多特征融合的遥感图像分类.pptx
文本预览下载声明
多特征融合的遥感图像分类2014年9月11日目录高分遥感图像的图像特征视觉词袋特征改进的视觉词袋特征颜色直方图纹理特征融合多特征的高分遥感图像特征分类算法算法流程测试集高分遥感图像的图像特征-视觉词袋提取图像中大量局部的小块,通过判定每个图像块可能的语义信息,统计整幅图像中各个语义信息出现的频次,最终得到该图像的描述。优点:避免了图像分割过程在局部图像块表示中,词包模型(Bag-of-Word, BOW)受到了大量的关注高分遥感图像的图像特征-视觉词袋 Works pretty well for whole-image classificationCsurka et al. (2004), Willamowski et al. (2005), Grauman Darrell (2005), Sivic et al. (2003, 2005)R1R1R2R2Assign sift features into clustersR3R3Compute the frequency of each cluster within an imageBoW histogram representations 高分遥感图像的图像特征-视觉词袋视觉词袋的计算过程(1)利用SIFT算法,从每类图像中提取视觉词汇,将所有的视觉词汇集合在一起高分遥感图像的图像特征-视觉词袋第二步是利用K-Means算法构造单词表。K-Means算法是一种基于样本间相似性度量的间接聚类方法,此算法以K为参数,把N个对象分为K个簇,以使簇内具有较高的相似度,而簇间相似度较低。SIFT提取的视觉词汇向量之间根据距离的远近,可以利用K-Means算法将词义相近的词汇合并,作为单词表中的基础词汇,假定我们将K设为4,那么单词表的构造过程如下图所示:高分遥感图像的图像特征-视觉词袋高分遥感图像的图像特征-视觉词袋第三步是利用单词表的中词汇表示图像。利用SIFT算法,可以从每幅图像中提取很多个特征点,这些特征点都可以用单词表中的单词近似代替,通过统计单词表中每个单词在图像中出现的次数,可以将图像表示成为一个K=4维数值向量。高分遥感图像的图像特征-视觉词袋 当同一场景图像之间差异大时,图像词袋表示差异也大,会影响分类精度改进的视觉词袋原始的视觉词袋——仅包含单幅图像的特征,而缺乏对同类图像的类型特征的统计分析一类场景中所共有的特征往往出现在词频考前的单词上,对这些单词进行加权标识,分类时会对待分类图像加入所属类的共有特征,提高分类精度高分遥感图像的图像特征-视觉词袋改进步骤 类总体词袋表示:统计每一类场景所有视觉词袋单词词频,得到类别总体词袋 确定单词权重:从统计结果中取前N名单词,对这N个单词词频进行归一化,以词频的倒数来表示单词对应的权重,对权重进行归一化,使权重值在0到1之间。再对权重值加1操作,使权重值量化到1到2之间 挑选每类重要单词加权:图像的特征向量词袋分配后,将单幅图像中所属类的前N名单词的权重值乘以该权重值对应的单词在这幅图像出现的词频高分遥感图像的图像特征-颜色直方图采用亮度饱和度HLS色彩空间图像中的每一像素,将其H,L,S分量化为8等分,HLS直方图就有256个间隔,然后统计所有直方图,最后归一化,以消除图片大小的影响高分遥感图像的图像特征-纹理特征Gabor滤波器使用5个尺度,6个方向的Gabor滤波器对原始图像进行Gabor变换,形成30幅纹理图像,再计算这30幅纹理图像的均值和方差,形成一个60维的特征向量融合多特征的高分遥感图像特征分类算法步骤步骤 训练过程 将标记好的训练样本提取局部特征,得到BOVW表示,在提取全局的HLS和Gabor纹理特征,分别训练SVM1,SVM2,SVM3三个分类器 测试过程 待分类图像的BOVW,HLS和Gabor特征 用三个分类器分类,得到三个概率 P1,P2,P3(按从大到小排序),对应三个标签Label1,Label2,Label3 标记结果 采用投票的方式 由于次显著特征和最不显著特征组合可能要比显著特征好,如果Label2=Label3,且之和大于Label1,则最终标记为Label2,或者为Label1融合多特征的高分遥感图像特征分类测试数据集采用了文献Bag-Of-Visual-Words and Spatial Extensions for Land-Use Classification 中的数据集文献中描述为国际上第一个大型的遥感图像分类公共测试数据集,共21类,每类100幅图像,均为快鸟高分辨率遥感图像,大小为256*256,均从美国地质勘探局下载,包括:农田、飞机、棒球内场、海滨、建筑物、灌丛、稠密居住区、森林、高速公路、高尔夫球场、海港、十字路口、中等稠密居住区、活动房区、立交桥、停车场、河流
显示全部