基于多路分層稀疏編碼的遙感圖像場景分類.pdf

1、在如今多媒體信息技術(shù)迅速發(fā)展的時(shí)代，數(shù)字圖像越來越多，如何在海量的圖像中迅速查找到用戶感興趣的圖像或者迅速將圖像分門別類便于后續(xù)的處理是一個(gè)很緊迫的任務(wù)。圖像場景分類是根據(jù)圖像內(nèi)容自動獲取圖像所屬類別的一種技術(shù)，已經(jīng)在模式識別、計(jì)算機(jī)視覺等領(lǐng)域中得到廣泛應(yīng)用。遙感圖像的場景分類作為圖像場景分類的一個(gè)重要分支，近年來已經(jīng)對遙感圖像的目標(biāo)檢測、圖像檢索、圖像增強(qiáng)等實(shí)際問題的研究做出了很大貢獻(xiàn)。
　　遙感圖像場景分類首先需要從圖像中提取

2、特征，然后選擇合適的分類器進(jìn)行分類。所以圖像的特征提取很關(guān)鍵，對于分辨度很低的特征，再好的分類器也會失效。遙感場景分類的方法主要分為基于底層特征的方法和基于中層特征的方法兩類?；诘讓犹卣鞯姆椒ú恍枰R別圖像場景中具體的景物，所以相對而言計(jì)算復(fù)雜度比較低，但是對于圖像中比較復(fù)雜的場景，底層特征的分類效果很差。這就是底層特征和高層語義之前存在的鴻溝。為解決這種鴻溝，提出了基于中層特征的方法，在底層特征和高層特征之間搭建了橋梁。
　　

3、本文針對圖像場景分類主要有以下幾個(gè)工作：
　　1.介紹了基于多路分層正交匹配追蹤（Orthogonal Matching Pursuit，OMP）的半監(jiān)督遙感圖像場景分類方法。不同于傳統(tǒng)的基于局部特征描述子的方法，本方法是直接從原始圖像塊出發(fā)學(xué)習(xí)字典，運(yùn)用正交匹配追蹤的稀疏編碼方法、金字塔模型（Spatial Pyramid Matching，SPM）得到整幅圖像的特征表示，并結(jié)合多路分層學(xué)習(xí)思想和最大池化方法構(gòu)建了基于不同大小的

4、圖像塊的無監(jiān)督特征學(xué)習(xí)框架，最后采用半監(jiān)督的支持矢量機(jī)（Semi-Supervised Support Vector Machine，S3VM）進(jìn)行分類。并將此分類方法擴(kuò)展到遙感圖像的場景檢測當(dāng)中。實(shí)驗(yàn)結(jié)果表明此算法在遙感圖像的場景分類和檢測上都能夠取得不錯(cuò)的效果。
　　2.提出了基于局部特征描述子和分層稀疏編碼的遙感圖像場景分類方法。該方法改變傳統(tǒng)特征包模型單尺度單層的學(xué)習(xí)模式，在多個(gè)尺度的局部圖像塊上提取SIFT(Scale

5、invariant feature transform)和LBP（Local Binary Patterns）局部特征描述子，并根據(jù)不同尺度的局部特征進(jìn)行分層稀疏編碼，最后將不同尺度下學(xué)習(xí)的圖像特征聯(lián)合，再用SVM（Support Vector Machine）進(jìn)行分類。該算法相對傳統(tǒng)的基于SIFT和LBP特征的場景分類方法，在遙感圖像場景分類中正確率提高了很多。
　　3.提出了基于多路分層正交匹配追蹤的半監(jiān)督圖像場景分類方法的M

6、ATLAB(MATrix LAboratory)多核并行加速算法。原算法中對圖像密集采樣、編碼、池化等操作均是相同算法對不同數(shù)據(jù)的獨(dú)立處理過程，實(shí)驗(yàn)的大數(shù)據(jù)量給參數(shù)優(yōu)化造成很大的困難。本文運(yùn)用MATLAB多核并行平臺將這些計(jì)算過程相互獨(dú)立的算法設(shè)計(jì)為并行結(jié)構(gòu)。對比實(shí)驗(yàn)證明該并行算法大大降低了時(shí)間復(fù)雜度，解決了優(yōu)化參數(shù)中的難題。
　　本文工作得到了國家自然科學(xué)基金（No.61173092）、新世紀(jì)優(yōu)秀人才支持計(jì)劃（No.66ZY11