成图像的 检索。但是，在基于内容的遥感图像检索中，常用的分块策略将遥感图像分成一系列固定大 小的子块，破坏了图像中隐含目标的语义完整性。由于受分块策略及遥感图像自身特点的影 响，基于内容的检索技术对遥感图像中的小目标区域还不能有效地进行检索。而基于区域的 检索技术试图从语义层次上理解和检索图像，可以有效解决基于内容的检索方法中存在的问 题。基于区域的图像检索方法借助特定的分割技术把图像分成一系列的子区域，每个区域对 应着特定的语义内容，通过提取颜色、纹理、形状等特征进行区域表示，并利用图像的区域 匹配来完成图像的检索。近年来，已有研究者采用基于区域的方法对遥感图像进行分析，如 Gigandet等人[X.Gigandet，M.Bach Cuadra，A.Pointet.Region-based satellite image classification：method  and validation[C].Proceedings of International Conference on Image Processing，v 3，p：832-835，2005.]提出的 一种结合无监督分割和有监督分类方法的高分辨率遥感图像分类法。该方法先借助多光谱数 据、局部空间信息及高斯隐马尔科夫模型完成图像的分割，然后分别利用已分割区域的亮度、 纹理及形状特征对Mahalanobis距离分类器和SVM进行训练，并利用训练好的分类器实现遥 感图像的分类。Parulekar等人[Ashish Parulekar，Ritendra Datta，Jia Li，James Z.Wang.Large-scale  satellite image browsing using automatic semantic categorization and content-based retrieval[C].Proceedings of  the tenth International Conference on Computer Vision Workshops，p：1873-1880，2005.]通过在遥感图像检索 先对图像区域进行语义分类处理，再根据区域的语义分类结果，采用综合区域匹配法来进行 像检索，有效提高了检索性能。在基于区域的图像检索中，图像分割和区域匹配是关键步骤， 也是难点问题。

图像语义区域的精确分割至今仍是计算机视觉领域一个公开的难题。国内外学者提出了 很多图像分割方法用于RBIR系统，如基于统计分析的分割方法，基于聚类的方法，JSEG等。 Ko等人[ByoungChul Ko，Hyeran Byun.FRIP：a region-based image retrieval tool using automatic image  segmentation and stepwise Boolean and matching[J].IEEE transactions on multimedia，Vol.7，No.1， p：105-113，Feb 2005.]提出了一种基于自适应循环滤波和贝叶斯理论的两级分割方法，该方法根据 纹理信息的数量选择合适的滤波器进行自适应循环滤波，然后通过区域标记和区域合并来防 止语义不同的区域之间的合并，从而完成图像分割。Chen等人[Yixin Chen，James Z.Wang.A region-based fuzzy feature matching approach to content-based image retrieval[J].IEEE transactions on pattern  analysis and machine intelligence，Vol.24，No.9，p：1252-1267，Sep 2002.]利用K-均值算法对特征向量集进 行聚类，使每一类分别对应着分割图像中的一个区域，从而完成图像的分割。JSEG也是RBIR 中常用的分割算法[Deng Y.，Manjunath，B.，Shin，H.Color image segmentation[C].Proceedings of  International conference on computer vision and pattern recognition，Vol.2，p：446-451，1999.]，该方法首先将图 像中的颜色进行量化用于区分不同的区域，并将图像中像素的颜色用对应的颜色类别标签来 替代，从而生成图像的类别映射(class-map)，然后根据J准则和类别映射生成所谓的J-图 像，该图像中取值较大和较小的数值分别对应着图像中可能的边界和中心，最后利用区域生 长的方法来完成图像的分割。上述方法对于图像分割的研究主要侧重于分割算法本身，却忽 略了分割过程中所用特征的重要性。

图像分割是基于区域的图像检索中的关键部分。遥感图像的分割方法主要有基于分水岭 的分割、基于数学形态学的分割、基于边缘的分割、基于统计学的分割等，其中使用较多的 是基于统计学的分割方法。基于统计学的分割可以分为有监督分割和无监督分割两大类，有 监督方法有支持向量机、水平集等，无监督方法有均值漂移方法、模糊C均值聚类等。由于 遥感图像存在“小样本”问题，即只有很少的示例样本，因此遥感图像中使用较多的是无监 督方法。聚类算法中常用的是模糊C均值聚类法，该方法具有良好的分割效果，但是对于大 数据量的遥感图像分割问题，由于该算法最终归结为求解非凸优化问题的迭代算法，时间复 杂度较高，且易受初始聚类中心的影响。因此，基于均值漂移(Mean Shift)的分割方法用 于遥感图像分割是一个较好的选择，该方法不受数据分布模型及初始聚类数目的影响，具有 较好的收敛性及鲁棒性。

均值漂移算法是一种基于核密度估计的无参快速模式匹配算法。1975年Fukunaga和 Hostetler在研究核函数的密度梯度估计时提出了均值移动算法的原型，但并未得到学术界 的注意。直到1995年Y.cheng成功将此算法扩展至计算机视觉领域才引起了广泛的关注。均 值漂移算法是一个迭代过程，先对当前点算出偏移均值，根据偏移均值将其移动到新的位置， 然后以此为新的起始点继续移动，直到满足一定的终止条件。计算偏移均值时，可以通过定 义一族核函数，使得随着样本与被偏移点距离的不同，其偏移量对均值偏移向量的贡献也不 同。

假设X是d维欧氏空间中的总体，{x_i，1≤i≤n}是来自总体X的独立同分布样本集，K(x) 为核函数，h为核半径带宽，则概率密度函数f(x)的核函数估计为：

$\widehat{f\left(x\right)}=\frac{\underset{i=1}{\overset{n}{\Sigma }}K\left(\frac{x_i-x}{h}\right)w\left(x_i\right)}{h_d\underset{i=1}{\overset{n}{\Sigma }}w\left(x_i\right)}$

其中，w(x_i)≥0表示采样点x_i的权重。经常使用的核函数有Epanechnikov核函数、高斯 核函数等。核函数K(x)的剖面函数为k(x)，令K(x)＝k(||x||²)，k(x)的负导数为g(x)，即 g(x)＝-k′(x)，其对应的核函数为G(x)＝g(||x||²)。

概率密度函数f(x)的核密度估计梯度为：

$\widehat{▿}{f}_{h,k}=\frac{{2c}_{k,d}}{{\mathrm{nh}}^{d+2}}\left[\underset{i=1}{\overset{n}{\Sigma }}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)\right]·[\frac{\underset{i=1}{\overset{n}{\Sigma }}{x}_{i}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\Sigma }}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}-x]$

其中，c_k，d是对应的归一化常数，h为核半径带宽，x_i表示第i个采样点，表 示x_i的权重。

模式点位于核密度函数的极值点处，搜索特征空间的模式点就是寻找满足函数密度梯度 为0的极值点的过程。从而得到Mean Shift矢量为：

$M_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\Sigma }}{x}_{i}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\Sigma }}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}-x$

进一步得到Mean Shift的迭代公式为：

$m_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\Sigma }}{x}_{i}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\Sigma }}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}$

给定一个初始点x，核函数K(x)，在容许误差为ε时，均值漂移过程可以分为以下步骤： (1)设定合适的搜索窗直径；(2)计算向量m_h(x)；(2)把m_h(x)赋值给x；(3)判断|m_h(x)-x|＜ε 是否成立，若成立则循环结束，否则转到步骤(1)。上述步骤是不断沿着最大概率密度的方向 移动。在执行均值漂移滤波的过程中，核函数K(x)决定了采样点x_i与核中心点之间的相似性 度量，带宽矩阵决定了核函数的影响范围。

基于均值漂移的图像分割是在滤波的基础上，通过对图像的模式点进行合并来实现的。 具体步骤如下：

1、设x_i，i＝1，2，....，n为图像中的像素点，对每一个x_i执行上述均值漂移滤波过程，直至找 到x_i的收敛点z_i；

2、根据收敛点z_i的信息进行聚类；

3、根据聚类之后z_i的类信息对所有x_i进行类别标记，如L_i＝{p|z_i∈C_p}；其中L_i表示x_i的 类别标记，上述等式说明当z_i属于类别C_p时，x_i属于P类别。

4、对图像的模式点进行区域合并，去除包含像素点太少的类别，从而得到分割后的图像。

近年来，均值漂移方法在图像分割中取得了较好的应用效果，李华等[李华，张明新，郑 金龙.融合多特征的均值漂移彩色图像分割方法[J].计算机应用，Vol.29，No.8， p：2074-2076，2009年.]针对均值漂移图像分割方法中只考虑颜色和空间信息，对纹理丰富 的图像不能进行有效分割的情况，提出融合图像颜色、纹理和空间等低层特征信息的图像分 割方法。用每个像素点的极性、各向异性和对比度来表示图像的纹理信息，结合颜色和空间 信息形成图像分割特征，然后用均值漂移进行图像滤波，并根据区域的颜色信息进行区域合 并来完成图像的分割。王爽等[王爽，夏玉，焦李成.基于均值漂移的自适应纹理图像分割方 法[J].软件学报，Vol.21，No.6，p：1451-1461，2010年6月.]提出了一种基于小波多尺度分 析和均值漂移的无监督纹理图像分割方法，利用均值移动聚类实现基于小波特征的完全无监 督自适应多尺度分割，在纹理内部使用粗尺度特征，而在不同纹理交界处使用较细尺度特征， 这样保证了分割过程中的区域一致性，同时更准确地定位了图像边缘。该方法在合成纹理和 真实纹理图像的分割中都有较好的效果。Hong等[Yiping Hong，Jianqiang Yi，Dongbin Zhao. Improved mean shift segmentation approach for nature images[J].Applied Mathematics and  Computation，Vol.185，p：940-952，Feb 2007.]提出一种改进的均值漂移分割方法用于自然图像 的分割。该方法利用可变颜色带宽来进行分割，从而有利于控制分割结果，并通过一种最优 化模式合并准则来保证不同图像分割结果的稳定性，实验结果表明该方法较改进之前有更好 的分割效果。

研究者们提出了很多方法，如多特征融合、Gabor特征的多尺度变换、可变颜色带宽等 来提高均值漂移图像分割的精度，但并未考虑在均值漂移分割方法中引入特征选择。其实， 遥感图像具有丰富的颜色和纹理信息，如果将图像分割看作模式分类，则遥感图像特征的提 取对图像分割亦有着重大的影响。虽然通过多特征融合可以在一定程度上克服单一特征的局 限性，但是对于特定的遥感图像，不同的特征对其内容进行描述时其有效性是不同的。若通 过为图像找出最具表现力的特征，并利用此特征进行均值漂移滤波，应该能有效提高图像的 分割精度。

发明内容

本发明所要解决的技术问题在于克服现有基于均值漂移的图像分割方法未考虑特征选择 所导致的分割精度有限的缺陷，提出一种遥感图像分割方法及遥感图像检索方法，通过在均 值漂移图像分割中使用最能体现图像内容的特征，来提高遥感图像分割的精度，并进而提高 遥感图像检索的效果。

本发明的遥感图像分割方法，首先对图像中每一个像素点进行均值漂移滤波处理，直至 找到其收敛点，并根据收敛点的类别信息对像素点进行标识；然后利用图像的模式点进行区 域合并，去除包含像素点少于一预先设定的阈值N_min的类别，从而得到分割后的图像，在进 行均值漂移滤波时，所需的初始特征向量是根据颜色特征、纹理特征及像素点的位置信息生 成，具体按照以下公式：

f＝[h_sx，h_sy，w_ch_rf_c1，w_ch_rf_c2，w_ch_rf_c3，w_th_rf_t1，w_th_rf_t2，...，w_th_rf_t8]^T，

式中，f为初始特征向量；w_c和w_t分别为像素点的颜色特征、纹理特征权重系数；h_s表示空 间域的窗直径；h_r表示值域的窗直径；x和y表示像素点的位置坐标；f_ci，i＝1，2，3表示像 素点的颜色特征数据；f_tj，j＝1，2，L L，8表示像素点的纹理特征数据。

进一步地，所述颜色特征、纹理特征的权重系数按照以下方法确定：

A1、根据用户提供的示例样本对图像进行分块，并分别提取出各子块的颜色特征和纹理特征；

A2、根据最小描述长度准则确定颜色特征和纹理特征的聚类数目；

A3、分别利用颜色特征和纹理特征对子块进行聚类分析，并根据下式获得各特征所对应的聚 类有效性指数，

$S_t=\frac{1}{\left|C_t\right|}\underset{x\in C_t}{\Sigma }D(x,p_t)$

${\mathrm{DBI}}_c=\frac{k-1}{\underset{\underset{i\ne t}{i=1}}{\overset{k}{\Sigma }}\frac{D(p_i,p_t)}{S_t}}$

${\mathrm{DBI}}_t=\frac{k-1}{\underset{\underset{i\ne t}{i=1}}{\overset{k}{\Sigma }}\frac{S_t}{D(p_i,p_t)}}$

其中，D(·)是一个距离算子，对于颜色特征，D(·)表示直方图交距离；而对于纹理特征，D(·) 表示欧式距离；t是目标子类的簇编号；S_t是目标子类t中所有样本到聚类中心的平均距离； |C_t|是目标子类t中的样本数目；p_t是目标子类t的聚类中心；k表示聚类数目；p_i表示非 目标子类的聚类中心；DBI_c表示颜色特征的聚类有效性指数；DBI_t表示纹理特征的聚类有效 性指数；

A4、根据聚类有效性指数分别确定颜色特征和纹理特征的权重系数w_c和w_t：若DBI_t≥Th_t且DBI_c≥Th_c，则w_c＝1，w_t＝1；若DBI_t≥Th_t且DBI_c＜Th_c，则w_c＝0，w_t＝1；若DBI_t＜Th_t且 DBI_c≥Th_c，则w_c＝1，w_t＝0；Th_t和Th_c为预先设定的分别对应于纹理特征和颜色特征的阈值。

优选地，所述颜色特征为Lab颜色特征，纹理特征为Gabor纹理特征。

本发明的遥感图像检索方法，首先对待检索遥感图像进行图像分割，然后将图像分割后 的同质区域与给定的示例区域进行区域匹配，所述对待检索遥感图像进行图像分割使用如上 任一项遥感图像分割方法。

进一步地，所述将图像分割后的同质区域与给定的示例区域进行区域匹配，具体按照以 下步骤：

C1、根据用户提供的示例样本对图像进行分块，并分别提取出各子块的颜色特征和纹理特征；

C2、根据最小描述长度准则确定颜色特征和纹理特征的聚类数目；

C3、分别利用颜色特征和纹理特征对子块进行聚类分析，并根据下式获得各特征所对应的聚 类有效性指数，

$S_t=\frac{1}{\left|C_t\right|}\underset{x\in C_t}{\Sigma }D(x,p_t)$

${\mathrm{DBI}}_c=\frac{k-1}{\underset{\underset{i\ne t}{i=1}}{\overset{k}{\Sigma }}\frac{D(p_i,p_t)}{S_t}}$

${\mathrm{DBI}}_t=\frac{k-1}{\underset{\underset{i\ne t}{i=1}}{\overset{k}{\Sigma }}\frac{S_t}{D(p_i,p_t)}}$

其中，D(·)是一个距离算子，对于颜色特征，D(·)表示直方图交距离；而对于纹理特征，D(·) 表示欧式距离；t是目标子类的簇编号；S_t是目标子类t中所有样本到聚类中心的平均距离； |C_t|是目标子类t中的样本数目；p_t是目标子类t的聚类中心；k表示聚类数目；p_i表示非 目标子类的聚类中心；DBI_c表示颜色特征的聚类有效性指数；DBI_t表示纹理特征的聚类有效 性指数；

C4、根据聚类有效性指数分别确定颜色特征和纹理特征的距离权重W_c、W_t：若DBI_t≥Th_t且 DBI_c≥Th_c，则W_c＝0.5，W_t＝0.5；若DBI_t≥Th_t且DBI_c＜Th_c，则W_c＝0，W_t＝1；若DBI_t＜Th_t且 DBI_c≥Th_c，则W_c＝1，W_t＝0；Th_t和Th_c为预先设定的分别对应于纹理特征和颜色特征的阈值。

本发明根据颜色特征、纹理特征及像素点的位置信息生成的特征向量，作为初始输入向 量，利用均值漂移滤波进行遥感图像的分割，并进一步利用构造的聚类有效性指数自适应地 确定颜色特征和纹理特征的权重，有效提高了遥感图像分割的精度。在此基础之上，本发明 采用了一种新的区域表示与匹配方法来完成遥感图像的检索。相比现有技术，本发明具有更 好的检索精度，尤其对于小目标区域的检索具有更好的效果。

附图说明

图1为本发明的遥感图像检索方法的流程示意图；

图2为采用不同方法进行遥感图像检索的对比试验结果，其中(a)是相关反馈方法所得的 检索结果，(b)是本发明方法所得的结果，(c)是专家人工给出的真正应该检索出的相似区域。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的遥感图像检索方法，首先按照以下步骤对待检索遥感图像进行分割：

步骤1、根据用户提供的示例样本对图像进行分块，并分别提取出各子块的Lab颜色特征和 Gabor纹理特征；

由于Lab颜色空间中的欧氏距离比起其它空间的色彩距离能更客观地反映人对真实世界 各维色彩变化的感知，而Gabor滤波器有着优良的滤波器性能，并有着与生物视觉系统相近 的特点，因此本发明优选Lab颜色特征(具体计算方法可参见文献[Gonzalez R C and Woods R E.2007.Digital Image Processing(2^nd edition).Beijing：Publishing House of Electronics Industry])和Gabor纹理 特征(具体计算方法可参见文献[Manjunath B.S.and Ma W.Y.：Texture features for browsing and retrieval  of image data，IEEE Trans.Pattern Anal.Machine Intell.，1996，18(8)：837-842.])。为了避免将同一目标分 入不同的小块之中，本具体实施方式中采取了重叠分块策略，具体为：每块大小为， width＝min(128，样本图像width)，height＝min(128，样本图像height)，块与块之间重叠 width/2*height/2像素。由于用户在勾选查询示例图像块时，该图像块的大小代表了一定的 模式基元，而将子图像的长和宽限制在128像素内是为了避免子图像过大而影响特征选择的 结果。块与块之间的重叠大小设置为width/2*height/2像素，这样做是减少特征选择中的时 间复杂度，同时尽量不对特征选择的效果产生影响。

步骤2、根据最小描述长度准则确定颜色特征和纹理特征的聚类数目，从而减少人为因素对 聚类结果的干扰；

最小描述长度(MDL)准则为现有技术，具体内容可参考文献[Horst B，Ales L，Alexander  S.MDL principle for robust vector quantisation.Pattern Analysis & Applications， 1999，2：59-72，Springer-Verlag London Limited.]。具体为：先根据最远距离准则初始 化m个聚类中心，假设移除某个聚类中心C_j，根据下式计算移除前后编码长度的总变化量， 如果该变化量小于零，那么就移除这个聚类中心，否则就保留下来；依次迭代，直到没有冗 余的聚类中心。最后保留下来的聚类中心数目就是自动聚类所得到的目标数目，

${\mathrm{\Delta l}}_{C_j}=-K-n_j{\log }_2{p}_j+\underset{k=1,k\ne j}{\overset{m}{\Sigma }}{n}_{\mathrm{jk}}{\log }_2\left(\frac{n_k+n_{\mathrm{jk}}}{\left|I\right|}\right)+\underset{x\in c_j}{\Sigma }\underset{i=1}{\overset{d}{\Sigma }}\frac{{(x_i-c_{\mathrm{ik}})}^2-{(x_i-c_{\mathrm{ij}})}^2}{2\left(\ln 2\right){\sigma }^2}$

式中，K表示聚类簇中心的编码长度，n_k表示第k类样本的数目，n_jk表示满足最近邻参 考点为第j个聚类中心而第二近邻参考点为第k个聚类中心的样本数目，|I|表示总的样本数 目，p_j表示第j类样本在总样本中所占的比重，σ是样本数据的方差。

步骤3、分别利用颜色特征和纹理特征对子块进行聚类分析，并计算各特征所对应的聚类有 效性指数；

本具体实施方式中，采用最常用的K-means方法进行聚类分析并采用聚类有效性指数对聚 类的效果进行评价。本发明的聚类有效性指数通过对现有的Davies-Bouldin指数进行改进得 到的。Davies-Bouldin指数由类内散布和类间散布的比值表示，比值越小表示聚类效果越好， 由于用户最初给定的示例可以当作弱启发信息，图像特征应该有利于该图像子块和其他图像 块的区别，因此本发明对其进行改进：只计算用户示例图像子块所在的目标子类的类内散布 值，而不包括非目标子类的类内散布值，类间散布值也只包括非目标子类与该目标子类之间 的类间散布值，而不包括非目标子类之间的类间散布值，这样不仅可以突出目标子类的重要 性以及目标子类与非目标子类之间的区别，而且还可以减少计算量。本发明的聚类有效性指 数按照下式计算：

$S_t=\frac{1}{\left|C_t\right|}\underset{x\in C_t}{\Sigma }D(x,p_t)$

${\mathrm{DBI}}_c=\frac{k-1}{\underset{\underset{i\ne t}{i=1}}{\overset{k}{\Sigma }}\frac{D(p_i,p_t)}{S_t}}$

${\mathrm{DBI}}_t=\frac{k-1}{\underset{\underset{i\ne t}{i=1}}{\overset{k}{\Sigma }}\frac{S_t}{D(p_i,p_t)}}$

其中，D(·)是一个距离算子，对于颜色特征，D(·)表示直方图交距离；而对于纹理特征，D(·) 表示欧式距离；t是目标子类的簇编号；S_t是目标子类t中所有样本到聚类中心的平均距离； |C_t|是目标子类t中的样本数目；p_t是目标子类t的聚类中心；k表示聚类数目；p_i表示非 目标子类的聚类中心；DBI_c表示颜色特征的聚类有效性指数；DBI_t表示纹理特征的聚类有效 性指数。

步骤4、根据聚类有效性指数分别确定Lab颜色特征和Gabor纹理特征的权重系数w_c和w_t： 若DBI_t≥Th_t且DBI_c≥Th_c，则w_c＝1，w_t＝1；若DBI_t≥Th_t且DBI_c＜Th_c，则w_c＝0，w_t＝1；若 DBI_t＜Th_t且DBI_c≥Th_c，则w_c＝1，w_t＝0；Th_t和Th_c为预先设定的分别对应于纹理特征和颜 色特征的阈值，这两个阈值可根据经验确定，也可通过实验选取，本发明通过实验确定其较 优取值为Th_t＝3.0和Th_c＝2.0。

步骤5、根据步骤4得到的权重w_c和w_t，结合Lab颜色特征、Gabor纹理特征及像素点的位 置信息按照下式生成初始特征向量：

f＝[h_sx，h_sy，w_ch_rf_c1，w_ch_rf_c2，w_ch_rf_c3，w_th_rf_t1，w_th_rf_t2，...，w_th_rf_t8]^T， 

式中，f为初始特征向量；w_c和w_t分别为像素点Lab颜色特征、Gabor纹理特征的权重系数； h_s表示空间域的窗直径；h_r表示值域的窗直径；x和y表示像素点的位置坐标；f_ci，i＝1，2，3 表示像素点在Lab颜色空间的特征数据；f_tj，j＝1，2，L L，8表示像素点在Gabor纹理空间 的特征数据。

步骤6、以得到的初始特征向量作为输入，利用均值漂移算法对图像中每一个像素点进行均 值漂移滤波处理，直至找到其收敛点，并根据收敛点的类别信息对像素点进行标识，然后利 用图像的模式点进行区域合并，去除包含像素点少于一预先设定的阈值N_min的类别，从而得 到分割后的图像。

基于均值漂移的图像分割过程中涉及到的参数包括：搜索窗的直径h_r以及参数h_s，有意 义的图像颜色包含的最少像素点数N_min，有意义的图像区域包含的最少像素点数N_con。其中， 搜索窗的直径h_r及参数h_s决定了分割的效果，h_r取值越小分割得越细，当图像中包含的同质 区域面积较大时，应选用取值较大的窗直径，h_s决定了均值漂移过程中的初始输入数据，对 于取值范围较小的初始数据应选择较小的h_s。参数h_r和h_s、N_min、N_con的取值直接影响到分 割结果，若取值不合理可能会产生过分割或欠分割现象，导致图像的分割不是太粗糙就是太 细碎。另外，Gabor特征中所用窗大小会影响到Gabor特征的区分力度，从而影响分割的效 果，因此需要根据特定的图像来进行Gabor窗大小的调整。本发明在分割过程中，设定区域 合并时所用参数N_min＝50，在具体图像的分割过程中，也可以对参数N_min进行微调。而参数h_r、 h_s是经验参数，初始值为h_s＝15，h_r＝45。

经过上述过程，得到了准确分割的待检索遥感图像，接着需要通过区域特征的匹配来实 现最终的图像检索。考虑到在均值漂移分割后，图像被分割成一系列同质区域，每一块区域 中的像素点所对应的特征向量都有相同的收敛值，因此可以采用像素点所对应的特征向量的 收敛值来进行区域表示，并通过区域特征向量之间的距离度量来实现区域的匹配。在对特征 向量的收敛值进行距离度量时，采用的是Lab颜色空间和Gabor纹理空间的距离的加权和， 并根据图像分割过程中的聚类有效性指数来自适应地确定各自的权重系数。相似区域对应的 特征向量应该有相近的收敛值，若两个区域所对应的特征向量的收敛值之间的差异超过给定 的阈值，则说明这两个区域不具有相似性。由于欧氏距离描述的是m维特征空间中两个点之 间的真实距离，因此采用欧氏距离来计算特征向量所对应的收敛值之间的距离。

具体的区域匹配过程如下：

步骤7、根据分割后同质区域中像素点的特征向量的收敛值来进行区域表示，具体为：如某 一同质区域中的像素点的特征向量均收敛于向量[w₁f_c1，w₁f_c2，w₁f_c3，w₂f_t1，w₂f_t2，...，w₂f_t8]^T，则该区 域用该向量表示；其中f_ci，i＝1，2，3表示像素点的颜色特征数据；f_tj，j＝1，2，L L，8表示 像素点的纹理特征数据；w₁和w₂分别为图像分割过程中颜色特征和纹理特征的权重；

步骤8、根据示例样本中最频繁出现的模式所对应的特征向量的收敛值来对示例样本进行区 域表示，具体为：若示例区域所包含的模式集合为{m₁，m₂，...，m_n}，则通过统计示例样本中各 种模式的出现频率，找出最频繁出现的模式，利用该模式所对应的特征向量的收敛值来对示 例样本进行区域表示，此时示例样本可以表示为[w₁f′_c1，w₁f′_c2，w₁f′_c3，w₂f′_t1，w₂f′_t2，...，w₂f′_t8]^T；其中 f′_ci，i＝1，2，3表示像素点的颜色特征数据；f′_tj，j＝1，2，L L，8表示像素点的纹理特征数据； w₁和w₂分别为图像分割过程中颜色特征和纹理特征的权重系数；

步骤9、按照下式分别计算各分割区域的特征向量的收敛值与示例样本的特征向量的收敛值 之间的加权距离d：

$d=W_c{\left(\underset{i=1}{\overset{3}{\Sigma }}{(w_1{f}_{\mathrm{ci}}-w_1{f}_{\mathrm{ci}}^{\prime })}^2\right)}^{1/2}+W_t{\left(\underset{j=1}{\overset{8}{\Sigma }}{(w_2{f}_{\mathrm{cj}}-w_2{f}_{\mathrm{cj}}^{\prime })}^2\right)}^{1/2},$

式中，W_c、W_t分别为颜色特征和纹理特征的距离权重；w₁和w₂分别为图像分割过程中颜色 特征和纹理特征的权重；f_ci、f′_ci分别为示例样本的颜色特征，i＝1，2，3；f_tj、f′_tj分别为示 例样本的纹理特征，j＝1，2，L L，8；

上述颜色特征和纹理特征的距离权重可根据经验设定，本发明根据图像分割过程中的聚类有 效性指数自适应地确定，具体聚类有效性指数的计算过程可参见上述步骤1-步骤3，得到聚 类有效性指数后，按照如下方法分别确定颜色特征和纹理特征的距离权重W_c、W_t：若 DBI_t≥Th_t且DBI_c≥Th_c，则W_c＝0.5，W_t＝0.5；若DBI_t≥Th_t且DBI_c＜Th_c，则W_c＝0，W_t＝1；若 DBI_t＜Th_t且DBI_c≥Th_c，则W_c＝1，W_t＝0；Th_t和Th_c为预先设定的分别对应于纹理特征和颜色 特征的阈值。

步骤10、判断各分割区域的特征向量的收敛值与示例样本的特征向量的收敛值之间的加权距 离是否小于预先设定的阈值Th，如是，则匹配成功；如否，则该区域为非目标区域。

为验证本发明方法的有效性，对不同的地表覆盖遥感图像分别使用本发明方法和现有相 关反馈法进行了检索对比实验。实验数据包含了居民点、林地、湖泊、山脉等一般目标的检 索，实验数据共包含了七幅图像。具体的检索过程如上所述，此处不再赘述。其中，阈值Th、 Th_t和Th_c都是经验参数，本实验中对所有不同图像均采用Th_t＝3.0、Th_c＝2.0、Th＝0.5。

图2给出了对居民点检索的实验结果。其中(a)是采用相关反馈方法分别反馈16次所 得的检索结果；(b)是本发明方法所得的结果，其中Gabor特征采用的均是11*11大小的窗， 参数h_s＝15，h_r＝45；(c)是由专家人工给出的真正应该检索出的相似区域，其中白色细 线标出的是初始检索目标示例样本。由图可以看出通过相关反馈方法获得的检索结果几乎包 含了所有的目标区域，但同时也包含了一些非目标区域；而采用本发明的检索方法几乎检索 出了所有的目标区域，且非目标区域所占的比例非常小，即本发明方法能获得与相关反馈类 似的查全率以及更高的查准率，有效避免了分块策略的影响，所得的检索结果更接近专家给 出的标注结果。

为了准确、客观地表示出检索性能，采用基于面积的查准率和查全率来进行检索性能的 定量评价。设Area(s)为查询中检索到的所有与示例样本相似的区域面积，Area(v)为图像中 和示例样本相关但未被检索到的区域面积，Area(u)为检索到的和示例样本不相关的区域面 积，则检索的查全率和查准率可以表示为：

查准率：$\mathrm{precision}=\frac{\mathrm{Area}\left(s\right)}{\mathrm{Area}\left(s\right)+\mathrm{Area}\left(u\right)}$

查全率：$\mathrm{recall}=\frac{\mathrm{Area}\left(s\right)}{\mathrm{Area}\left(s\right)+\mathrm{Area}\left(v\right)}$

表1

表2

表1是分别采用基于相关反馈(用“RF”表示)和本发明的检索方法(用“Our Method” 表示)时，求得的不同图像所对应的查准率及平均查准率；表2是分别采用基于相关反馈和 本发明的检索方法时，求得的不同图像所对应的查全率及平均查全率。由表1和表2可以看 出，采用本发明的检索方法可以获得很好的查全率和查准率，且对于小目标区域的检索可以 获得比相关反馈更好的检索效果。