[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

说明书

本发明公开了一种基于异构特征融合的遥感图像自动目标识别方法，首先，在分析遥感图像特殊成像机理的基础上，提取遥感目标多种异构特征，包括：设计改进的稠密SURF‑BOF特征、改进的Mean‑Std特征、及LBP特征。其次，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。第三，设计多核融合方法，实现异构特征在核空间的自适应融合。最后，设计基于异构特征融合的MKL‑SVM分类器，实现对遥感目标的自动识别。本发明针对现有遥感图像目标特征提取方法提取出的某单一特征信息涵盖不全面，或丢失某些重要信息的缺陷，提出提取目标多种异构特征，然后在多核框架内将不同类型目标特征进行自适应融合，有效提高了遥感图像自动目标识别的性能。

技术领域

本发明涉及一种基于异构特征融合的遥感目标自动识别的方法，属于图像处理和模式识别技术领域。

背景技术

随着遥感技术的快速发展，遥感目标检测识别技术已经在军事以及民用领域中取得了广泛的应用。在军事领域中，高精度的遥感目标识别技术能及时准确掌握敌我双方的武器设备数量、位置等状况，从而大大提高一体化作战能力。在民用领域中，良好的遥感目标识别技术能为资源勘探、自然灾害监测以及土地利用检测等领域作出重要贡献。故对遥感目标的检测识别已经成为众多学者研究的热点问题。

传统的遥感图像目标识别主要是对单类目标进行识别，随着相关任务的不断提出，人们已经不满足于单类遥感图像目标的识别，逐渐朝着多类遥感图像目标识别的方向发展。特征提取作为多类目标识别中极其重要的一步，紧致且完备的特征集能够最大化类间差异同时最小化类内差异，从而将多类遥感目标识别开来。

Zhong等人在2015年IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING上发表论文“Scene Classification based on Multifeature Fusion ProbabilisticTopic Model”，该文提出将光谱特征、纹理特征、sift特征这三个不同的底层特征通过概率主题模型融合，用于多类遥感图像目标分类识别，取得了一定的效果。

Zou等人在2016年Information Sciences上发表论文“Scene classificationusing local and global features with collaborative representation fusion”.该文提出了融合遥感图像局部特征和全局特征的多类遥感图像目标分类方法，也取得了一定的效果。

但是，它们选择的特征未能同时从底层/中层和全局/局部两个角度同时考虑，因此，特征集合不够完备。

如果我们能够从特征提取的原理上分析遥感图像各种不同特征所代表的目标的特性，构建一组完备的异构特征集，将能有效提高多类遥感图像目标识别的准确率。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于异构特征融合的遥感目标自动识别的方法，以有效提高多类遥感目标识别的准确率。

技术方案：一种基于异构特征融合的遥感目标自动识别的方法，包含训练阶段和测试阶段两个部分，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；

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。