[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

摘要

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。

主权项

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，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。