一种旋转缩放平移不变性的遥感图像检索方法及装置

摘要

本发明涉及遥感影像检索技术领域，特别涉及一种旋转缩放平移不变性的遥感图像检索方法及装置。所述检索方法包括：步骤a：将影像库中的每幅影像进行图像变换处理后，提取每幅影像的边缘点像素，构建每幅影像事务集；步骤b：通过所述每幅影像事务集提取影像中的关联规则；步骤c：根据支持度和置信度指标计算所述待检索影像与影像库中检索影像的关联规则相似度，根据所述待检索影像与影像库中检索影像的关联规则相似度进行影像检索。本发明通过从构建的事务集中提取遥感影像的关联规则，然后比较待检索影像与影像库中检索影像的关联规则相似度，从而实现遥感影像的检索，提高了遥感影像检索的准确率。

说明书

技术领域

本发明涉及遥感影像检索技术领域，特别涉及一种旋转缩放平移不变性的遥感图像检索方法及装置。

背景技术

遥感影像具有影像幅面大，影像内容多且复杂的特点，“同物异谱”和“异物同谱”的现象很普遍，给遥感影像的检索带来较大的难度。影像检索即搜索数据库中含有指定特征或具有相似内容的影像，当前主流的基于内容的影像检索(Content-Based ImageRetrieval，CBIR)方法能综合影像处理、信息检索、机器学习、计算机视觉、人工智能等诸多领域的知识，借助从影像中自动提取的视觉特征作为影像内容的描述；目前，基于内容的影像检索取得了大量的研究成果。

视觉特征提取在影像检索中具有重要作用，可以分为两个研究方向，一是研究影像的光谱、纹理、形状等低层视觉特征的提取及相似度度量，包括基于光谱曲线吸收特征提取的高光谱影像检索、利用颜色空间、颜色矩提取颜色特征、利用小波变换、Contourlet变换、Gabor小波、广义高斯模型、纹理谱等方法描述影像的纹理特征、基于像元形状指数、PHOG(Pyramid Histogram of Oriented Gradients，分层梯度方向直方图)形状与小波金字塔的遥感影像形状特征描述方法等。这类低层视觉特征的应用比较成熟，但是无法描述描述影像的语义信息，其提供的检索结果往往和人脑对遥感影像的认知有相当的差距，并不能完全令人满意。

针对这一问题，另一个研究方向即是建立低层视觉特征与语义的映射模型，在语义层次提高影像检索的准确率。主要研究成果包括基于统计学习的语义检索方法，如贝叶斯分类器模型上下文语境的贝叶斯网络、贝叶斯网络与EM(最大期望)参数估计等；基于语义标注的检索方法，如语言索引模型、概念语义分布模型等；基于GIS(地理信息系统，Geographic Information System)辅助的语义检索方法，如利用GIS数据中矢量要素的空间和属性信息引导语义赋予的方法；基于本体论的语义检索方法，如基于视觉对象领域本体的方法、GeoIRIS等。这类方法能够在一定程度上反映人脑对于影像检索的语义理解过程，具有较高的准确率，是未来影像检索的发展趋势。然而目前的语义检索方法往往过于关注低层视觉特征与语义映射模型的构建过程，忽略了所采用的低层视觉特征的种类、语义学习方法等因素，最终影响到语义检索的查准率。

近年来，人类视觉感知特性被引入到影像检索领域中，受到广泛的关注，但是这类方法尚处于起步阶段，还有许多问题有待解决：如人眼视觉系统的生理过程、更符合人眼视觉的特征描述方法、自底向上的感知模型、显著特征提取与度量、自顶向下的视觉注意机制等等。另外，针对遥感影像数据检索的典型成果主要包括瑞士RSIAII+III项目，研究基于光谱和纹理特征的多分辨率遥感影像数据的描述和检索；Berkeley数字图书馆项目开发的原型系统Blobworld，它以航空影像、USGS正射影像和地形图，SPOT卫星影像等作为数据源，让用户能够直观地改进检索结果；新加坡南洋理工大学的(RS)2I项目，其研究内容涵盖了遥感影像特征提取与描述、多维索引技术及分布式体系结构设计的众多方面；斯坦福大学的SIMPLIcity，利用一种稳健的综合区域匹配方法(Integrated Region Matching，IRM)来定义影像间的相似度，在卫星基于关联规则的遥感影像检索中取得不错的结果；微软亚洲研究院的iFind，系统通过影像的标注信息构造语义网络，并在相关反馈中与影像的视觉特征相结合，有效地实现了在两个层次上的相关反馈。这些系统取得了重要成果，但是不论是在特征提取还是在代表性特征选择方面仍需要进一步深入研究。

综上所述，不管是基于像素还是面向对象的影像检索方法，大多都关注于影像整体或局部或对象区域的颜色、纹理、形状等低层特征的统计信息。直接基于低层特征的检索方法无法提取感兴趣的目标，缺乏对影像空间信息进行描述的能力，存在特征维数过高、描述不完整、准确性差、缺乏规律性、特征描述与人类认知存在语义差距等缺点。与此同时，基于高层语义信息的遥感影像检索又缺乏成熟的理论和方法。低层特征与高层语义信息之间的“语义鸿沟”，阻碍了遥感影像检索的发展及应用。

发明内容

本发明提供了一种旋转缩放平移不变性的遥感图像检索方法及装置，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本发明提供了如下技术方案：

一种旋转缩放平移不变性的遥感图像检索方法，包括以下步骤：

步骤a：将影像库中每幅影像进行图像变换处理后，提取每幅影像的边缘点像素，构建每幅影像事务集；

步骤b：通过所述每幅影像事务集提取每幅影像中的关联规则；

步骤c：根据支持度和置信度指标计算所述待检索影像与影像库中每幅影像的关联规则相似度，根据所述待检索影像与影像库中每幅影像的关联规则相似度进行影像检索。

本发明实施例采取的技术方案还包括：在所述步骤a中，所述将影像库中每幅影像进行图像变换处理具体为：将每幅影像进行Radon变换和Fourier-Mellin变换；所述Radon变换公式为：

P(r，θ)＝R(r，θ)f(x，y)＝∫∫f(x，y)δ(r-x cosθ-y sinθ)dxdy

在上述公式中，|r|表示圆点到直线的距离，θ∈[0,π]代表直线与y轴之间的夹角，δ(r)是Dirac函数；

所述Fourier-Mellin变换公式为：

在上述公式中，u为实数变量，σ为大于0的实常数。

本发明实施例采取的技术方案还包括：在所述步骤a中，所述每幅影像经过Radon变换和Fourier-Mellin变换后，该影像的旋转转化为相位，缩放转换为幅度，Radon变换和Fourier-Mellin变换后的函数为：

该函数Z(u,k)具有与原始影像一样的宽度与高度，且该函数具有旋转、缩放不变性。

本发明实施例采取的技术方案还包括：所述步骤a还包括：对Radon变换和Fourier-Mellin变换后的每幅影像进行像素灰度级压缩。

本发明实施例采取的技术方案还包括：在所述步骤c中，所述计算关联规则的相似度的计算方式为：对于每幅影像提取的所有关联规则，每条关联规则支持度与置信度的乘积联合起来，构成一个规则向量；通过比较待检索影像与影像库中每幅影像的规则向量的相似度实现影像检索；所述规则向量相似度的度量公式为：

在上述公式中，N为影像的关联规则数量，r1和r2分别为两个规则向量，μ₁和μ₂为两幅影像的均值，如果两个规则向量越接近，同时两幅影像的均值越接近，则D的值越小，两幅影像的相似度越高。

本发明实施例采取的另一技术方案为：一种旋转缩放平移不变性的遥感图像检索装置，包括：

影像变换模块：用于将影像库中的每幅影像进行图像变换处理；

事务集构建模块：用于提取每幅影像的边缘点像素，构建每幅影像事务集；

关联规则提取模块：用于通过所述每幅影像事务集提取每幅影像中的关联规则；

相似度计算模块：用于根据支持度和置信度指标计算所述待检索影像与影像库中每幅影像的关联规则相似度；

影像检索模块：用于根据所述待检索影像与影像库中每幅影像的关联规则相似度进行影像检索。

本发明实施例采取的技术方案还包括：所述影像变换模块将影像库中每幅影像进行图像变换处理具体为：将每幅影像进行Radon变换和Fourier-Mellin变换；所述Radon变换公式为：

P(r，θ)＝R(r，θ)f(x，y)＝∫∫f(x，y)δ(r-x cosθ-y sinθ)dxdy

在上述公式中，|r|表示圆点到直线的距离，θ∈[0,π]代表直线与y轴之间的夹角，δ(r)是Dirac函数；

所述Fourier-Mellin变换公式为：

在上述公式中，u为实数变量，σ为大于0的实常数。

本发明实施例采取的技术方案还包括：所述每幅影像经过Radon变换和Fourier-Mellin变换后，该影像的旋转转化为相位，缩放转换为幅度，Radon变换和Fourier-Mellin变换后的函数为：

该函数Z(u,k)具有与原始影像一样的宽度与高度，且该函数具有旋转、缩放不变性。

本发明实施例采取的技术方案还包括影像压缩模块，所述影像压缩模块用于对Radon变换和Fourier-Mellin变换后的每幅影像进行像素灰度级压缩。

本发明实施例采取的技术方案还包括：所述相似度计算模块计算关联规则的相似度的计算方式为：对于影像库中的每幅影像提取的所有关联规则，每条关联规则支持度与置信度的乘积联合起来，构成一个规则向量；通过比较待检索影像与影像库中每幅影像的规则向量的相似度实现影像检索；所述规则向量相似度的度量公式为：

在上述公式中，N为影像的关联规则数量，r1和r2分别为两个规则向量，μ₁和μ₂为两幅影像的均值，如果两个规则向量越接近，同时两幅影像的均值越接近，则D的值越小，两幅影像的相似度越高。

相对于现有技术，本发明实施例产生的有益效果在于：本发明实施例的旋转缩放平移不变性的遥感图像检索方法及装置首先对遥感影像进行Radon变换和Fourier-Mellin变换，消除影像旋转、缩放、平移的影响；对Radon和Fourier-Mellin变换后的影像进行像素灰度级压缩，减小了关联规则挖掘的计算量；通过构建事务集，通过事务集提取遥感影像的关联规则，然后比较关联规则之间的相似度，从而实现遥感影像的检索；本发明提供了一种可行的从低层视觉特征到高层语义信息来实现基于关联规则的遥感影像检索的新途径，提高了遥感影像检索的准确率。

附图说明

图1是本发明实施例的旋转缩放平移不变性的遥感图像检索方法的流程图；

图2是个边缘点像素4个方向上的像素灰度值示意图；

图3(a)为原始遥感影像，图3(b)为压缩后的遥感影像，图3(c)为边缘检测影像；

图4为本发明实施例的旋转缩放平移不变性的遥感图像检索装置的结构示意图；

图5为为23幅遥感影像示意图；

图6为各类检索方法排名前5的平均查准率；

图7为各类检索方法排名前10的平均查准率；

图8为各类检索方法排名前15的平均查准率；

图9为各类检索方法排名前20的平均查准率；

图10为各类检索方法所有检索结果的平均查准率；

图11为所有检索方法的整体平均查准率。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请参阅图1，是本发明实施例的旋转缩放平移不变性的遥感图像检索方法的流程图。本发明实施例的旋转缩放平移不变性的遥感图像检索方法包括以下步骤：

步骤100：将影像库中的每幅影像进行Radon和Fourier-Mellin变换；

在步骤100中，本发明实施例通过将具有旋转、缩放、平移的影像变换到另一个域，消除其旋转、缩放、平移的影响，然后再提取影像的关联规则。首先对影像进行Radon变换，变换公式如下：

P(r，θ)＝R(r，θ)f(x，y)＝∫∫f(x，y)δ(r-x cosθ-y sinθ)dxdy (1)

在公式(1)中，|r|表示圆点到直线的距离，θ∈[0,π]代表直线与y轴之间的夹角，δ(r)是Dirac函数。Radon变换是将f(x,y)沿着直线r-x cosθ-y sinθ＝0进行积分，以便获得任意位置(r,θ)处f(x,y)沿着该直线的求和值。

然后再对经过Radon变换后的影像进行Fourier-Mellin变换，Fourier-Mellin变换公式如下：

在公式(2)中，u为实数变量，σ为大于0的实常数，其值一般取0.5。

影像经过Radon变换和Fourier-Mellin变换，影像的旋转就转化为相位，而缩放就转换为幅度。最后定义以下函数：

该函数具有与原始影像一样的宽度与高度，因此可以将其值视为一个影像。该函数具有旋转、缩放不变性。结合关联规则，则具有旋转、缩放、平移不变性，在此基础上进行影像检索。

步骤200：对Radon和Fourier-Mellin变换后的每幅影像进行像素灰度级压缩；

在步骤200中，由于灰度级过多，频繁项集的支持度会非常小，不利于提取到支持度和置信度都足够大的关联规则，因此在进行关联规则挖掘之前，需要先对待检索影像进行像素灰度级压缩，将待检索影像压缩至少数几个灰度级，以减小关联规则挖掘的计算量。

在本发明实施例中，每幅影像像素灰度级压缩的方法具体为：将变换后的函数Z(u,k)视为一个影像，其值视为灰度值，以邻域均值和方差进行影像压缩，对于遥感影像上每个3*3邻域内的像素，计算该邻域的均值μ和标准差σ，然后利用下式计算该邻域中心像素在压缩后的灰度级：

在公式(4)中，g为中心像素原始灰度级，g'为压缩后的中心像素灰度级，c为比例系数，取值范围在[0.1，0.5]之间。通过该方法，可以将待检索影像压缩至0,1,2这3个灰度级。

在本发明另一实施例中，根据所述灰度级采用均匀分段的方式，将各灰度量化到[1,G]的范围，具体为：采用平均压缩的方法，将所有灰度级平均分配到若干个灰度级中，

其中maxG为原始最大灰度值，G为压缩后最大灰度级，G＝8，ceil()是向上取整函数，g+1是为了使影像的灰度级被压缩为1～8。

根据所述灰度级采用均匀分段的方式，将各灰度级量化到[1,G]的范围，具体为，采用线性分段的方法进行压缩，首先计算影像的最大灰度级gMax和最小灰度级gMin，然后利用下式计算压缩后的灰度级：

其中G为最大灰度级，G＝8。

压缩后的灰度级越多，则进行关联规则挖掘的计算量越大，但反映出的像素之间的关系越接近于真实；反之压缩后的灰度级越少，压缩后像素之间的差异会越小，越不利于挖掘出有意义的关联规则，因此选择一个合适的灰度级数非常重要。本发明实施例中的最大灰度级数选定为8，采用的压缩方式为平均压缩，压缩公式如下：

在公式(7)中，maxG为原始最大灰度值，G为压缩后最大灰度级数，G＝8，ceil()是向上取整函数，g+1是为了使待检索影像的像素灰度级被压缩为1～8。

步骤300：提取每幅变换后影像的边缘点像素，构建每幅影像事务集；

在步骤300中，以原始遥感影像为例描述事务集的构建过程，变换后的影像的构建过程与此类似。遥感影像以像素为基础，因此在遥感影像的数据挖掘中需要在像素的基础上构建事务集。构建事务集的方法为：以邻域为单位，以该邻域内所有像素灰度值的排列作为事务集中的某一个事务，例如3*3邻域内9个像素的灰度值即可构成一个事务。那么对于100*100像素大小的影像，可以构成由98*98＝9604个事务组成的事务集，每个事务包含9个项。遥感影像越大，则构成的事务越多，组成的事务集越大；一个事务包含的项越多，则需要计算的频繁项集越大，计算量也就越大，因此需要对每个事务包含的项数做一定的限制。考虑到遥感影像的边缘处包含了大量的有用信息，同时边缘具有方向性，因此本发明首先利用canny算子提取遥感影像的边缘，然后提取边缘点像素的4个方向，以每个方向上的3个像素灰度值作为一个项的元素。对于一个边缘点像素，其4个方向上的像素灰度值具体如图2所示，为一个边缘点像素4个方向上的像素灰度值示意图。

由于遥感影像上的边缘点像素占整个影像的比例很小，同时每个事务只包含3个项，因此计算量能够明显地降低。具体请参阅图3(a)、图3(b)和图3(c)，图3(a)为原始遥感影像，大小为128*128像素；图3(b)为压缩后的遥感影像，为显示方便，每个灰度级均乘以256/G，从压缩影像可以看出，压缩后尽管灰度级数缩小至8个，但遥感影像的内容并没有太大的变化；图3(c)为边缘检测影像，检测出的边缘点数量为1964，因此构成的事务集大小为1964*4＝7856，每个事务包含3个项。如果影像内的地物比较丰富，那么检测出的边缘点将更多，则最终构成的事务集将更大。表1显示了该事务集中的部分事务。

表1 事务集中的部分项

步骤400：通过每幅影像事务集提取每幅影像中的关联规则；

在步骤400中，构建了每幅影像事务集之后，由于事务集中每个事务仅包含3个项，可以从事务集中构建三维数据立方体，在此基础上，提取待检索影像中的关联规则。提取关联规则的方法具体包括：

首先需要计算频繁项集；计算频繁项集是关联规则挖掘中一个非常关键的步骤，其计算量直接影响了整个关联规则挖掘的计算量。对于由3个元素组成的项，设为[a b c]，如果不考虑支持度，其提取的关联规则有下表2所示的12条：

表2 3个项所生成的关联规则

a＝>ba＝>cb＝>cb＝>ac＝>ac＝>bab＝>cac＝>bbc＝>aa＝>bcb＝>acc＝>ab

由于前6条关联规则仅涉及到两个元素之间的关系，尚不足以表达遥感影像的内容，且会增加关联规则挖掘和后续相似度计算的运算量，因此本发明实施例使用Apriori或者FP-Growth等挖掘关联规则的频繁项集算法从构建的事务集中提取出满足指定置信度与支持度的6条关联规则。

为了简单起见，本发明实施例仅选择了边缘点附近的三个像素，具体可根据检索需求进行选择。一般而言，选择的像素越多，则每一条事务所包含的项越多，计算量越大，但是每条关联规则所表现出的物理意义越丰富，检索精度会越高。

步骤500：根据支持度和置信度指标计算待检索影像与影像库中每幅影像的关联规则相似度，根据待检索影像与影像库中每幅影像的关联规则相似度进行影像检索；

在步骤500中，支持度反映了关联规则在遥感影像中的分布频度，而置信度则反映了该关联规则的可信程度，因此可以用支持度与置信度的乘积来表示该关联规则在遥感影像中的真实比重。

关联规则的相似度计算方法为：对于一幅遥感影像获取的若干条关联规则，每条关联规则支持度与置信度的乘积联合起来，即构成一个规则向量，用该规则向量来描述该遥感影像的内容。对于内容相同或者相似的遥感影像，其规则向量应该是相似的。

同时人眼视觉系统HVS的视觉特性可以用韦伯定律来描述。根据韦伯定律，HVS对相对亮度改变的敏感性要高于绝对亮度改变，遥感影像的均值反映了人眼对于影像的整体感受，设亮度变化前遥感影像的均值为μ₁，R为相对于背景亮度的亮度改变，亮度变化后遥感影像的均值可以表示为μ₂＝(1+R)μ₁，则表达式可以用来衡量该遥感影像变化的整体感受：

因此，仅为R的函数，表明与韦伯定律是一致的，能够表达人眼对于图像亮度的反应。当μ₁与μ₂越接近，越接近于1，说明两幅遥感影像在亮度上的相似度越高。

设待检索影像的关联规则有N条，影像库中任一检索影像的关联规则有M条，则以待检索影像的N条关联规则为基准，将影像库中检索影像的关联规则与之匹配，两条关联规则匹配成功的条件是两条关联规则的前件和后件分别相同。如果两条关联规则匹配成功，则保留该关联规则的支持度与置信度的乘积；如果匹配不成功，则该关联规则的支持度与置信度的乘积设置为0。因此该检索影像同样可以生成一个N维的规则向量，通过比较待检索影像与影像库中所有影像的N维规则向量的相似度，即可实现影像检索。

本发明实施例中，采用Kullback-Leibler散度一阶近似距离作为衡量两个规则向量相似度的度量，其表达式为：

在公式(6)中，r1和r2分别为两个规则向量，同时考虑到人眼视觉特性，最终的相似度度量指标为：

如果两个规则向量越接近，同时两幅遥感影像的均值越接近，则D的值越小，相似度越高。

请参阅图4，是本发明实施例的旋转缩放平移不变性的遥感图像检索装置的结构示意图。本发明实施例的旋转缩放平移不变性的遥感图像检索装置包括影像变换模块、影像压缩模块、事务集构建模块、关联规则提取模块、相似度计算模块和影像检索模块。

影像变换模块用于将影像库中的每幅影像进行Radon和Fourier-Mellin变换；其中，本发明实施例通过将具有旋转、缩放、平移的影像变换到另一个域，消除其旋转、缩放、平移的影响，然后再提取影像的关联规则。首先对影像进行Radon变换，变换公式如下：

P(r，θ)＝R(r，θ)f(x，y)＝∫∫f(x，y)δ(r-x cosθ-y sinθ)dxdy (1)

在公式(1)中，|r|表示圆点到直线的距离，θ∈[0,π]代表直线与y轴之间的夹角，δ(r)是Dirac函数。Radon变换是将f(x,y)沿着直线r-x cosθ-y sinθ＝0进行积分，以便获得任意位置(r,θ)处f(x,y)沿着该直线的求和值。

然后再对经过Radon变换后的影像进行Fourier-Mellin变换，Fourier-Mellin变换公式如下：

在公式(2)中，u为实数变量，σ为大于0的实常数，其值一般取0.5。

影像经过Radon变换和Fourier-Mellin变换，影像的旋转就转化为相位，而缩放就转换为幅度。最后定义以下函数：

该函数具有与原始影像一样的宽度与高度，因此可以将其值视为一个影像。该函数具有旋转、缩放不变性。结合关联规则，则具有旋转、缩放、平移不变性，在此基础上进行影像检索。

影像压缩模块用于对Radon和Fourier-Mellin变换后的每幅影像进行像素灰度级压缩；其中，由于灰度级过多，频繁项集的支持度会非常小，不利于提取到支持度和置信度都足够大的关联规则，因此在进行关联规则挖掘之前，需要先对每幅影像进行像素灰度级压缩，将每幅变换后影像压缩至少数几个灰度级，以减小关联规则挖掘的计算量。

在本发明实施例中，每幅变换后影像像素灰度级压缩的方法具体为：将变换后的函数Z(u,k)视为一个影像，其值视为灰度值，以邻域均值和方差进行影像压缩，对于影像上每个3*3邻域内的像素，计算该邻域的均值μ和标准差σ，然后利用下式计算该邻域中心像素在压缩后的灰度级：

在公式(4)中，g为中心像素原始灰度级，g'为压缩后的中心像素灰度级，c为比例系数，取值范围在[0.1，0.5]之间。通过该方法，可以将原始遥感影像压缩至0,1,2这3个灰度级。

在本发明另一实施例中，根据所述灰度级采用均匀分段的方式，将灰度级量化到[1,G]的范围，具体为：采用平均压缩的方法，将所有灰度级平均分配到若干个灰度级中，

其中maxG为原始最大灰度值，G为压缩后最大灰度级，G＝8，ceil()是向上取整函数，g+1是为了使影像的灰度级被压缩为1～8。

根据所述灰度级采用均匀分段的方式，将各灰度级量化到[1,G]的范围，具体为，采用线性分段的方法进行压缩，首先计算影像的最大灰度级gMax和最小灰度级gMin，然后利用下式计算压缩后的灰度级：

其中G为最大灰度级，G＝8。

压缩后的灰度级越多，则进行关联规则挖掘的计算量越大，但反映出的像素之间的关系越接近于真实；反之压缩后的灰度级越少，压缩后像素之间的差异会越小，越不利于挖掘出有意义的关联规则，因此选择一个合适的灰度级数非常重要。本发明实施例中的最大灰度级数选定为8，采用的压缩方式为平均压缩，压缩公式如下：

在公式(7)中，maxG为原始最大灰度值，G为压缩后最大灰度级，G＝8，ceil()是向上取整函数，g+1是为了使遥感影像的像素灰度级被压缩为1～8。

事务集构建模块用于提取每幅变换后影像的边缘点像素，构建影像事务集；其中，构建事务集的方法为：以邻域为单位，以该邻域内所有像素灰度值的排列作为事务集中的某一个事务，例如3*3邻域内9个像素的灰度值即可构成一个事务。那么对于100*100像素大小的影像，可以构成由98*98＝9604个事务组成的事务集，每个事务包含9个项。遥感影像越大，则构成的事务越多，组成的事务集越大；一个事务包含的项越多，则需要计算的频繁项集越大，计算量也就越大，因此需要对每个事务包含的项数做一定的限制。考虑到遥感影像的边缘处包含了大量的有用信息，同时边缘具有方向性，因此本发明首先利用canny算子提取遥感影像的边缘，然后提取边缘点像素的4个方向，以每个方向上的3个像素灰度值作为一个项的元素。对于一个边缘点像素，其4个方向上的像素灰度值具体如图2所示，为一个边缘点像素4个方向上的像素灰度值示意图。

由于遥感影像上的边缘点像素占整个影像的比例很小，同时每个事务只包含3个项，因此计算量能够明显地降低。具体请参阅图3(a)、图3(b)和图3(c)，图3(a)为原始遥感影像，大小为128*128像素；图3(b)为压缩后的遥感影像，为显示方便，每个灰度级均乘以256/G，从压缩影像可以看出，压缩后尽管灰度级数缩小至8个，但遥感影像的内容并没有太大的变化；图3(c)为边缘检测影像，检测出的边缘点数量为1964，因此构成的事务集大小为1964*4＝7856，每个事务包含3个项。如果影像内的地物比较丰富，那么检测出的边缘点将更多，则最终构成的事务集将更大。

关联规则提取模块用于通过每幅变换后影像事务集提取影像中的关联规则；其中，构建了影像事务集之后，由于事务集中每个事务仅包含3个项，可以从事务集中构建三维数据立方体，在此基础上，提取影像中的关联规则。提取关联规则的方法具体包括：

首先需要计算频繁项集；计算频繁项集是关联规则挖掘中一个非常关键的步骤，其计算量直接影响了整个关联规则挖掘的计算量。对于由3个元素组成的项，设为[a b c]，如果不考虑支持度，其提取的关联规则有下表2所示的12条：

表2 3个项所生成的关联规则

a＝>ba＝>cb＝>cb＝>ac＝>ac＝>bab＝>cac＝>bbc＝>aa＝>bcb＝>acc＝>ab

由于前6条关联规则仅涉及到两个元素之间的关系，尚不足以表达遥感影像的内容，且会增加关联规则挖掘和后续相似度计算的运算量，因此本发明实施例使用Apriori或者FP-Growth等挖掘关联规则的频繁项集算法从构建的事务集中提取出满足指定置信度与支持度的6条关联规则。

为了简单起见，本发明实施例仅选择了边缘点附近的三个像素，具体可根据检索需求进行选择。一般而言，选择的像素越多，则每一条事务所包含的项越多，计算量越大，但是每条关联规则所表现出的物理意义越丰富，检索精度会越高。

相似度计算模块用于根据支持度和置信度指标计算待检索影像与影像库中检索影像的关联规则相似度；其中，支持度反映了关联规则在遥感影像中的分布频度，而置信度则反映了该关联规则的可信程度，因此可以用支持度与置信度的乘积来表示该关联规则在遥感影像中的真实比重。

关联规则的相似度计算方法为：对于一幅遥感影像获取的若干条关联规则，每条关联规则支持度与置信度的乘积联合起来，即构成一个规则向量，用该规则向量来描述该遥感影像的内容。对于内容相同或者相似的遥感影像，其规则向量应该是相似的。

同时人眼视觉系统HVS的视觉特性可以用韦伯定律来描述。根据韦伯定律，HVS对相对亮度改变的敏感性要高于绝对亮度改变，遥感影像的均值反映了人眼对于影像的整体感受，设亮度变化前遥感影像的均值为μ₁，R为相对于背景亮度的亮度改变，亮度变化后遥感影像的均值可以表示为μ₂＝(1+R)μ₁，则表达式可以用来衡量该遥感影像变化的整体感受：

因此，仅为R的函数，表明与韦伯定律是一致的，能够表达人眼对于图像亮度的反应。当μ₁与μ₂越接近，越接近于1，说明两幅遥感影像在亮度上的相似度越高。

影像检索模块用于根据待检索影像与影像库中检索影像的关联规则相似度进行影像检索；设待检索影像的关联规则有N条，影像库中任一检索影像的关联规则有M条，则以待检索影像的N条关联规则为基准，将影像库中检索影像的关联规则与之匹配，两条关联规则匹配成功的条件是两条关联规则的前件和后件分别相同。如果两条关联规则匹配成功，则保留该关联规则的支持度与置信度的乘积；如果匹配不成功，则该关联规则的支持度与置信度的乘积设置为0。因此该检索影像同样可以生成一个N维的规则向量，通过比较待检索影像与影像库中所有影像的N维规则向量的相似度，即可实现影像检索。

本发明实施例中，采用Kullback-Leibler散度一阶近似距离作为衡量两个规则向量相似度的度量，其表达式为：

在公式(9)中，r1和r2分别为两个规则向量，同时考虑到人眼视觉特性，最终的相似度度量指标为：

如果两个规则向量越接近，同时两幅遥感影像的均值越接近，则D的值越小，相似度越高。

为了验证本发明的有效性，进行了如下遥感影像检索实验：

通过从QuickBird和WorldView-2影像库选择共23幅遥感影像(大小为300*300)作为基准图像，具体如图5所示，为23幅遥感影像示意图。其中Q1～Q8表示QuickBird影像，W1～W15表示WorldView-2影像，影像内容包含道路、稀疏林地、居民地、密林地、裸露地、水域、草地、农田等等。

旋转遥感影像检索实验

先对23幅基准图像进行顺时针旋转，每隔15度旋转一次，得到552幅图像，然后从这552幅图像中心截取大小为128*128像素的子图，作为最终的图像库。将本发明的旋转缩放平移不变性的遥感图像检索方法与现有的自相关函数法、Gabor小波变换、DT-CWT(Dual-Tree Complex Wavelet Transform)和NSCT检索方法的检索结果进行对比。设置支持度为0.015，置信度为0.3，提取所有图像的关联规则，然后输入一幅待检索图像，计算待检索图像与图像库中所有图像的关联规则之间的相似度，并按照相似大小取前24幅图像作为检索结果。分别统计各类检索方法图像返回结果中排名前5、前10、前15、前20幅图像和所有检索结果的平均查准率，以及所有影像的整体平均查准率，具体如图6至图11所示，图6为各类检索方法排名前5的平均查准率，图7为各类检索方法排名前10的平均查准率，图8为各类检索方法排名前15的平均查准率，图9为各类检索方法排名前20的平均查准率，图10为各类检索方法所有检索结果的平均查准率，图11为所有检索方法的整体平均查准率。从图11可以看出，本发明的旋转缩放平移不变性的遥感图像检索方法的平均查准率为99.77％，而自相关函数法、Gabor小波变换、DT-CWT和NSCT的平均查准率仅为32.71％、83.38％、66.94％和71.74％。说明本发明实施例的旋转缩放平移不变性的遥感图像检索方法具有非常高的检索精度。

本发明实施例的旋转缩放平移不变性的遥感图像检索方法及装置首先对遥感影像进行Radon变换和Fourier-Mellin变换，消除影像旋转、缩放、平移的影响；对Radon和Fourier-Mellin变换后的影像进行像素灰度级压缩，减小了关联规则挖掘的计算量；通过构建事务集，通过事务集提取遥感影像的关联规则，然后比较关联规则之间的相似度，从而实现遥感影像的检索；本发明提供了一种可行的从低层视觉特征到高层语义信息来实现基于关联规则的遥感影像检索的新途径，提高了遥感影像检索的准确率。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。