法律状态公告日
法律状态信息
法律状态
2020-04-03
授权
授权
2018-01-05
实质审查的生效 IPC(主分类):G06K9/62 申请日:20170804
实质审查的生效
2017-12-12
公开
公开
技术领域
本发明涉及一种有效的遥感图像目标识别方法,属于数字图像处理技术领 域。
背景技术
随着遥感传感器技术的迅速发展,遥感图像信息呈现出几何级数的急剧增 长,人们想要了解遥感实时信息的话,遥感图像分类识别变得必不可少,进行良 好的分类识别能够使在大量信息中快速、高效地得出人们所感兴趣的信息。
但是,现阶段遥感图像目标识别技术针对遥感图像信息复杂、数据量大,会 产生目标识别中特征检测准确度低、特征匹配识别时间长等问题,为此,本发明 提出了一种有效的遥感图像目标识别方法,旨在提升目标识别精确度的同时,大 大降低识别计算量。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供出了一种有效的遥感目 标识别方法。该方法不仅可以保证了一定的精确性,而且能够大大提高识别速度, 减少时间成本。
技术方案:一种有效的遥感图像目标识别方法,首先对遥感图像提取Harr 特征,然后利用Adaboost进行特征挑选、重组,以生成遥感目标快速识别分类 器;其次对遥感图像提取颜色特征,然后利用Adaboost进行特征挑选、重组, 以生成遥感目标精确识别分类器;最后将得到的快速识别分类器与精确识别分类 器进行级联,得到最终的联合分类器,对遥感图像目标进行快速、准确的识别。 具体包括如下步骤:
步骤一:对遥感图像提取Harr特征,然后利用Adaboost进行特征挑选、重 组,以特征的线性组合作为遥感目标快速识别分类器。
(1)输入若干某类遥感目标的训练样本图像RGBi(i=1,...,train_sum),>
(2)针对每一幅遥感目标的训练样本图像RGBi,将其灰度化,得到其灰度>i,并利用下式将灰度图转换成积分图integrali:
其中integrali(m,n)为积分图中坐标为(m,n)的值,grayi(k,l)是灰度>1,...,integrali,....,integraltrain_sum}。
(3)Harr特征的获取是通过利用Harr特征模板窗口去遍历每一个积分图, 在这个过程中,通过修改Harr特征模板在窗口中的作用范围,可以得到相应的 全局特征矩阵和局部特征矩阵,遍历整张积分图可以得到全局特征矩阵,遍历局 部积分图就可以得到局部特征矩阵;确定Harr特征模板的作用范围以后,通过 修改Harr特征模板在窗口的初始位置就可以得到不同的局部特征矩阵,遍历哪 个部分积分图就可以得到哪个部分的局部特征矩阵;确定Harr特征模板的作用 范围和初始位置以后,通过修改Harr特征模板的类别就可以得到完全不同类别 的全局特征矩阵和局部特征矩阵。
因此设可以得到的每一个积分图integrali的Harr特征值矩阵为 通过上述计算就可以得到所有遥感目标训练样本图像的Harr特征值矩阵 (4)将所有训练样本的Harr特征值重新组成下列形式: [X]={X1,...,Xj,....,XHarr_sum},其中, (5)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的 test_sum_A个子图像(这些子图像可以重叠)。 (6)针对每一个子图像,采用与第(2)第(3)步骤相同的处理,得到它 们的积分图{integral1_A,...,integralk_A,....,integraltest_sum_A},以及每个积分图所> (7)针对遥感训练图像A中的子图像,基于Harr特征依次进行判断,求出 满足下列约束的最优解: 通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像。 (8)由于遥感训练图像A中的子图像是否为目标类,也是已知的,因此接 下来采用Adaboost提升树思想,首先赋予每一个子图像相同的权重,赋予每一 个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断结 果也就已知是否正确,通过计算分类错误样本的权重就可以知道其误差率,误差 率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系数; 针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后,用 挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待判 定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选此 轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差, 直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征 与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器 判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分 类器如此级联在一起就可以形成快速识别分类器,有助于提高判断精确性。 步骤二:对遥感图像提取颜色特征,然后利用Adaboost进行特征挑选、重组, 以特征的线性组合作为遥感目标精确识别分类器。 (1)输入遥感目标的训练样本图像RGBi(i=1,...,train_sum)和遥感训> (2)针对每一幅遥感目标的训练样本图像RGBi,采用如下公式将其转换成> 上述三个公式分别为当RGB值中最小值为R、G、B值时的色调求解公式。最 终可以得到RGBi的色调图Hi。 (3)利用颜色特征模板窗口去遍历每一个色调图Hi,通过修改色调直方图> 因此设可以得到的每一个色调图Hi的颜色特征为{Yi1,...,Yij,....,YiH_sum},>ij为对应于Hi的一个颜色特征矩阵值,H_sum为该色调图得到的特征>ij求取方式如下:考虑到每一个色调的取值范围为[1,2π],>i的直方图可以近似取1至63的范围,通过迭代63次,遍历当前范>ij。 (4)将所有训练样本的颜色特征值重新组成下列形式: [Y]={Y1,...,Yj,....,YH_sum},其中, (5)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的 test_sum_A个子图像(这些子图像可以重叠)。 (6),针对每一个子图像,采用与第(2)、第(3)步相同的处理,得到 它们的色调图{H1_A,...,Hk_A,....,Htest_sum_A},以及每个色调图所对应的颜色> (7)针对遥感训练图像A中的子图像,基于颜色特征依次进行判断,求出 满足下列约束的最优解: 通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像。 (8)由于遥感训练图像A中的子图像是否为目标类,也是已知的,因此接 下来采用Adaboost提升树思想,首先赋予每一个子图像相同的权重,赋予每一 个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断 结果也就已知是否正确,通过计算分类错误样本的权重就可以知道其误差率,误 差率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系 数;针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后, 用挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待 判定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选 此轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差, 直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征 与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器 判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分 类器如此级联在一起就可以形成精确识别分类器。 步骤三:将得到的快速识别分类器与精确识别分类器进行级联,得到最终的 联合分类器,并用于识别阶段。 第一,给定一幅待测试的遥感图像B,划分成与训练样本图像尺寸大小相同 的test_sum_B个子图像(这些子图像可以重叠)。 第二,针对每一个子图像,基于快速识别分类器,提取相对应的提升过后的 Harr特征 第三,针对测试图像B中的子图像,基于Harr特征依次进行快速分类,求 出满足下列约束的最优解: 通过求取最优解,即可以初步快速识别出遥感测试图像B中的每一个子图像是否为遥感目标图像。 第四,针对快速识别结果为遥感目标图像的子图像,基于精确识别分类器, 提取相对应的提升过后的颜色特征 第五,针对测试图像B中的子图像,基于颜色特征依次进行精确分类,求出 满足下列约束的最优解: 通过求取最优解,即可以进一步精确识别出遥感测试图像B中的每一个子图 像是否为遥感目标图像。 本发明采用上述技术方案,具有以下有益效果: (1)本发明的方法在提升速度,降低时间成本上很可观,在特征足够多的 情况下,通过级联的方式,可以根据用户需求,改变识别精度和效率,以在时间 成本与精度之间取得理想的平衡。 (2)本方法在Harr特征的基础上,添加了颜色特征作为进一步的精确识别 依据,该特征也是可以根据实际情况进行替换的,精确识别分类器只需要考虑精 度的问题,时间成本在快速识别分类器阶段就已经削减至理想情况。
附图说明
图1为本发明实施例的方法框架图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本 发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发 明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
有效的遥感图像目标识别方法,具体包括如下步骤:
(1)输入若干某类遥感目标的训练样本图像RGBi(i=1,...,train_sum),>
(2)针对每一幅遥感目标的训练样本图像RGBi,将其灰度化,得到其灰度>i,并利用下式将灰度图转换成积分图integrali:
其中integrali(m,n)为积分图中坐标为(m,n)的值,grayi(k,l)是灰>1,...,integrali,....,integraltrain_sum}。
(3)Harr特征的获取是通过利用Harr特征模板窗口去遍历每一个积分图, 在这个过程中,通过修改Harr特征模板在窗口中的作用范围,可以得到相应的 全局特征矩阵和局部特征矩阵,遍历整张积分图可以得到全局特征矩阵,遍历局 部积分图就可以得到局部特征矩阵;确定Harr特征模板的作用范围以后,通过 修改Harr特征模板在窗口的初始位置就可以得到不同的局部特征矩阵,遍历哪 个部分的积分图就可以得到哪个部分的局部特征矩阵;确定Harr特征模板的作 用范围和初始位置以后,通过修改Harr特征模板的类别就可以得到完全不同类 别的全局特征矩阵和局部特征矩阵。
因此设可以得到的每一个积分图integrali的Harr特征值矩阵 通过上述计算就可以得到所有遥感目标训练样本图像的Harr特征值矩阵 (4)将所有训练样本的Harr特征值重新组成下列形式: [X]={X1,...,Xj,....,XHarr_sum},其中, (5)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的 test_sum_A个子图像(这些子图像可以重叠)。 (6)针对每一个子图像,采用与第(2)第(3)步骤相同的处理,得到它 们的积分图{integral1_A,...,integralk_A,....,integraltest_sum_A},以及每个积分图所> (7)针对遥感训练图像A中的子图像,基于Harr特征依次进行判断,求出 满足下列约束的最优解: 通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像。 (8)由于遥感训练图像A中的子图像是否为目标类,也是已知的,因此接 下来采用Adaboost提升树思想,首先赋予每一个子图像相同的权重,赋予每一 个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断 结果是否正确也就已知,通过计算分类错误样本的权重就可以知道其误差率,误 差率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系 数;针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后 用挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待 判定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选 此轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差, 直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征 与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器 判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分 类器如此级联在一起就可以形成快速识别分类器,有助于提高判断精确性。 (9)输入遥感目标的训练样本图像RGBi(i=1,...,train_sum)和遥感训> (10)针对每一幅遥感目标的训练样本图像RGBi,采用如下公式将其转换> 上述三个公式分别为当RGB值中最小值为R、G、B值时的色调求解公式。最 终可以得到RGBi的色调图Hi。 (11)利用颜色特征模板窗口去遍历每一个色调图Hi,通过修改色调直方> 因此设可以得到的每一个色调图Hi的颜色特征为>i1,...,Yij,....,YiH_sum},其中,Yij为对应于Hi的一个颜色特征矩阵值,>ij求取方式如下:考虑>i的直方图可以近似取1至63的>ij。 (12)将所有训练样本的颜色特征值重新组成下列形式: [Y]={Y1,...,Yj,....,YH_sum},其中, (13)对遥感训练图像A,划分成与训练样本图像尺寸大小相同的 test_sum_A个子图像(这些子图像可以重叠)。 (14),针对每一个子图像,采用与第(10)、第(11)步相同的处理,得 到它们的色调图{H1_A,...,Hk_A,....,Htest_sum_A},以及每个色调图所对应的颜> (15)针对遥感训练图像A中的子图像,基于颜色特征依次进行判断,求出 满足下列约束的最优解: 通过求取最优解,即可以判断遥感训练图像A中的每一个子图像是否为遥感目标图像。 (16)由于遥感训练图像A中的子图像是否为目标类,也是已知的,因此接 下来采用Adaboost提升树思想,首先赋予每一个子图像相同的权重,赋予每一 个特征相同的重要性系数;其次训练图像A与所用特征的类别皆为已知,判断 结果也就已知是否正确,通过计算分类错误样本的权重就可以知道其误差率,误 差率最低的特征自然精确率最高,针对此轮精确率最高的特征,增加其重要性系 数;针对分错的子图像,增加其权重;接着,在每次挑选完最小误差的特征过后, 用挑选出来的特征对训练图像进行判定,然后把判定为目标的窗口作为下一轮待 判定的窗口,在下一轮中利用没被挑选出来的特征进行进一步判定,然后再挑选 此轮最小误差的特征,从而使得误差比上一轮更小,在迭代过程中不断降低误差, 直至误差率降至阈值以内;最后,将挑选出来的精确性高的若干个特征,将特征 与相应的重要性系数相乘,然后线性相加组合生成相应的强分类器,在强分类器 判定结果出来以后,判定为目标以后再进行第二个强分类器的进一步判定,强分 类器如此级联在一起就可以形成精确识别分类器。 (17)给定一幅待测试的遥感图像B,划分成与训练样本图像尺寸大小相同 的test_sum_B个子图像(这些子图像可以重叠)。 (18)针对每一个子图像,基于快速识别分类器,提取相对应的提升过后的 Harr特征 (19)针对测试图像B中的子图像,基于Harr特征依次进行快速分类,求 出满足下列约束的最优解: 通过求取最优解,即可以初步快速识别出遥感测试图像B中的每一个子图像是否为遥感目标图像。 (20)针对快速识别结果为遥感目标图像的子图像,基于精确识别分类器, 提取相对应的提升过后的颜色特征 (21)针对测试图像B中的子图像,基于颜色特征依次进行精确分类,求出 满足下列约束的最优解: 通过求取最优解,即可以进一步精确识别出遥感测试图像B中的每一个子图 像是否为遥感目标图像。
机译: 基于高分辨率遥感图像的海水污染区域识别方法和设备
机译: 遥感图像识别方法和装置,存储介质和电子设备
机译: 遥感图像识别方法,装置,存储介质和电子设备