结合判别相关分析与特征融合的遥感图像检索

摘要

目的 高分辨率遥感图像检索中,单一特征难以准确描述遥感图像的复杂信息.为了充分利用不同卷积神经网络(convolutional neural networks,CNN)的学习参数来提高遥感图像的特征表达,提出一种基于判别相关分析的方法融合不同CNN的高层特征.方法 将高层特征作为特殊的卷积层特征处理,为了更好地保留图像的原始空间信息,在图像的原始输入尺寸下提取不同高层特征,再对高层特征进行最大池化来获得显著特征;计算高层特征的类间散布矩阵,结合判别相关分析来增强同类特征的联系,并突出不同类特征之间的差异,从而提高特征的判别力;选择串联与相加两种方法来对不同特征进行融合,用所得融合特征来检索高分辨率遥感图像.结果 在UC-M1erced、RSSCN7和WHU-RS19数据集上的实验表明,与单一高层特征相比,绝大多数融合特征的检索准确率和检索时间都得到有效改进.其中,在3个数据集上的平均精确率均值(mean average precision,mAP)分别提高了10.4％～14.1％、5.7％～9.9％和5.9％～17.6％.以检索能力接近的特征进行融合时,性能提升更明显.在UC-Merced数据集上,融合特征的平均归一化修改检索等级(average normalized modified retrieval rank,ANMRR)和mAP达到13.21％和84.06％,与几种较新的遥感图像检索方法相比有一定优势.结论 本文提出的基于判别相关分析的特征融合方法有效结合了不同CNN高层特征的显著信息,在降低特征冗余性的同时,提升了特征的表达能力,从而提高了遥感图像的检索性能.