《一种基于弱监督学习框架的遥感图像机场检测方法.pdf》由会员分享，可在线阅读，更多相关《一种基于弱监督学习框架的遥感图像机场检测方法.pdf（11页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201410751420.3 (22)申请日 2014.12.09 G06K 9/66(2006.01) G06T 7/00(2006.01) (71)申请人 西北工业大学 地址 710072 陕西省西安市友谊西路 127 号 (72)发明人 韩军伟 张鼎文 李超 郭雷 (74)专利代理机构 西北工业大学专利中心 61204 代理人 王鲜凯 (54) 发明名称 一种基于弱监督学习框架的遥感图像机场检 测方法 (57) 摘要 本发明涉及一种基于弱监督学习框架的遥感 图像机场检测方法。首先得到正样本中图块的显 著性， 正样本集中图块的相似性，。
2、 正负样本类间差 异性， 然后利用贝叶斯框架对这三类信息进行融 合， 得到初始的正负训练集， 然后利用这些训练集 迭代训练得到最终的稳定的机场检测器， 用该机 场检测器检测测试图片的机场， 最终取得更具准 确性， 鲁棒性的机场检测结果。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书5页 附图2页 (10)申请公布号 CN 104463249 A (43)申请公布日 2015.03.25 CN 104463249 A 1/3 页 2 1.一种基于弱监督学习框架的遥感图像机场检测方法， 其特征在于 ： 利用方形滑动窗 口在拍摄的遥感图像。
3、中提取图块， 然后利用训练得到的机场检测器对图块进行分类， 并利 用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口可能高度重叠的 问题， 从而得到最终的机场检测结果 ； 所述机场检测器的训练步骤如下 ： 步骤 1、 对遥感图像数据库中随机抽取的多幅遥感图像进行正负样本分类， 将含有机场 信息的遥感图像作为正样本图像， 未含有机场信息的遥感图像作为负样本图像 ； 步骤 2、 利用多尺度方形滑动窗口在每一幅遥感图像中提取图块， 将正样本图像得到的 图块作为正样本集中的图块负样本图像得到的图块作为负样本集中的图块所述滑 动步长为所选取窗口大小的 1/3 ； 步骤 3、 计算正样本集中图。
4、块的显著性 ： 以正样本图集中的每一个图块周围图块作 为字典对该图块进行稀疏编码 p Dic pp， 根据编码的稀疏度 |p|0和编码产生的残 差rpp-Dicpp， 得到图块相对于周围背景的显著值|rp|1； 其中 ： p为图块的原始 RGB 特征， Dicp和 p分别是图块 周围图块构成的字典和编码产生 的稀疏系数，表示出现的概率 ； 步骤 4、 计算正负样本集的类间差异性 ： 以反映图块出现在负样本 集中的概率作为该图块与负样本之间的差异性，且 其中为负样本集 X-中第 j 维 特征所对应的第 k 个高斯分量的权重， 均值和方差，表示该高斯混合模型中高斯分量的 数目 ； 步骤 5、 获取。
5、近似初始正训练集 ： 根据 判断图块为机场的概率， 当图块 是机场的概率大于阈值时， 将该图块作为初始训练集中的正图块， 所 述阈值范围为 0.5 1 ； 将选出的图块作为近似正训练集 ； 步骤 6、 计算正样本图像中图块与近似正训练集的相似性 ： 首先利用高斯混合模型 拟合近似正训练集中的样本分布 ； 以作为图块与 近似正训练集之间的相似性 ； 其中 ：表示图块的第 j 维特征， H 表示图块的特征 的总维数，其中为正样本集 权 利 要 求 书 CN 104463249 A 2 2/3 页 3 中第 k 个图块对应的高斯混合模型中第 j 维特征的权重， 均值和方差 ； 步 骤 7、产 生 初。
6、 始 训 练 集 ： 利 用 贝 叶 斯 框 架 对 步 骤 2-6 得 到 的 显 著 性、类 内 相 似 性、类 间 差 异 性 进 行 融 合，最 终 得 到 图 块是 机 场 的 概 率 其中 P分别为图块 xp属于近似正训练集和负训练集的概率， 用最近邻法计 算 ； 当图块是机场的概率大于阈值时， 该图块作为初始训练集中的正 图块 ； 所述阈值范围为 0.5 1 ； 初始训练集中的负训练集由负样本图像随机采样产生 ； 步骤 8、 训练机场检测器 ： 利用初始训练集对支持向量机进行迭代训练得到稳定的机 场检测器， 在每次迭代中， 前一次迭代所更新得到的最新训练集用于训练当前的机场检测 。
7、器， 再利用训练后得到的当前的机场检测器对训练集进行更新并用作下一次迭代的训练 集， 直到该模型开始漂移时迭代结束， 并将漂移前一次的机场检测器作为最终的机场检测 器。 2.根据权利要求 1 所述基于弱监督学习框架的遥感图像机场检测方法， 其特征在于 ： 所述多尺度方形滑动窗口大小为 size 60,100,130。 3.根 据 权 利 要 求 1 所 述 基 于 弱 监 督 学 习 框 架 的 遥 感 图 像 机 场 检 测 方 法， 其 特 征 在 于 ： 所 述 最 近 邻 法 计 算 ： 图 块 xp与 正 负 样 本 集 中 特 征 距 离 最 接 近 的 图 块 之 间 的 特 征。
8、 距 离 作 为 图 块 xp属 于 正 负 样 本 集 的 概 率， 公 式 分 别 为 其中 | |1表示 L1范数，和分别表示图块 xp在正负样本集中最近邻图块的特征。 4.根据权利要求 1 所述基于弱监督学习框架的遥感图像机场检测方法， 其特征在于 ： 所述遥感图像数据库采用 Landsat 库。 5.根据权利要求 1 所述基于弱监督学习框架的遥感图像机场检测方法， 其特征在于 ： 所述步骤 3 中的稀疏编码采用论文 PJ.Han,P.Zhou,D.Zhang,G.Cheng,L.Guo,Z.Liu,S. Bu,and J.Wu,“Efficient,simultaneous dete。
9、ction of multi-class geospatial targets based on visual saliency modeling and discriminative learning of sparse coding,” ISPRS J.Photogramm.Remote Sens.,vol.89,pp.37-48,2014 中的方法。 6.根据权利要求 1 所述基于弱监督学习框架的遥感图像机场检测方法， 其特征在 于 ： 所述步骤 4 和 6 中的高斯混合模型采用论文 C.M.Bishop,Pattern recognition and machine learning.。
10、springer,Aug.2006 中的方法。 7.根据权利要求 1 所述基于弱监督学习框架的遥感图像机场检测方法， 其特征 在于 ： 所述非极大值抑制采用论文 G.Cheng,J.Han,L.Guo,X.Qian,P.Zhou,X.Yao,and X.Hu,“Object detection in remote sensing imagery using a discriminatively trained mixture model,” ISPRS J.Photogramm.Remote Sens.,vol.85,pp.32-43,2013 中 权 利 要 求 书 CN 104463249。
11、 A 3 3/3 页 4 的方法。 权 利 要 求 书 CN 104463249 A 4 1/5 页 5 一种基于弱监督学习框架的遥感图像机场检测方法 技术领域 0001 本发明属于计算机视觉算法研究领域， 涉及一种基于弱监督学习框架的遥感图像 机场检测方法， 可以在遥感图像数据库中准确、 鲁棒地检测出图像的机场。 背景技术 0002 遥感技术的飞速发展促使许多卫星和航空传感器可以提供具有高空间分辨率的 光学图像， 这些图像有广泛的应用， 如灾害治理， 土地规划， 监控和交通规划。在这些应用 中， 自然或人造物体的自动检测是一个基础任务， 而且已经吸引了越来越多的研究兴趣。 光 学遥感图像的机。
12、场中包含的丰富的空间信息和详细的结构信息， 为我们解决这一挑战性的 任务提供了新的机遇。 0003 早期对于遥感图像的机场检测都是无监督的方式， 首先开始于通过对像素的聚类 得到感兴趣区域， 然后基于形状和频谱信息检测机场。此后， 许多监督学习的方法得以提 出， 它们利用训练样本中的先验信息有效地学习出机场检测模型， 通过依赖于大量的人工 标注训练样本， 然后将问题转化为分类问题去解决， 监督学习的方法可以比无监督的方法 得到更好的效果， 因此， 基本上所有的机场检测系统都是基于监督学习工具。 0004 遥感技术的最新进展已经导致了卫星和航空影像的数量和质量的爆炸式增长。 它 同时也带来了光学。
13、遥感图像机场检测任务中两个日益严重的问题。首先， 基于监督学习的 机场检测方法通常需要大量的训练数据， 这些训练数据需要人工将图片中的的每一个机场 标注在一个矩形框中， 然而， 大规模图像集的手动标注通常代价昂贵， 有时甚至是不可靠 的。例如， 对于滑坡等自然物体， 合适的手动标注通常需要大量的专业知识。此外， 对于飞 机和汽车等人造物体， 人工标注也是困难的， 因为这些机场对象的覆盖范围看起来很小， 特 别是当图像的背景中包含复杂的纹理时。因而在这些小区域实现精确标注是非常困难的。 此外， 如果机场被遮挡或伪装， 手动人工标注的准确性和可靠性也会降低。因此， 对于大型 光学卫星和空间图像数据。
14、集， 利用弱监督方法训练机场检测器成为一个引人注目的方向。 发明内容 0005 要解决的技术问题 0006 为了避免现有技术的不足之处， 本发明提出一种基于弱监督学习框架的遥感图像 机场检测方法， 解决人工标注费时费力的问题。 0007 技术方案 0008 一种基于弱监督学习框架的遥感图像机场检测方法， 其特征在于 ： 利用方形滑动 窗口在拍摄的遥感图像中提取图块， 然后利用训练得到的机场检测器对图块进行分类， 并 利用非极大值抑制的方法保留得分最高的窗口以解决不同尺度下所取窗口可能高度重叠 的问题， 从而得到最终的机场检测结果 ； 所述机场检测器的训练步骤如下 ： 0009 步骤 1、 对遥。
15、感图像数据库中随机抽取的多幅遥感图像进行正负样本分类， 将含有 机场信息的遥感图像作为正样本图像， 未含有机场信息的遥感图像作为负样本图像 ； 说 明 书 CN 104463249 A 5 2/5 页 6 0010 步骤 2、 利用多尺度方形滑动窗口在每一幅遥感图像中提取图块， 将正样本图像得 到的图块作为正样本集中的图块负样本图像得到的图块作为负样本集中的图块所 述滑动步长为所选取窗口大小的 1/3 ； 0011 步骤 3、 计算正样本集中图块的显著性 ： 以正样本图集中的每一个图块周围图 块作为字典对该图块进行稀疏编码 p Dic pp， 根据编码的稀疏度 |p|0和编码产生 的残差 rp。
16、 p-Dicpp， 得到图块相对于周围背景的显著值其 中 ： p为图块的原始 RGB 特征， Dicp和 p分别是图块周围图块构成的字典和编码产 生的稀疏系数，表示出现的概率 ； 0012 步骤 4、 计算正负样本集的类间差异性 ： 以反映图块出现在负样 本集中的概率作为该图块与负样本之间的差异性， 且其中为负样本集X-中第j维 特征所对应的第 k 个高斯分量的权重， 均值和方差，表示该高斯混合模型中高斯分量的 数目 ； 0013 步骤 5、 获取近似初始正训练集 ： 根据 判断图块为机场的概率， 当图块 是机场的概率大于阈值时， 将该图块作为初始训练集中的正图块， 所 述阈值范围为 0.5 。
17、1 ； 将选出的图块作为近似正训练集 ； 0014 步骤 6、 计算正样本图像中图块与近似正训练集的相似性 ： 首先利用高斯混合 模型拟合近似正训练集中的样本分布 ； 以作为图块 与近似正训练集之间的相似性 ； 其中 ：表示图块的第 j 维特征， H 表示图块的特 征的总维数，其中为正样本 集中第 k 个图块对应的高斯混合模型中第 j 维特征的权重， 均值和方差 ； 0015 步 骤 7、产 生 初 始 训 练 集 ： 利 用 贝 叶 斯 框 架 对 步 骤 2-6 得 到 的 显 著 性、 类 内 相 似 性、 类 间 差 异 性 进 行 融 合， 最 终 得 到 图 块是 机 场 的 概 。
18、率 其中 说 明 书 CN 104463249 A 6 3/5 页 7 和分别为图块xp属于近似正训练集和负训练集的概率， 用最近邻法计 算 ； 0016 当图块是机场的概率大于阈值时， 该图块作为初始训练集中 的正图块 ； 所述阈值范围为 0.5 1 ； 0017 初始训练集中的负训练集由负样本图像随机采样产生 ； 0018 步骤 8、 训练机场检测器 ： 利用初始训练集对支持向量机进行迭代训练得到稳定 的机场检测器， 在每次迭代中， 前一次迭代所更新得到的最新训练集用于训练当前的机场 检测器， 再利用训练后得到的当前的机场检测器对训练集进行更新并用作下一次迭代的训 练集， 直到该模型开始漂。
19、移时迭代结束， 并将漂移前一次的机场检测器作为最终的机场检 测器。 0019 所述多尺度方形滑动窗口大小为 size 60,100,130。 0020 所述最近邻法计算 ： 图块 xp与正负样本集中特征距离最接近的图块之间的特征 距离作为图块 xp属于正负样本集的概率， 公式分别为 其中 | |1表示 L1范数，和分别表示 图块 xp在正负样本集中最近邻图块的特征。 0021 所述遥感图像数据库采用 Landsat 库。 0022 所述步骤 3 中的稀疏编码采用论文 PJ.Han,P.Zhou,D.Zhang,G.Cheng,L.Guo,Z. Liu,S.Bu,and J.Wu, “Effic。
20、ient,simultaneous detection of multi-class geospatial targets based on visual saliency modeling and discriminative learning of sparse coding,” ISPRS J.Photogramm.Remote Sens.,vol.89,pp.37-48,2014 中的方法。 0023 所述步骤 4 和 6 中的高斯混合模型采用论文 C.M.Bishop,Pattern recognition and machine learning.springer,Aug.2006。
21、 中的方法。 0024 所述非极大值抑制采用论文 G.Cheng,J.Han,L.Guo,X.Qian,P.Zhou,X.Yao,and X.Hu,“Object detection in remote sensing imagery using a discriminatively trained mixture model,” ISPRS J.Photogramm.Remote Sens.,vol.85,pp.32-43,2013 中 的方法。 0025 有益效果 0026 本发明提出的一种基于弱监督学习框架的遥感图像机场检测方法， 首先得到正样 本中图块的显著性， 正样本集中图块的相似性。
22、， 正负样本类间差异性， 然后利用贝叶斯框架 对这三类信息进行融合， 得到初始的正负训练集， 然后利用这些训练集迭代训练得到最终 的稳定的机场检测器， 用该机场检测器检测测试图片的机场， 最终取得更具准确性， 鲁棒性 的机场检测结果。 0027 本发明中弱监督学习仅仅需要知道图片中有无机场， 而不需要标注机场的具体位 置和大小， 因此标注工作量大大减少， 然后利用获得的具有弱标签的图片集训练一个机场 探测器， 并根据训练得到的机场探测器对图片进行重新自动标注， 随后根据自动标注的结 果更新训练集的标签， 此后迭代这个过程， 直到检测到模型开始漂移， 从而确定最终的机场 检测器， 并利用该机场检。
23、测器取得更具准确性， 鲁棒性的机场检测结果。 说 明 书 CN 104463249 A 7 4/5 页 8 附图说明 0028 图 1 ： 本发明方法的基本流程图 0029 图 2 ： 实验结果图 0030 图 3 ： PR 结果图 具体实施方式 0031 现结合实施例、 附图对本发明作进一步描述 ： 0032 用于实施的硬件环境是 ： Intel Pentium 2.93GHz CPU计算机、 2.0GB内存， 运行的 软件环境是 ： Matlab R2011b 和 Windows XP。实验选取了 Landsat 库中的所有图像作为测 试数据， 该数据库中包含180幅短波-红外遥感图像， 。
24、是国际公开的用于测试遥感图像机场 检测计算模型的数据库。 0033 本发明具体实施如下 ： 0034 1、 对遥感图像数据库中随机抽取的多幅遥感图像进行正负样本分类， 将含有机场 信息的遥感图像作为正样本图像， 未含有机场信息的遥感图像作为负样本图像 ； 0035 2、 利用多尺度方形滑动窗口在每一幅遥感图像中提取图块， 将正样本图像得到的 图块作为正样本集中的图块负样本图像得到的图块作为负样本集中的图块所述滑 动步长为所选取窗口大小的 1/3 ； 0036 3、 计算正样本集中图块的显著性 ： 以正样本图集中的每一个图块周围图块作 为字典对该图块进行稀疏编码 p Dic pp， 根据编码的稀。
25、疏度 |p|0和编码产生的残 差 rp p-Dicpp， 得到图块 相对于周围背景的显著值其中 ： p为图块的原始 RGB 特征， Dicp和 p分别是图块 周围图块构成的字典和编码产生 的稀疏系数，表示出现的概率 ； 0037 4、 计算正负样本集的类间差异性 ： 以反映图块出现在负样本集 中的概率作为该图块与负样本之间的差异性，且 0038 0039 其中为负样本集 X-中第 j 维特征所对应的第 k 个高斯分量的权 重， 均值和方差，表示该高斯混合模型中高斯分量的数目 ； 0040 5、 获取近似初始正训练集， 以 判断图块为机场的概率， 当图块 说 明 书 CN 104463249 A。
26、 8 5/5 页 9 是机场的概率大于阈值时， 将该图块作为初始训练集中的正图块， 所 述阈值范围为 0.5 1 ； 将选出的图块作为近似正训练集 ； 0041 6、 计算正样本图像中图块与近似正训练集的相似性 ： 首先利用高斯混合模型 拟合近似正训练集中的样本分布 ； 以作为图块与近 似正训练集之间的相似性 ； 其中 ：表示图块的第 j 维特征， H 表示图块的特征 的总维数，其中为正样本集 中第 k 个图块对应的高斯混合模型中第 j 维特征的权重， 均值和方差 ； 0042 7、产 生 初 始 训 练 集 ： 利 用 贝 叶 斯 框 架 对 步 骤 2-6 得 到 的 显 著 性、类 内 。
27、相 似 性、类 间 差 异 性 进 行 融 合，最 终 得 到 图 块是 机 场 的 概 率 其中 和分别为图块xp属于近似正训练集和负训练集的概率， 用最近邻法计 算 ； 0043 当图块是机场的概率大于阈值时， 该图块作为初始训练集 中的正图块 ； 所述阈值范围为 0.5 1 ； 0044 初始训练集中的负训练集由负样本图像随机采样产生 ； 0045 8、 训练机场检测器 ： 利用初始训练集对支持向量机进行迭代训练得到稳定的机场 检测器， 在每次迭代中， 前一次迭代所更新得到的最新训练集用于训练当前的机场检测器， 再利用训练后得到的当前的机场检测器对训练集进行更新并用作下一次迭代的训练集，。
28、 直 到该模型开始漂移时迭代结束， 并将漂移前一次的机场检测器作为最终的机场检测器。 0046 本发明选用 PR 曲线对检测结果进行评估。该曲线定义为在分割阈值变化下， 准确 率 (PRE) 和召回率 (TPR) 的变化关系。计算公式如下 ： 0047 0048 0049 其中FP为检测到的虚警区域 ； TP为检测到的实警区域， P为ground truth中机场 的区域。附图 2 为一些本发明的实验结果， 附图 3 为本发明方法的 PR 曲线。从实验结果可 以看出本发明提出的方法可以更加准确和鲁棒地对遥感图像实现机场的检测。 说 明 书 CN 104463249 A 9 1/2 页 10 图 1 图 2 说 明 书 附 图 CN 104463249 A 10 2/2 页 11 图 3 说 明 书 附 图 CN 104463249 A 11 。