[发明专利]基于异构特征融合的遥感图像自动目标识别方法

权利要求书

1.一种基于异构特征融合的遥感图像自动目标识别方法，包含训练阶段和测试阶段，其特征在于，所述的训练阶段包括以下步骤：

步骤1：构建多类遥感图像目标样本训练集，将待训练的目标样本分类，并制作标签；

步骤2：在分析遥感图像特殊成像机理的基础上，提取遥感目标样本训练多种异构特征，包括：改进的稠密SURF-BOF(Speeded Up Robust Feature-Bag of Features)特征、改进的Mean-Std(Mean-Standard Deviation)特征、及LBP(Local Binary Patterns)特征；

步骤3：选择和构建完备的多核空间，将不同类型的目标特征映射到统一核空间，设计多核融合算法，实现异构特征在核空间的自适应融合；

步骤4：设计基于异构特征融合的MKL-SVM分类器；

所述的测试阶段包括以下步骤：

步骤5：构建多类遥感图像目标测试集；

步骤6：提取遥感图像目标测试集的改进的稠密SURF-BOF特征、改进的Mean-Std特征、及LBP特征；

步骤7：将提取的测试图像的多种异构特征输入到步骤4训练好的MKL-SVM分类器，对测试图像进行分类识别。

2.根据权利要求1所述的一种基于异构特征融合的遥感图像自动目标识别方法，其特征在于，从实际拍摄得到的遥感卫星图像或航拍图像中获取多类遥感目标样本图像，构建遥感图像目标样本训练集Train＝[Train₁,...,Train_i,...,Train_n]，并制作相应的样本标签Label＝[Label₁,...,Label_i,...,Label_n]，其中n表示有n类遥感目标样本，Train_i表示第i类遥感图像目标样本的集合，Label_i表示第i类遥感图像目标样本集的标签。

3.根据权利要求1所述的一种基于异构特征融合的遥感图像自动目标识别方法，其特征在于，改进的稠密SURF-BOF特征提取方法是：该方法在SURF算法提取的特征点的基础上，采用网格的方式融入图像中的固定描述点作为补充，最终可以得到图像的改进型稠密SURF-BOF特征；具体步骤如下：

第一，对原始多类遥感图像目标样本训练集进行预处理，统一变换为灰度图像，由于选取的范围太大则会影响特征提取效率，选取太小则会影响特征的有效性，通过多次实验统计图像取不同尺寸时的识别率和识别速度，选取的最优尺寸为能使得识别率达到最优识别率80％的多个尺寸中识别速度最快的，对应图像大小a×b；

第二，针对每一幅遥感图像目标样本，提取稠密SURF特征，具体过程如下：

(a)基于SURF特征检测算法，检测SURF特征点，得到SURF稀疏点集P＝[P₁,...,P_i,...,P_u]，其中，P_i表示第i个稀疏点；

(b)基于网格方式增加稠密点：按经验用c×d大小的网格划分图像，其中取c、d为图像长宽的到之间；选取所有的网格交点做为稠密点，得到SURF稠密点集Q＝[Q₁,...,Q_j,...,Q_v]，其中，Q_j表示第j个稠密点；

(c)确定每个特征点的主方向：融合SURF稀疏点集和稠密点集，构成Point＝[P,Q]；统计Point点集内所有点半径为6×s邻域内的Haar小波特性，s表示传统的SURF特征检测算法中的尺度因子；求某一个特征点其60度扇形内所有点在水平和垂直方向的Haar小波响应，并以距离特征点远近给不同的响应赋予二维高斯权重系数，其中，选取σ＝2.5s，(x₀,y₀)为该特征点坐标，(x,y)为领域内对应的其它特征点坐标，将响应按权重相加形成最终的矢量；最后遍历整个圆形区域选择最长矢量的方向为该特征点的主方向；

(d)构造SURF特征点描述算子：以某一个特征点为中心，将坐标轴旋转到主方向，按主方向选取边长为20×s的正方形区域，将该区域划分成4×4的子区域，计算(5×s)×(5×s)范围内的小波响应；对应于主方向的水平、垂直方向的Haar小波响应设为dx、dy，按高斯权重对响应值赋予系数，其中σ＝2.5s；然后将每个子区域的响应系数及其绝对值相加形成矢量v＝(∑dx,∑dy,∑|dx|,∑|dy|)；每一个特征点得到4×(4×4)＝64维的特征描述向量feature，则第j类中第i幅样本图像的(u+v)个特征点对应的特征向量集为sf_ji＝[feature₁,...,feature_(u+v)]，最后对其进行归一化；

(e)根据上述步骤(a)-(d)，最终可以得到所有样本图像的稠密SURF特征；其中，第j类图像的稠密SURF特征集可以表示为sf_j＝[sf_j1,...,sf_jN]，其中N表示第j类样本图像的个数；所有训练样本SURF特征集表示为sf＝[sf₁,...,sf_n]，其中n表示有n类遥感目标样本；

第三，将稠密SURF特征和BOF模型结合，提取改进的稠密SURF-BOF特征，具体过程如下：

(a)求BOF字典：由于不同类别的图像特征存在异构性，每类图像对应的字典视觉单词个数也不同，因此对第j类图像的特征集合sf_j，采用K-Means算法聚类成为h_j个视觉单词，视觉单词的数目h_j可以依据不同的类别的特点设定，即可得到第j类样本图像的BOF模型子字典K_j；其中，的初始值在集合sf_j中随机选定；将n类样本图像重复以上操作得到所有类别图像的BOF模型子字典，并串联得最终的BOF模型字典K＝[K₁,...,K_n]；

(b)基于BOF模型字典K，提取所有样本图像的稠密SURF-BOF特征：计算第j类样本图像中第i幅图像的稠密SURF特征sf_ji中单个feature到字典K中每一个视觉单词的距离，得到其中l为视觉单词个数总和；然后求得min(d)＝d_p，则该feature为第p个视觉单词；重复上述步骤，统计第j类样本图像中第i幅图像的稠密SURF特征sf_ji中每个视觉单词出现的频率，即可得到维稠密SURF-BOF特征。