基于超像素標注的遙感圖像的分割與識別方法
【專利摘要】本發明提供的是一種基于超像素標注的遙感圖像的分割與識別方法。利用超像素分割算法對遙感圖像進行過分割，獲得超像素分割結果，對超像素塊進行類別標注，獲得學習樣本。然后提取超像素樣本的視覺特征，以其標注結果為教師信號用分類器對這些學習樣本進行訓練，并保存訓練好的分類器信息。對待分析的遙感圖像進行過分割獲得超像素結果，對每個超像素提取視覺特征后送入分類器進行分類，在每個超像素塊都獲得了類別標記后，合并相同類別標記的超像素塊，即待分析圖像的所有區域都得到了類別信息。本發明避免了直接對遙感圖像進行分割，極大程度上的保留了實際區域的邊緣信息，融合了分割和識別過程，具有更加優秀的分割和識別能力。
【專利說明】
基于超像素標注的遙感圖像的分割與識別方法
技術領域
[0001]本發明涉及的是一種遙感圖像的分割和識別方法。
【背景技術】
[0002]遙感圖像是地物目標綜合信息的直觀載體，隨著遙感技術的發展，對遙感圖像進行處理，從中獲取各種信息是當期面臨的一個迫切而復雜的問題。遙感圖像的分析在地質勘探、農林業等各個方面有著重要作用。遙感圖像的分割和識別是遙感數字圖像處理領域重要的研究課題，區域的分割和分類描述可以達到對圖像信息進行識別、分類解譯的目的，有非常重要的軍事和民用價值。目前存在多種遙感圖像的分割和識別方法，但仍然沒有適用性較好且具有較高準確度的方法，因此遙感圖像的分割和識別問題同時也具有很高的科學研究價值。
[0003]現有的遙感圖像分割與識別方法主要有以下幾種:基于主題模型的方法、基于分類的方法、基于稀疏編碼的方法以及基于概率圖模型的方法等。這些方法大都是通過學習樣本來建立遙感圖像底層特征與高層語義之間的關聯信息，而基于神經網絡的分類方法和基于概率圖模型的方法目前能夠取得相對較好的結果。但是，概率圖模型需要針對像素點進行建模，計算量非常大。基于神經網絡等分類器的分類方法需要提取遙感圖像的底層視覺特征，在特征提取步驟之前，需要對圖像進行固定劃分或圖像分割。其中，基于固定劃分的方法直接把遙感圖像劃分成矩形的小區塊來提取特征，丟失了遙感圖像實際區域的邊界信息。重疊劃分是在固定劃分基礎上的一種改進方法，雖然能夠一定程度上提高精度，但是仍然會損失實際區域的邊界信息。另一方面，目前的圖像分割方法和技術對遙感圖像尚無法達到一個很好的分割效果。這些因素均限制了現有方法在遙感圖像分割與識別中的應用。
[0004]與本發明相關的【背景技術】為:P.Duygulu，KBarnard, J.F.G de Freitas ,and D.AForsyth.0bject Recognit1n as Machine Translat1n:Learning a lexicon for afixed Image vocabulary.Proc.the 7th European Conferenee on Computer Vis1n,2002，2353(6):97-112。
【發明內容】
[0005]本發明的目的在于提供一種具有優秀的分割和識別能力的基于超像素標注的遙感圖像的分割與識別方法。
[0006]本發明的目的是這樣實現的:
[0007]步驟1:使用SLIC方法對遙感圖像庫中所有訓練用的遙感圖像進行過分割，生成超像素，將每一個超像素塊作為訓練的樣本；
[0008]步驟2:對每個訓練用圖像的每一個超像素塊進行標注，添加的類別標記作為該訓練樣本的教師信號；
[0009]步驟3:提取所有已標注的超像素塊的視覺特征；
[0010]步驟4:將所有超像素塊的視覺特征以及教師信號送入反向傳播(BackPropagat1n, BP)神經網絡進行訓練，保存訓練后的網絡權值以及網絡結構；
[0011]步驟5:對要進行分割和識別的待分析遙感圖像進行SLIC方法的超像素過分割，對每個超像素塊按步驟3提取視覺特征；
[0012]步驟6:將待分析遙感圖像的每個超像素塊的視覺特征送入已訓練好的BP神經網絡，正向傳播計算輸出值，得到每個超像素塊的類別標記，根據類別標記進行超像素塊的合并，得到遙感圖像的分割和識別結果。
[0013]超像素是對圖像進行過分割所得到的若干小區域，要求同一小區域內的像素點具有高度的視覺一致性。單個像素點的語義信息匱乏，而超像素實際上體現了物體級的局部語義信息。超像素合并后就可以構成與物體級語義對應的圖像區域，體現了完整的物體級語義信息。相對于固定劃分和傳統的圖像分割的方法，超像素方法能夠有效地避免欠分割現象，極大地保留了實際物體的邊緣信息，而且超像素的生成方法較為簡單，有很高的計算效率。
[0014]本發明采用對超像素進行標注來獲得學習樣本的策略，來避免直接對遙感圖像進行分割，然后提取超像素標注樣本的視覺特征，用神經網絡等分類器進行訓練。對待分割和識別的遙感圖像，首先獲得該圖像的超像素分割結果，通過訓練好的分類器來對圖像中的超像素塊進行類別標注，在每個超像素塊都獲得了類別標記后，合并相同類別標記的超像素塊，這樣，圖像的分割和識別結果就同時獲得了。本發明的發明成果也可以應用到醫學圖像的計算機輔助診斷、多媒體信息檢索等實際應用領域。
[0015]本發明的內容主要涉及三個部分:遙感圖像的超像素學習樣本的標注、分類器的訓練和待分析遙感圖像的分割和識別。主要特征包括:(I)首先收集一定數量的訓練用遙感圖像，利用超像素分割算法對這些遙感圖像進行過分割，獲得超像素分割結果，利用手工對超像素塊進行類別標注，獲得學習樣本。(2)然后提取超像素樣本的視覺特征，以其標注結果為教師信號用神經網絡等分類器對這些學習樣本進行訓練，并保存訓練好的分類器信息。(3)對待分析的遙感圖像進行過分割獲得超像素結果，對每個超像素提取視覺特征后送入分類器進行分類，每個超像素得到一個類別標注信息。在每個超像素塊都獲得了類別標記后，合并相同類別標記的超像素塊，即待分析圖像的所有區域都得到了類別信息，這樣就完成了遙感圖像的分割和識別。
[0016]本發明基于超像素標注實現了遙感圖像的分割和識別，避免了直接對遙感圖像進行分割，從而規避了分割存在的一系列問題，極大程度上的保留了實際區域的邊緣信息，融合了分割和識別過程，具有更加優秀的分割和識別能力。
【附圖說明】
[0017]圖1為本發明的流程圖。
【具體實施方式】
[0018]下面結合具體實施例對本發明進行詳細說明。
[0019]步驟1:使用SLIC(SimpleLinear Iterative Clustering)方法對遙感圖像庫中所有訓練用的遙感圖像進行過分割，生成超像素。超像素的數目取決于遙感圖像的分辨率較大，包含區域較廣的遙感圖像可以適當分成較多的超像素塊。將每一個超像素塊作為訓練的樣本。
[0020]步驟2:對每個訓練用圖像的每一個超像素塊進行手工標注，添加的類別標記作為該訓練樣本的教師信號。
[0021]步驟3:提取所有已標注的超像素塊(即學習樣本)的視覺特征。采用Duygulu提供的圖像視覺描述方式(參見文獻[I])，對每個超像素塊提取6維形狀特征、18維顏色特征、12維紋理特征，共36維特征。
[0022]步驟4:將所有超像素塊的視覺特征以及教師信號送入反向傳播(BackPropagat1n,BP)神經網絡進行訓練，網絡結構為三層，輸入層節點個數為36，中間層和輸出層節點個數可以根據需要分類的類別數目進行調整。保存訓練后的網絡權值以及網絡結構。
[0023]步驟5:對要進行分割和識別的待分析遙感圖像進行SLIC方法的超像素過分割，對每個超像素塊按步驟3提取視覺特征。
[0024]步驟6:將待分析遙感圖像的每個超像素塊的視覺特征送入已訓練好的BP神經網絡，正向傳播計算輸出值，得到每個超像素塊的類別標記。根據類別標記進行超像素塊的合并，得到遙感圖像的分割和識別結果。
【主權項】
1.一種基于超像素標注的遙感圖像的分割與識別方法，其特征是: 步驟1:使用SLIC方法對遙感圖像庫中所有訓練用的遙感圖像進行過分割，生成超像素，將每一個超像素塊作為訓練的樣本； 步驟2:對每個訓練用圖像的每一個超像素塊進行標注，添加的類別標記作為該訓練樣本的教師信號； 步驟3:提取所有已標注的超像素塊的視覺特征； 步驟4:將所有超像素塊的視覺特征以及教師信號送入BP神經網絡進行訓練，保存訓練后的網絡權值以及網絡結構； 步驟5:對要進行分割和識別的待分析遙感圖像進行SLIC方法的超像素過分割，對每個超像素塊按步驟3提取視覺特征； 步驟6:將待分析遙感圖像的每個超像素塊的視覺特征送入已訓練好的BP神經網絡，正向傳播計算輸出值，得到每個超像素塊的類別標記，根據類別標記進行超像素塊的合并，得到遙感圖像的分割和識別結果。2.根據權利要求1所述的基于超像素標注的遙感圖像的分割與識別方法，其特征是所述的提取所有已標注的超像素塊的視覺特征是:對每個超像素塊提取6維形狀特征、18維顏色特征、12維紋理特征，共36維特征。
【文檔編號】G06T7/00GK106023145SQ201610297891
【公開日】2016年10月12日
【申請日】2016年5月6日
【發明人】劉詠梅, 李香, 羅揚理, 李金龍
【申請人】哈爾濱工程大學