基于多特征LSH索引组合的遥感图像检索方法

摘要

本发明公开了一种基于多特征LSH索引组合的遥感图像检索方法，属于遥感图像检索技术领域。本发明将高维特征空间最好的索引技术之一的LSH索引引入遥感图像检索领域，能在规模上有效解决维度灾难和检索耗时的问题，实现了遥感图像的快速检索；同时，本发明针对LSH索引提出了一个新的索引有效性指标—基于特征鉴别能力的索引有效性指数（FDIVI），通过对各个特征空间上的LSH索引评估选择最能区分目标和背景的特征，从而有效提高了检索结果的准确性。相比现有技术，本发明能够更快速准确地实现海量遥感图像数据的检索。

说明书

技术领域

本发明涉及遥感图像检索技术领域，尤其涉及一种基于多特征LSH索引组合的遥 感图像检索方法。

背景技术

近四十年来，对地观测数据量随着遥感技术的发展急剧增加，各种信息系统对地物 识别技术的要求越来越高。如何快速、有效地进行遥感图像自动分类及检索已成为急需 解决的课题之一。

在一般的图像检索中，检索目标是一幅图像或包含在一幅图像中，检索范围是图像 库中其他独立的若干图像。和一般的自然图像检索不同，遥感图像检索具有如下特点： 待检索目标处于一幅比较大的遥感图像中，其他相似目标分散在覆盖一定地域范围的一 幅或多幅其他遥感图像中，分散的目标具有某种视觉相似性。基于内容的遥感图像检索 系统提出以来，研究者已经取得了许多成果。如Zhu等使用Gabor纹理特征来检索航空 图像[Zhu Bin，Marshall R，Hsinchun C．Creating a large-scale content-based airphoto image  digital library[J].IEEE Trans.on Image Processing，2000，9(1):163-167]，陆丽珍等[陆丽 珍,刘仁义,刘南.一种融合颜色和纹理特征的遥感图像检索方法[J]．中国图象图形学报， 2004,9(3):328-332]提出融合Gabor纹理特征和颜色特征进行遥感图像检索，并采用纹理 和颜色特征欧氏距离的线性加权来度量相似性。曾志明等人[曾志明,李峰,傅琨.等一种 大尺寸遥感图像基于内容检索的纹理特征提取算法[J].武汉大学学报:信息科学 版,2005,30(12):1080-1083]利用改进的共生矩阵纹理特征来进行大尺度遥感图像检索。 耿利川等[耿利川,吴云东,耿则勋,王永刚.基于人工免疫系统的遥感图像检索[J].中国图 象图形学报,2010,01:155-160]提出了一种基于人工免疫系统的遥感图像检索算法。朱佳 丽等[朱佳丽,李士进,万定生,冯钧.基于特征选择和半监督学习的遥感图像检索[J].中国 图象图形学报,2011.16(8):1474-1482]提出一种基于特征选择和半监督学习的遥感图像 检索方法。

实现遥感图像相似搜索的方法很多，最基本的是顺序扫描算法(Sequential Scan  Algorithm，SSA)。还有基于空间划分的tree算法，例如：R-tree、Kd-tree、SR-tree，这 些算法返回的结果都比较精确，但它们在高维数据集上时间效率并不高。文献[Weber R, Schek H,Blott S.A quantitative analysis and performance study for similarity-search  methods in high-dimensional spaces[C]//Proc.of the24th Intl.Conf.on Very Large Data  Bases(VLDB).1998:194-205]中指出，在维度高于10之后，基于空间划分的算法反而不如 线性查找。

在基于内容的遥感图像检索中，快速检索出一个符合要求的相似子图像集，比花费 较长时间检索出完全符合要求的图像集更有吸引力。且对不同类型的检索目标，特征应 该是不同的，选择最能表示检索目标内容的特征来进行图像检索，可以进一步提高检索 性能。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种基于多特征LSH索 引组合的遥感图像检索方法，在不同特征集上分别建立LSH索引，并根据索引有效性 指标自适应的采用最优特征来检索图像，可有效提高检索结果的准确性。

本发明具体采用以下技术方案解决上述技术问题：

基于多特征LSH索引组合的遥感图像检索方法，包括以下步骤：

步骤1、对遥感图像进行分块，每个图像块作为一个子图像，所有图像块构成子图像集； 步骤2、在至少两个不同的特征空间中，分别以所述子图像集为数据集建立LSH索引； 所述特征空间为颜色特征空间或/和纹理特征空间；

步骤3、对于给定的查询样本，分别利用各特征空间的LSH索引进行LSH检索，得到 各特征空间中的LSH检索结果；

步骤4、根据各特征空间中的LSH检索结果，计算各特征空间的索引有效性指标： 颜色特征空间的索引有效性指标FDIVI_c以及纹理特征空间的索引有效性指标 FDIVI_t分别按照以下公式计算：

${\mathrm{FDIVI}}_c=\frac{R_t\left(1\right)}{R_t\left(0\right)}$

${\mathrm{FDIVI}}_t=\frac{R_t\left(0\right)}{R_t\left(1\right)}$

其中，$R_t\left(i\right)=\frac{1}{\left|C_i\right|}\underset{x\in C_i}{\Sigma }D(x,q),i=\mathrm{0,1},$

式中，|C_i|表示簇C_i的大小；C₀表示由查询样本命中的哈希桶中的子图像构成的目 标簇；C₁表示由与查询样本最近邻的哈希桶中的子图像构成的非目标簇；D(x,q)表 示样本x与查询样本q之间的距离，对于颜色特征，D(x,q)采用直方图交距离；对于 纹理特征，D(x,q)采用欧氏距离；R_t(i)代表查询样本与每个簇之间的平均距离；

步骤5、分别选择索引有效性指标值最小的颜色特征、纹理特征作为最优颜色特征和最 优纹理特征，并按照以下方法确定最优颜色特征和最优纹理特征的二值化权重：索引有 效性指标值大于1，则权重设为0；否则，权重设为1；

步骤6、当两种最优特征中存在权重为0的特征时，仅使用权重为1的特征空间中的 LSH检索结果作为最终的遥感图像检索结果；当两种最优特征权重均为1时，对这两 种最优特征空间中的LSH检索结果所包含的所有子图像，通过对两种最优特征的相似 性进行加权线性运算来生成综合相似性，并从中选出前若干个具有最大综合相似性的子 图像作为最终的遥感图像检索结果。

优选地，步骤5中所述通过对两种最优特征的相似性进行加权线性运算来生成综合 相似性，具体按照以下方法：

在最优颜色特征空间和最优纹理特征空间中分别计算给定查询样本与所述子图像集中 各子图像之间距离的方差；

然后按照以下公式确定最优颜色特征和最优纹理特征的综合相似性权重w_c、w_t：

$w_c=\frac{{\sigma }_c}{{\sigma }_c+{\sigma }_t},$

$w_t=\frac{{\sigma }_t}{{\sigma }_c+{\sigma }_t},$

其中，σ_c和σ_t分别表示最优颜色特征空间和最优纹理特征空间中给定查询样本与所述 子图像集中各子图像之间距离的方差；

最后根据下式得到给定查询样本与任一子图像i之间的综合距离D_i，综合距离越小，表 明综合相似性越高：

D_i=w_cD_ci+w_tD_ti，

其中，D_ci和D_ti分别表示最优颜色特征空间和最优纹理特征空间中给定查询样本与子图 像i之间的距离。

进一步地，所述从中选出前若干个具有最大综合相似性的子图像作为最终的遥感图 像检索结果，具体按照以下方法：

从所述子图像集中选取部分子图像，并在最优颜色特征空间和最优纹理特征空间中分别 计算出这一部分子图像相互之间距离的均值T_c和T_t；

按照下式确定相似性阈值T：

T=w_cT_c+w_tT_t，

其中，w_c和w_t分别为最优颜色特征和最优纹理特征的综合相似性权重；

最后从两种最优特征空间中的LSH检索结果所包含的所有子图像中，选取与给定查询 样本之间的综合距离小于等于相似性阈值T的子图像，作为最终的遥感图像检索结果。

相比现有技术，本发明具有以下有益效果：

首先，本发明将高维特征空间最好的索引技术之一的LSH索引引入遥感图像检索 领域，能在规模上有效解决维度灾难和检索耗时的问题，实现了遥感图像的快速检索；

其次，本发明针对LSH索引提出了一个新的索引有效性指标—基于特征鉴别能力 的索引有效性指数（feature discriminativeness-based indexing validation index,FDIVI）， 通过对各个特征空间上的LSH索引评估选择最能区分目标和背景的特征，从而有效提 高了检索结果的准确性。

附图说明

图1为本发明基于多特征LSH索引组合的遥感图像检索方法的流程图；

图2（a）—图2（c）依次为采用本发明方法、顺序扫描算法、专家人工给定的遥 感图像中居民地检索结果；

图3（a）—图3（c）依次为采用本发明方法、顺序扫描算法、专家人工给定的遥 感图像中湖泊围养检索结果；

图4（a）—图4（c）依次为采用本发明方法、顺序扫描算法、专家人工给定的遥 感图像中茅山林地检索结果；

图5（a）—图5（c）依次为采用本发明方法、顺序扫描算法、专家人工给定的遥 感图像中徐州附近土壤侵蚀检索结果。

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：

本发明的思路是将LSH索引技术引入海量遥感图像数据的自动查询和检索中，利 用LSH索引解决遥感图像检索中的维度灾难和检索耗时的问题，从而实现遥感图像的 快速检索；并且针对LSH索引提出了一个新的索引有效性指标—基于特征鉴别能力的 索引有效性指数（feature discriminativeness-based indexing validation index,FDIVI），通 过对各个特征空间上的LSH索引评估选择最能区分目标和背景的特征，从而有效提高 检索结果的准确性。

为了便于公众理解本发明技术方案，下面先对LSH索引技术进行简要介绍。

1998年，Indyk和Motwani[Indyk P,Motawani R.Approximate Nearest Neighbors: Towards Removing the Curse of Dimensionality[C]//Proc.of the30th Annual ACM Symp.on  Theory of Computing,1998:p604-613]针对最近邻搜索问题提出敏感位置哈希(Locality  Sensitive Hashing，LSH)算法的理论基础。1999年，Gionis等[Gionis A,Indyk P,Motwani  R.Similarity search in high dimensions via hashing[C]//Proc.of the25th International  Conference on Very Large Data Bases(VLDB).1999]对其进行了改进和实验，使用哈希的 办法解决高维数据的快速检索问题。2002年，唐俊华等[唐俊华,阎保平.基于LSH索引 的快速图像检索[J].计算机工程与应用,2002,24:20-21,63]将LSH索引算法应用于基于内 容图像检索系统中，其性能优于传统的索引方法。2007年，Lv等人[Qin Lv,William  Josephson,Zhe Wang,Moses Charikar,Kai Li,Multi-Probe LSH:Efficient Indexing for  High-Dimensional Similarity Search[C]//Proceeding-VLDB07Proceedings of the33rd  international conference on Very large data bases.2007]在基于熵的LSH算法基础上，提出 了多调查LSH(Multi-Probe)算法，更有效地利用每张哈希表来达到提高检索质量的目 的。2009年，蔡衡等[蔡衡,李舟军,孙健,李洋.基于LSH的中文文本快速检索[J].计算机 科学.2009,36(8):201-204,230]针对文本检索对二进制向量的LSH算法做了进一步改 进。

LSH索引算法由构建哈希表和查询算法两部分组成，假设当前子图像特征组成的 数据集为P。L是哈希表数目，每个哈希表包含M个随机生成的哈希函数，哈希表宽度 是W。构建哈希表算法如下：

1、对子图像的每种特征进行汉明（Hamming）空间转换，将P映射到汉明空间上。

2、选取合适的参数L、M、W。初始化哈希函数族H={h₁,...,h_L}，计算特征在 索引中的位置，每个哈希函数的值由下式决定：

$h_{a,b}=\frac{a*v+b}{W}---\left(1\right)$

其中，a和b服从高斯随机分布，v是子图像的特征向量，计算后得到 $g\left(v\right)=(h_{a_1,b_1}\left(v\right),...,h_{a_M,b_M}\left(v\right)).$

3、利用这些哈希函数，将特征存入相应的哈希表项。

查询算法如下：

1、选择查询样本q，并将q的特征向量映射到汉明空间。

2、类似构建算法哈希表的构造，计算q的哈希值g(q)，返回g(q)指向的哈希桶中 的对象。

3、选取候选集。对于LSH多维索引，由于在同一个哈希函数族中，随机函数是独 立同分布的，所以将任意一张哈希表看作一个分类器。而且索引中哈希表之间的重要性 是相同的，一般投票法就能计算多次分类的综合结果。

本发明提出将LSH索引算法应用到遥感图像检索中，其基本思想是：对子图像进 行特定的散列，在每张哈希表中，两个在高维空间上相似的子图像在很大概率上会掉进 同一个哈希桶中。将子图像组成的集合看成是一个小型的图像库，系统通过返回与查询 图像近似相似的一组图像，然后在返回的图像集中搜索与查询图像真正相似的目标图 像，减少用户每次检索的时间。

遥感图像中不同类型的检索目标，对其内容的描述，不同特征的有效性并不相同， 如果能够选择最佳表示检索目标内容的特征来进行图像检索，则可以极大地提高检索性 能。根据以往对LSH索引数据集分类效果进行的研究，发现了这样一个结论：查询目 标的k近邻主要分布在目标桶中，只有少数会分布在靠近目标桶的哈希桶中。遥感图像 子图像量与大型数据库的数量相比起来较少，且子图像间具有冗余性，所以本发明在索 引选择时考虑与目标桶距离为1的非目标桶。

在描述遥感图像的多类特征中，颜色特征描述遥感图像中不同的目标，纹理特征可 以弥补颜色特征对空间信息分布的不足，这两种特征对应的索引符合分类器选择的原 则，既具有高差异度又具有高互补信息。因此，本发明采用这两类特征相结合进行遥感 图像检索。

本发明利用样本图像的特征向量，根据LSH索引分类中查询样本的代表性大于簇 集中心对整个簇集的代表性，提出了一种针对LSH索引的索引有效性指标——基于特 征鉴别能力的索引有效性指数（feature discriminativeness-based indexing validation index, FDIVI），它的计算公式具体如下：

$R_t\left(i\right)=\frac{1}{\left|C_i\right|}\underset{x\in C_i}{\Sigma }D(x,q),i=\mathrm{0,1}---\left(2\right)$

${\mathrm{FDIVI}}_c=\frac{R_t\left(1\right)}{R_t\left(0\right)}$

${\mathrm{FDIVI}}_t=\frac{R_t\left(0\right)}{R_t\left(1\right)}---\left(3\right)$

其中，公式(2)中，|C_i|表示簇C_i的大小，C₀表示由查询样本命中的哈希桶中的子 图像构成的目标簇，C₁表示由与查询样本最近邻的哈希桶中的子图像构成的非目标簇。 q表示查询样本，R_t(i)代表查询点与每个簇之间的平均距离。对于颜色特征，D(x,q) 采用直方图交距离计算；对于纹理特征，D(x,q)采用欧氏距离计算。

公式（3）中，FDIVI_c表示特征空间中颜色特征的指标值，FDIVI_t表示纹理特征 的指标值。当考虑两种颜色特征时，FDIVI_c指标的值越小，说明在其对应的颜色特征 空间上，R_t(0)与R_t(1)的值差距越大，LSH索引对子图像的分类效果越好，因此将该 特征选为最优颜色特征。当考虑两种纹理特征时，类似颜色特征，选取FDIVI_t值较小 的特征作为最优纹理特征。

根据上述分析即可得到本发明的技术方案，下面以一个具体实施例来对本发明技术 方案进行进一步说明。

本发明的基于多特征LSH索引组合的遥感图像检索方法，如图1所示，包括以下 步骤：

步骤1、对遥感图像进行分块，每个图像块作为一个子图像，所有图像块构成子图 像集。

本实施例中采用遥感图像检索中常用的重叠分块策略。当重叠大小取最小值1*1 像素，分块后子图像间基本不重叠，一些小目标可能会被分成与样本不相似的几张子图 像，检索结果最差；当重叠大小取最大值63*63，分块后子图像间最密集，检索结果最 精确，但时空复杂度最高。由于本发明采用了索引策略，因此子图像块之间重叠程度可 以相对较高，实际中优选将遥感图像分为一系列部分重叠的64*64大小的图像块，块之 间重叠大小为60*60。

步骤2、在至少两个不同的特征空间中，分别以所述子图像集为数据集建立LSH 索引；所述特征空间为颜色特征空间或/和纹理特征空间。

在本具体实施方式中，分别提取了HSI颜色特征、Lab颜色特征、灰度共生矩阵（Gray  level Co-Occurrence Matrix,GLCM）纹理特征以及Gabor纹理特征在所选择的多个特 征空间中，分别对各子图像进行特征提取；然后在各特征空间中分别建立LSH索引： 将高维特征映射到汉明空间，根据预设的参数生成LSH的哈希函数族，然后对子图像 集的每种特征进行位置敏感哈希散列，建立LSH索引。本具体实施例中，哈希表数目 L、每个哈希表中所包含的哈希函数数量M以及哈希表宽度W的优选取值为：L=20， M=5，W=4。

由于对整幅遥感图像提取多种特征比较耗时，所以离线完成该过程能有效节约用户 查询的时间。因此本发明优选将步骤1、步骤2离线执行。

步骤3、对于给定的查询样本，分别利用各特征空间的LSH索引进行LSH检索， 得到各特征空间中的LSH检索结果。

对于给定查询样本，利用LSH索引检索相近的数据集为现有技术，此处不再赘述。

步骤4、根据各特征空间中的LSH检索结果，计算各特征空间的索引有效性指标： 颜色特征空间的索引有效性指标FDIVI_c以及纹理特征空间的索引有效性指标 FDIVI_t分别按照以下公式计算：

${\mathrm{FDIVI}}_c=\frac{R_t\left(1\right)}{R_t\left(0\right)}$

${\mathrm{FDIVI}}_t=\frac{R_t\left(0\right)}{R_t\left(1\right)}$

其中，$R_t\left(i\right)=\frac{1}{\left|C_i\right|}\underset{x\in C_i}{\Sigma }D(x,q),i=\mathrm{0,1},$

式中，|C_i|表示簇C_i的大小；C₀表示由查询样本命中的哈希桶中的子图像构成的目 标簇；C₁表示由与查询样本最近邻的哈希桶中的子图像构成的非目标簇；D(x,q)表 示样本x与查询样本q之间的距离，对于颜色特征，D(x,q)采用直方图交距离（参见 文献[M.J.Swain,D.H.Ballard,Color indexing,International Journal of Computer Vision,7:1, 11-32(1991)]）；对于纹理特征，D(x,q)采用欧氏距离；R_t(i)代表查询样本与每个簇 之间的平均距离。

步骤5、分别选择索引有效性指标值最小的颜色特征、纹理特征作为最优颜色特征 和最优纹理特征，并确定最优颜色特征和最优纹理特征的二值化权重。

当考虑两种或两种以上颜色特征时，FDIVI_c指标的值越小，说明在其对应的颜色 特征空间上，R_t(0)与R_t(1)的值差距越大，LSH索引对子图像的分类效果越好，因此 将该特征选为最优颜色特征。当考虑两种或两种以上纹理特征时，类似颜色特征，选取 FDIVI_t值较小的特征作为最优纹理特征。

当所选最优特征的FDIVI指标大于1时，对于颜色特征，表示查询样本与目标簇 之间的平均距离小于与最近邻非目标簇之间的平均距离，说明在颜色空间中不能明显的 区分目标簇与最近邻非目标簇，此时将颜色特征的权重设为0，否则为1；对于纹理特 征，则表示查询样本与目标簇之间的平均距离大于与最近邻非目标簇之间的平均距离， 说明在纹理空间中不能明显的区分目标簇与最近邻非目标簇，此时将纹理特征的权重设 为0，否则为1。

步骤6、当两种最优特征中存在权重为0的特征时，仅使用权重为1的特征空间中 的LSH检索结果作为最终的遥感图像检索结果；当两种最优特征权重均为1时，对这 两种最优特征空间中的LSH检索结果所包含的所有子图像，通过对两种最优特征的相 似性进行加权线性运算来生成综合相似性，并从中选出前若干个具有最大综合相似性的 子图像作为最终的遥感图像检索结果。

本具体实施例中采用以下方法确定子图像与给定查询样本之间的综合相似性：

在最优颜色特征空间和最优纹理特征空间中分别计算给定查询样本与所述子图像集中 各子图像之间距离的方差；

然后按照以下公式确定最优颜色特征和最优纹理特征的综合相似性权重w_c、w_t：

$w_c=\frac{{\sigma }_c}{{\sigma }_c+{\sigma }_t},$

$w_t=\frac{{\sigma }_t}{{\sigma }_c+{\sigma }_t},$

其中，σ_c和σ_t分别表示最优颜色特征空间和最优纹理特征空间中给定查询样本与所述 子图像集中各子图像之间距离的方差；

最后根据下式得到给定查询样本与任一子图像i之间的综合距离D_i，综合距离越小，表 明综合相似性越高：

D_i=w_cD_ci+w_tD_ti，

其中，D_ci和D_ti分别表示最优颜色特征空间和最优纹理特征空间中给定查询样本与子图 像i之间的距离。

这样即可从两种最优特征空间中的LSH检索结果所包含的所有子图像中，选取出 综合相似性最高的部分子图像，作为最终的检索结果。本具体实施例中具体采用以下方 法：从所述子图像集中选取部分子图像（本实施例中是从子图像集中随机选取10%的 子图像），并在最优颜色特征空间和最优纹理特征空间中分别计算出这一部分子图像相 互之间距离的均值，分别记为T_c和T_t；然后根据已得到的最优颜色特征和最优纹理特 征的综合相似性权重w_c和w_t，确定相似性阈值T：T=w_cT_c+w_tT_t；最后从两种最优特 征空间中的LSH检索结果所包含的所有子图像中，选取与给定查询样本之间的综合距 离D_i≤T的子图像，作为最终的遥感图像检索结果。

下面通过对不同地表覆盖的遥感图像检索实验来验证本发明方法的有效性，并使用 基于面积的查准率和查全率来进行评估。

设Area(s)为查询中检索到的所有与查询样本相似的区域面积，Area(v)为图像中和 查询样本相似但未被检索到的区域面积，Area(u)为检索到的和查询样本无关的区域面 积，则检索的查全率和查准率可以表示为：

查准率：$\mathrm{precision}=\frac{\mathrm{Area}\left(s\right)}{\mathrm{Area}\left(s\right)+\mathrm{Area}\left(u\right)}---\left(4\right)$

查全率：$\mathrm{recall}=\frac{\mathrm{Area}\left(s\right)}{\mathrm{Area}\left(s\right)+\mathrm{Area}\left(v\right)}---\left(5\right)$

兼顾检索精度与效率，采用图像子块大小64*64，子块之间分块重叠大小为60像 素。对用户构建索引时间，使用索引的检索时间以及使用顺序扫描算法进行相似性度量 需要的时间三者进行统计对比，相应的时间显示在表1中。

表1不同地表覆盖的遥感图像LSH索引方法与顺序扫描方法时间对比

图像编号 LSH构建时间（s） LSH查询时间（s） 顺序查询时间（s） 2 110.5 0.031 6.692 3 64.49 0.024 10.37 4 26.38 0.031 8.456

5 12.23 0.02 4.508

由表1看出，对于所有图像进行单次查询时，LSH索引的查询时间与顺序扫描时 间相比大大减少。

图2（a）～图5（c）分别是对居民地、湖泊围养、茅山林地和徐州附近土壤侵蚀 区域的检索结果，原始图像像素分别为1024*768、1024*768、800*749、812*531，此 处有缩放。其中，图2（a）、图3（a）、图4（a）、图5（a）是采用本发明方法得到的 检索结果，图2（b）、图3（b）、图4（b）、图5（b）是利用顺序扫描算法得到的检索 结果，图2（c）、图3（c）、图4（c）、图5（c）是专家人工给出的真正应该检索出的 相似区域。

从图中可以看出,与顺序扫描算法相比,利用特征组合方法得到的检索效果比较令人 满意，各个目标区域错检漏检的区域较少。对于图2（a）—图2（c），可以看出本发明 方法检索出了顺序扫描方法没有检索到的右下角一块居民地区域，且顺序索引检索出的 图片右侧的区域是错误的，利用特征组合方法则能够避免错检；同样，图3（a）—图3 （c）中可看出利用本发明方法避免了由顺序扫描方法检索出的图片下方的错误区域； 图4（a）—图4（c）中可看出本发明方法检索得到的茅山林地区域范围大于顺序索引 的,查全率和查准率较高；图5（a）—图5（c）中，本发明方法检索出顺序索引没有检 索到的右下角一块徐州附近土壤侵蚀区域。

本发明方法的最大优势是多特征组合,它通过颜色特征描述遥感图像中不同的目 标，引入纹理特征来弥补颜色特征对空间信息分布描述的不足。

当两幅子图像在颜色特征上不相似时，通过分析纹理特征而拉近图像向量间的距离 从而变得相似，如图2（a）中右下角的那块居民地区域以及图5（a）中右下角那块徐 州附近土壤侵蚀区域，它们与用户查询样本在颜色特征上并不是非常一致,当采用顺序 扫描方法时，这些区域会被漏检，而通过分析纹理特征可以将其检索出来。类似，当两 幅子图像在颜色特征上相似时,当采用顺序扫描方法，这些区域会被错误检测出来，本 发明通过分析纹理特征增大图像向量间的距离，从而减少错误检测。如图3（a）中图 片下方的区域和图5（a）左侧区域部分，它们与用户查询样本在颜色特征上比较相似, 通过分析纹理特征可以得出它们不是目标子图像，可以避免该区域被错误检测出来。

因此，引入特征选择后，采用颜色与纹理特征组合的方法能对检索目标区域有效返 回，而且不需要人工干预，大大减轻了用户的负担。

表2是对本发明方法及顺序扫描方法使用基于面积的查全率和查准率评估的结果， 可以看出本发明基于多特征LSH索引组合的遥感图像检索方法在查全率和查准率上都 有所提高。

表2正确率结果

从上述实验结果可以看出，利用本发明提出的索引指标来选择适合的特征，并动态 确定特征的权重是合理的，基于多特征LSH索引组合的遥感图像检索方法可以获得较 好的检索效果，而且不需要人工干预，可以有效地提高检索性能。实验结果还表明，在 基于内容的遥感图像检索中，并不是采用的特征种类越多，检索的性能就越好。因此借 助索引结果，通过特征选择选出最优特征，再利用索引指标自动确定特征的权重，采用 适当的组合方法进行图像检索不仅可以提高检索精度，还能有效减少检索过程中的计算 量，提高检索的速度。