《一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法.pdf》由会员分享，可在线阅读，更多相关《一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法.pdf（17页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103413142 A (43)申请公布日 2013.11.27 CN 103413142 A *CN103413142A* (21)申请号 201310307436.0 (22)申请日 2013.07.22 G06K 9/62(2006.01) (71)申请人 中国科学院遥感与数字地球研究所 地址 100101 北京市朝阳区大屯路甲 20 号 北中国科学院遥感与数字地球研究所 (72)发明人 唐娉 赵理君 霍连志 冯峥 郑柯 (54) 发明名称 一种基于二维小波分解及视觉词包模型的遥 感图像土地利用场景分类方法 (57) 摘要 本发明涉及一种基于二维小波分解及视觉词。
2、 包模型的遥感图像土地利用场景分类方法， 其步 骤 ： 建立遥感图像土地利用场景分类训练集 ； 将 训练集中的场景图像转换为灰度图像并进行二维 小波分解 ； 对转换后的灰度图像和二维小波分解 后的子图像分别进行规则格网采样并提取 SIFT 特征， 通过聚类生成各自独立的通用视觉词汇表 ； 对训练集中每一幅图像进行视觉单词映射得到视 觉词包特征 ； 将训练集中每幅图像的视觉词包特 征和它对应的场景类别编号作为训练数据， 运用 SVM 算法生成分类模型 ； 根据分类模型对任意一 幅场景图像分类。本发明很好地解决了已有的基 于视觉词包模型的场景分类方法对遥感图像纹理 信息考虑不足的问题， 可有效提高。
3、场景分类的精 度。 (51)Int.Cl. 权利要求书 3 页 说明书 8 页 附图 5 页 (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8页 附图5页 (10)申请公布号 CN 103413142 A CN 103413142 A *CN103413142A* 1/3 页 2 1. 一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法， 其特征 在于包括以下步骤 ： (1) 建立遥感图像土地利用场景分类训练集 ； (2) 将遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像， 并进行二维 小波分解 ； (3) 对转换后的灰度遥感土地利用。
4、场景图像和二维小波分解后的子图像分别进行规则 格网采样并提取尺度不变特征 (Scale Invariant Feature Transform， SIFT) ； (4) 对遥感图像土地利用场景分类训练集中的所有图像， 将转换后的灰度遥感土地利 用场景图像和二维小波分解后不同图像的 SIFT 特征通过聚类生成各自独立的通用视觉词 汇表 ； (5) 对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像进行视觉单 词映射， 提取场景图像视觉词包特征 ； (6) 将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像对应 的场景类别编号作为训练数据， 运用 SVM 算法生成遥感图像。
5、土地利用场景分类模型 ； (7) 根据遥感图像土地利用场景分类模型对任意一幅遥感土地利用场景图像进行分 类。 2. 按权利要求 1 所述的遥感图像土地利用场景分类训练集的建立， 其特征在于包括以 下步骤 ： (1-1)根据实际土地利用场景类型定义C个土地利用场景类别， 类别编号为1C， C为 大于 0 的正整数 ； (1-2) 对每个土地利用场景图像类别， 随机选择 T 幅图像作为该类别的图像场景分类 训练样本， T 为正整数， 取值范围为该类别图像场景分类训练样本数的 1/3 1/2 ； (1-3) 将所有 C 类的土地利用场景图像的训练样本作为土地利用场景分类训练样本 集。 3. 按权利要。
6、求 1 所述的遥感图像土地利用场景分类训练集中的场景图像灰度转换及 二维小波分解， 其特征在于包括以下步骤 ： (2-1) 对于遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像， 对于遥 感的全色图像， 直接取该波段 ； 对于多光谱图像， 选取其中一个波段 ； 对于真彩色航空遥感 图像， 则按照 V 0.2989R+0.5870G+0.1140B 进行灰度转换， 其中， V 为转换后的灰 度场景图像的灰度值， R 为真彩色图像中红波段的灰度值， G 为真彩色图像中绿波段的灰度 值， B 为真彩色图像中蓝波段的灰度值 ； (2-2) 对遥感图像土地利用场景分类训练集中的每一幅转换后的灰度。
7、场景图像进行 L 级的二维小波分解， L 为正整数， 建议 L 取 1 或 2。对于每一级二维小波分解均会得到四幅 分解后的子图像 cA， cH， cV， cD， 其中 cA 为分解后的低分辨率图像， cH 为分解后水平方向的 图像， cV 为分解后竖直方向的图像， cD 为分解后对角线方向的图像。第 1 次二维小波分解 对原始转换后的灰度场景图像进行， 之后第 K 次二维小波分解均是对第 K-1 次分解后得到 的子图像 cA， 即低分辨率图像进行， K 为大于 2 的正整数。 4. 按权利要求 1 所述的对转换后的灰度遥感土地利用场景图像和二维小波分解后的 子图像分别进行规则格网采样并提取 。
8、SIFT 特征， 其特征在于包括以下步骤 ： 权 利 要 求 书 CN 103413142 A 2 2/3 页 3 (3-1) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行规 则格网采样得到均匀的图像块， 每个图像块的大小为NN， 图像块之间的间隔为MM(当M 小于 N 时， 采样的网格会产生重叠 )， N 为正整数， 且为 2 的整数次幂， 建议取值为 8 或 16， M 为正整数， 建议取值为 N/2 ； (3-2) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别采样所 得到的图像块， 利用SIFT特征提取方法提取SIFT特征， 计算图像块整个区域上的。
9、梯度方向 直方图得到 SIFF 特征， 特征维数为 128 维。 5. 按权利要求 1 所述的对遥感图像土地利用场景分类训练集中的所有图像， 将转换后 的灰度遥感土地利用场景图像和二维小波分解后不同图像的 SIFT 特征通过聚类生成各自 独立的通用视觉词汇表， 其特征在于包括以下步骤 ： (4-1) 对遥感图像土地利用场景分类训练集中的所有转换后的灰度图像经采样和特征 提取得到的 SIFT 特征进行 K 均值聚类， 将聚类得到的每一个聚类中心作为一个视觉单词， 将这 K 个聚类中心的取值及其对应的视觉单词编号作为转换后的灰度场景图像的通用视 觉词汇表 V0； 对遥感图像土地利用场景分类训练集中。
10、的所有二维小波分解得到的不同子图 像经采样和特征提取得到的SIFT特征按照同样的方法分别进行K均值聚类， 得到各自的通 用视觉词汇表 Vi， i 为正整数， 表示二维小波分解后得到的子图像的编号， 其最小值为 1， 最 大值为二维小波分解后得到的子图像的总数， K 为正整数， 一般取值为 50 300， 建议 K 取 值为 250。 6. 按权利要求 1 所述的对遥感图像土地利用场景分类训练集中每一幅遥感土地利用 场景图像进行视觉单词映射， 提取场景图像视觉词包特征， 其特征在于包括以下步骤 ： (5-1) 对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像， 采用视 觉单词映射方法。
11、将灰度变换后的灰度图像和二维小波分解后的各子图像中包含图像块的 SIFT 特征映射到各自对应的视觉单词 ： 计算灰度变换后的灰度图像中每个图像块的 SIFT 特征与其对应的通用视觉词汇表中的每个视觉单词所对应特征值之间的欧式距离， 找出欧 式距离最小的视觉单词的编号， 并将其作为相应的图像块的 SIFT 特征映射结果 ； 同样的方 法， 对于二维小波分解后的各子图像， 分别计算各子图像中每个图像块的 SIFT 特征与其各 自对应的通用视觉词汇表中的每个视觉单词所对应特征值之间的欧式距离， 找出欧式距离 最小的视觉单词的编号， 并将其作为相应的图像块的 SIFT 特征映射结果 ； (5-2) 根。
12、据所得到的来自原始灰度遥感土地利用场景图像和二维小波分解后的子图像 中包含的图像块及其所对应的视觉单词， 统计各视觉词汇表中每个视觉单词在与之相对应 的灰度场景图像或二维小波分解后的子图像区域中出现的次数， 并以向量 fl， fj， fk 表示灰度场景图像的视觉词包特征描述， 向量 fli， fji， fki 表示二维小波分解 后的每个子图像的视觉词包特征描述， fj表示灰度场景图像所对应的视觉词汇表中第 j 个 视觉单词在图像区域中出现的次数， fji表示二维小波分解后的第 i 幅子图像所以应的视觉 词汇表中第 j 个视觉单词在图像区域中出现的次数， 其中 j 为正整数， l j K， K 。
13、为生成 的通用视觉词汇表的大小， i 为正整数， 表示二维小波分解后得到的子图像的编号， 最小值 为 1， 最大值为二维小波分解后得到的子图像的总数 ； (5-3) 将计算所得到的灰度场景图像和二维小波分解后的各子图像所对应的视觉词包 特征描述向量进行拼接， 得到最终原始遥感土地利用场景图像的视觉词包特征描述。 权 利 要 求 书 CN 103413142 A 3 3/3 页 4 7. 按权利要求 1 所述的将遥感图像土地利用场景分类训练集中每幅图像的视觉词包 特征和场景图像对应的场景类别编号作为训练数据， 运用 SVM 算法生成遥感图像土地利用 场景分类模型， 其特征在于包括以下步骤 ： (。
14、6-1) 将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像对 应的场景类别编号作为训练数据， 采用一对一 SVM， 在每两类不同的土地利用场景的训练样 本之间都学习生成一个 SVM 分类模型， 最终将所有的 SVM 分类模型共同作为遥感图像土地 利用场景分类模型。对于所构建的包含 C 个类别的土地利用场景分类训练样本集， 需要构 造 C(C-1)/2 个 SVM 分类模型， C 为正整数。 8. 按权利要求 1 所述的根据遥感图像土地利用场景分类模型对任意一幅遥感土地利 用场景图像进行分类， 其特征在于包括以下步骤 ： (7-1) 给定任意一幅遥感土地利用场景图像， 提取该场。
15、景图像的视觉词包特征 ； (7-2) 采取投票机制， 综合考虑所有 C(C 一 1)/2 个 SVM 分类模型对场景图像的视觉词 包特征所属类别进行判定 ： 有一个SVM分类模型判定场景图像的视觉词包特征属于第s类， 则意味着第 s 类获得了一票， 最后得票数最多的类别就是该遥感土地利用场景图像所属的 类别， 其中， s 为正整数， 且 1 s C。 权 利 要 求 书 CN 103413142 A 4 1/8 页 5 一种基于二维小波分解及视觉词包模型的遥感图像土地利 用场景分类方法 技术领域 0001 本发明涉及遥感图像场景分类技术领域， 具体的说是一种基于二维小波分解及视 觉词包模型的遥。
16、感图像土地利用场景分类方法。 背景技术 0002 随着遥感技术的发展， 空间、 时间分辨率的提高， 遥感图像， 尤其是高空间分辨率 遥感图像数据量急速增加， 使得图像中土地利用场景包含多种类型的土地覆盖类型。在这 种情况下， 利用人工目视解译的方法进行遥感图像土地利用场景的分类需要大量时间和工 作量， 有限的专家也不能及时对海量数据进行处理。 鉴于目视解译存在的不足， 利用计算机 技术进行自动化、 智能化的土地利用场景分类成为当前遥感领域的一个研究热点。 0003 针对遥感图像土地利用场景的分类， 传统的方法通常采用颜色、 纹理、 形状等低层 特征建立遥感图像土地利用场景模型， 利用分类器对场。
17、景的高层信息进行推导。然而， 采 用基于低层特征描述的土地利用场景分类方法由于缺乏中间语义的图像表示， 所以泛化性 差， 很难用于处理训练集以外的场景图像。为了克服遥感图像低层视觉特征与高层语义之 间的鸿沟， 基于中层特征对土地利用场景语义建模描述的方法逐渐得到广泛的关注。尤其 是近年来的视觉词包 (bag-of-visual-words， BOVW) 模型在图像分析和图像分类的应用中 取得了巨大成功， 成为一种新的、 有效的图像内容表达的研究思路， 并在遥感图像土地利用 场景分类中取得了一定成果。 视觉词包模型的优点在于无需分析场景图像中的具体目标组 成， 而是应用图像场景的整体统计信息， 。
18、将量化后的图像低层特征视为视觉单词， 通过图像 的视觉单词分布来表达图像场景内容， 为图像场景分类提供基础数据。 0004 传统的视觉词包模型对于图像场景中的空间信息考虑不足， 不少学者提出了一 系列改进的方法， 其中比较有代表性的方法有 ： 基于空间金字塔匹配 (Spatial Pyramid Matching， SPM) 的视觉词包模型 ( 参考文献 ： Svetlana Lazebnik， Cordelia Schmid and Jean Ponce，“Beyond bags of features ： spatial pyramid matching for recognizing n。
19、atural scene categories” ， 2006IEEE Computer Society Conference on Computer Vision and Pattern Recognition， 2006， pp.2169-2178. 斯维特拉娜雷斯伯尼克， 科迪莉亚施密德， 杰帮塞，“超越视觉词包 ： 基于空间金字塔匹配的自然场景类别 识别” ， 2006 年 IEEE 计算机学会计算机视觉与模式识别会议， 2006， 2169-2178.)， 基 于多分辨率表达的视觉词包模型 ( 参考文献 ： Li Zhou， Zongtan Zhou and Dewen Hu， “S。
20、cene classification using a multi-resolution bag-of-features model” ， Pattern Recognition， 2013， vo1.46， no.1， pp.424-433. 周立， 周宗谭， 胡德文，“基于多分辨率视 觉词包模型的场景分类” ， 模式识别， 2013， 第46卷， 第1期， 424-433.)， 以及基于空间共生 核的视觉词包模型 ( 参考文献 ： Yi Yang and Shawn Newsam，“Bag-Of-Visual-Words and Spatial Extensions for Land-Us。
21、e Classification” ， ACM International Conference on Advances in Geographic Information Systems， 2010， pp.270-279. 杨毅， 肖恩纽 说 明 书 CN 103413142 A 5 2/8 页 6 萨姆，“基于视觉词包和空间扩展的土地利用分类” ， ACM 地理信息系统进展国际会议， 2010， 270-279.) 等。虽然这些方法在图像的场景分类中取得了不错的结果， 但是这些方法所考 虑的空间信息只是图像场景的全局的空间分布信息， 对遥感图像丰富的纹理信息考虑不充 分， 造成了利用上述。
22、视觉词包模型方法进行遥感图像土地利用场景分类时信息利用度不足 的问题。 发明内容 0005 针对上述现有技术在进行遥感图像土地利用场景分类时存在的问题， 本发明要解 决的技术问题是如何利用遥感图像中丰富的纹理信息， 结合土地利用场景的空间分布来进 行遥感图像土地利用场景分类。 本发明提供一种基于二维小波分解及视觉词包模型的遥感 图像土地利用场景分类方法， 首先将土地利用遥感场景图像转换为灰度图像， 并进行二维 小波分解， 然后对原灰度图像和分解后的子图像采用密集规则格网采样的方式提取局部特 征， 之后利用 K 均值聚类分别对原灰度图和分解后的子图像采样生成的局部特征进行独立 的聚类并生成各自的。
23、视觉词汇表， 同时基于各自的视觉词汇表得到场景图像的最终的视觉 词包特征表示， 最后采用支持向量机(Support Vector Machine， SVM)分类土地利用遥感场 景图像。 本发明通过利用二维小波分解方法在视觉词包模型构建中加入了土地利用场景图 像的纹理信息， 弥补了现有基于视觉词包的场景分类方法对遥感图像纹理信息利用度不足 的问题， 提高了分类正确率。 0006 本发明的技术方案提供的一种基于二维小波分解及视觉词包模型的遥感图像土 地利用场景分类方法， 其特征在于包括以下实施步骤 ： 0007 (1) 建立遥感图像土地利用场景分类训练集 ； 0008 (2) 将遥感图像土地利用场。
24、景分类训练集中的场景图像转换为灰度图像， 并进行 二维小波分解 ； 0009 (3) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行 规则格网采样并提取尺度不变特征 (Scale Invariant Feature Transform， SIFT) ； 0010 (4) 对遥感图像土地利用场景分类训练集中的所有图像， 将转换后的灰度遥感土 地利用场景图像和二维小波分解后不同图像的 SIFT 特征通过聚类生成各自独立的通用视 觉词汇表 ； 0011 (5) 对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像进行视 觉单词映射， 提取场景图像视觉词包特征 ； 0012。
25、 (6) 将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像 对应的场景类别编号作为训练数据， 运用 SVM 算法生成遥感图像土地利用场景分类模型 ； 0013 (7) 根据遥感图像土地利用场景分类模型对任意一幅遥感土地利用场景图像进行 分类。 0014 上述实施步骤的特征在于 ： 0015 步骤 (1) 所述的遥感图像土地利用场景分类训练集的建立包括以下步骤 ： 0016 (1-1) 根据实际土地利用场景类型定义 C 个土地利用场景类别， 类别编号为 1 C， C 为大于 0 的正整数 ； 0017 (1-2) 对每个土地利用场景图像类别， 随机选择 T 幅图像作为该类别的图。
26、像场景 说 明 书 CN 103413142 A 6 3/8 页 7 分类训练样本， T 为正整数， 取值范围为该类别图像场景分类训练样本数的 1/3 1/2 ； 0018 (1-3) 将所有 C 类的土地利用场景图像的训练样本作为土地利用场景分类训练样 本集。 0019 步骤 (2) 所述的遥感图像土地利用场景分类训练集中的场景图像灰度转换及二 维小波分解包括以下步骤 ： 0020 (2-1) 对于遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像， 对 于遥感的全色图像， 直接取该波段 ； 对于多光谱图像， 选取其中一个波段 ； 对于真彩色航空 遥感图像， 则按照 V 0.2989R。
27、+0.5870G+0.1140B 进行灰度转换， 其中， V 为转换后 的灰度场景图像的灰度值， R 为真彩色图像中红波段的灰度值， G 为真彩色图像中绿波段的 灰度值， B 为真彩色图像中蓝波段的灰度值 ； 0021 (2-2) 对遥感图像土地利用场景分类训练集中的每一幅转换后的灰度场景图像进 行 L 级的二维小波分解， L 为正整数， 建议 L 取 1 或 2。对于每一级二维小波分解均会得到 四幅分解后的子图像 cA， cH， cV， cD， 其中 cA 为分解后的低分辨率图像， cH 为分解后水平方 向的图像， cV 为分解后竖直方向的图像， cD 为分解后对角线方向的图像。第 1 次二。
28、维小波 分解对原始转换后的灰度场景图像进行， 之后第 K 次二维小波分解均是对第 K-1 次分解后 得到的子图像 cA， 即低分辨率图像进行， K 为大于 2 的正整数。 0022 步骤 (3) 所述的对转换后的灰度遥感土地利用场景图像和二维小波分解后的子 图像分别进行规则格网采样并提取 SIFT 特征包括以下步骤 ： 0023 (3-1) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别 进行规则格网采样得到均匀的图像块， 每个图像块的大小为 NN， 图像块之间的间隔为 MM( 当 M 小于 N 时， 采样的网格会产生重叠 )， N 为正整数， 且为 2 的整数次幂， 建议取值。
29、 为 8 或 16， M 为正整数， 建议取值为 N/2 ； 0024 (3-2) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别采 样所得到的图像块， 利用SIFT特征提取方法提取SIFT特征， 计算图像块整个区域上的梯度 方向直方图得到 SIFT 特征， 特征维数为 128 维。 0025 步骤 (4) 所述的对遥感图像土地利用场景分类训练集中的所有图像， 将转换后的 灰度遥感土地利用场景图像和二维小波分解后不同图像的 SIFT 特征通过聚类生成各自独 立的通用视觉词汇表包括以下步骤 ： 0026 (4.1) 对遥感图像土地利用场景分类训练集中的所有转换后的灰度图像经采样和。
30、 特征提取得到的SIFT特征进行K均值聚类， 将聚类得到的每一个聚类中心作为一个视觉单 词， 将这 K 个聚类中心的取值及其对应的视觉单词编号作为转换后的灰度场景图像的通用 视觉词汇表V0。 对遥感图像土地利用场景分类训练集中的所有二维小波分解得到的不同子 图像经采样和特征提取得到的SIFT特征按照同样的方法分别进行K均值聚类， 得到各自的 通用视觉词汇表 Vi， i 为正整数， 表示二维小波分解后得到的子图像的编号， 其最小值为 1， 最大值为二维小波分解后得到的子图像的总数。K 为正整数， 一般取值为 50 300， 建议 K 取值为 250。 0027 步骤 (5) 所述的对遥感图像土地。
31、利用场景分类训练集中每一幅遥感土地利用场 景图像进行视觉单词映射， 提取场景图像视觉词包特征包括以下步骤 ： 0028 (5-1) 对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像， 采 说 明 书 CN 103413142 A 7 4/8 页 8 用视觉单词映射方法将灰度变换后的灰度图像和二维小波分解后的各子图像中包含图像 块的 SIFT 特征映射到各自对应的视觉单词 ： 计算灰度变换后的灰度图像中每个图像块的 SIFT 特征与其对应的通用视觉词汇表中的每个视觉单词所对应特征值之间的欧式距离， 找 出欧式距离最小的视觉单词的编号， 并将其作为相应的图像块的 SIFT 特征映射结果。
32、 ； 同样 的方法， 对于二维小波分解后的各子图像， 分别计算各子图像中每个图像块的 SIFT 特征与 其各自对应的通用视觉词汇表中的每个视觉单词所对应特征值之间的欧式距离， 找出欧式 距离最小的视觉单词的编号， 并将其作为相应的图像块的 SIFT 特征映射结果 ； 0029 (5-2) 根据所得到的来自原始灰度遥感土地利用场景图像和二维小波分解后 的子图像中包含的图像块及其所对应的视觉单词， 统计各视觉词汇表中每个视觉单词在 与之相对应的灰度场景图像或二维小波分解后的子图像区域中出现的次数， 并以向量 fl， .fj， .， fk 表示灰度场景图像的视觉词包特征描述， 向量 fli， .， 。
33、fji， .， fki 表 示二维小波分解后的每个子图像的视觉词包特征描述， fj表示灰度场景图像所对应的视觉 词汇表中第 j 个视觉单词在图像区域中出现的次数， fji表示二维小波分解后的第 i 幅子 图像所以应的视觉词汇表中第 j 个视觉单词在图像区域中出现的次数， 其中 j 为正整数， l j K， K 为步骤 (4-1) 中生成的通用视觉词汇表的大小， i 为正整数， 表示二维小波分 解后得到的子图像的编号， 最小值为 1， 最大值为二维小波分解后得到的子图像的总数 ； 0030 (5-3) 将计算所得到的灰度场景图像和二维小波分解后的各子图像所对应的视觉 词包特征描述向量进行拼接， 。
34、得到最终原始遥感土地利用场景图像的视觉词包特征描述。 0031 步骤 (6) 所述的将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特 征和场景图像对应的场景类别编号作为训练数据， 运用 SVM 算法生成遥感图像土地利用场 景分类模型包括以下步骤 ： 0032 (6-1) 将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图 像对应的场景类别编号作为训练数据， 采用一对一 SVM， 在每两类不同的土地利用场景的训 练样本之间都学习生成一个 SVM 分类模型， 最终将所有的 SVM 分类模型共同作为遥感图像 土地利用场景分类模型。对于步骤 (1) 中构建的包含 C 个类别的土地利。
35、用场景分类训练样 本集， 需要构造 C(C-1)/2 个 SVM 分类模型。 0033 步骤 (7) 所述的根据遥感图像土地利用场景分类模型对任意一幅遥感土地利用 场景图像进行分类包括以下步骤 ： 0034 (7-1) 给定任意一幅遥感土地利用场景图像， 采用步骤 (5) 所述的方法提取该场 景图像的视觉词包特征 ； 0035 (7-2) 采取投票机制， 综合考虑步骤 (6-1) 中所有 C(C-1)/2 个 SVM 分类模型对场 景图像的视觉词包特征所属类别进行判定 ： 有一个 SVM 分类模型判定场景图像的视觉词包 特征属于第s类， 则意味着第s类获得了一票， 最后得票数最多的类别就是该遥。
36、感土地利用 场景图像所属的类别， 其中， s 为正整数， 且 l s C。 0036 本发明具有以下有益效果及优点 0037 1、 解决了已有的基于视觉词包模型的场景分类方法在遥感图像土地利用场景分 类中对遥感图像纹理信息考虑不足的问题， 通过利用二维小波分解方法在视觉词包模型构 建中加入了遥感土地利用场景图像的纹理信息， 进而提高了遥感图像中纹理信息的利用程 度和分类正确率。 说 明 书 CN 103413142 A 8 5/8 页 9 0038 2、 和 Lazebnik 等人提出的基于空间金字塔匹配的视觉词包模型， Li Zhou 等人提 出的基于多分辨率表达的视觉词包模型， 以及 Yi。
37、 Yang 等人提出的基于空间共生核的视觉 词包模型相比， 本发明通过在步骤 (2) 中二维小波分解方法的引入， 不仅利用了遥感土地 利用场景图像中的纹理信息， 而且也利用到了二维小波分解分解在多分辨率表达方面的特 点， 从而在视觉词包特征描述中同时考虑到了遥感土地利用场景图像的空间分布和纹理信 息， 因此， 相比于其他三种方法能得到更高的准确率。 附图说明 0039 图 1 为本发明基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类 方法流程图 ； 0040 图 2 为本发明实施例中所采用的国际公开的标准遥感土地利用场景图像库中的 样例图像 ； 0041 图 3 为遥感土地利用场景图像。
38、灰度转换并进行二维小波分解的流程图 ； 0042 图 4 为对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别 进行规则格网采样并提取 SIFT 特征的流程图 ； 0043 图 5 为对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像生成 各自独立的通用视觉词汇表的流程图 ； 0044 图 6 为提取遥感土地利用场景图像视觉词包特征的流程图 ； 0045 图7为在图2所示的国际公开的标准遥感土地利用场景图像库中采用本发明进行 遥感图像土地利用场景分类的准确率示意图 ； 0046 图 8 为采用本发明方法进行遥感图像土地利用场景分类与其他方法的性能比较。 具体实施方式 004。
39、7 下面结合说明书附图通过实施例对本发明作进一步阐述。 0048 图 1 为本发明基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类 方法流程图， 具体步骤包括 ： 0049 (1) 建立遥感图像土地利用场景分类训练集 ； 0050 (2) 将遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像， 并进行 二维小波分解 ； 0051 (3) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行 规则格网采样并提取尺度不变特征 (Scale Invariant Feature Transform， SIFT) ； 0052 (4) 对遥感图像土地利用场景分类训练集中的所有。
40、图像， 将转换后的灰度遥感土 地利用场景图像和二维小波分解后不同图像的 SIFT 特征通过聚类生成各自独立的通用视 觉词汇表 ； 0053 (5) 对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像进行视 觉单词映射， 提取场景图像视觉词包特征 ； 0054 (6) 将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像 对应的场景类别编号作为训练数据， 运用 SVM 算法生成遥感图像土地利用场景分类模型 ； 0055 (7) 根据遥感图像土地利用场景分类模型对任意一幅遥感土地利用场景图像进行 说 明 书 CN 103413142 A 9 6/8 页 10 分类。 005。
41、6 步骤 (1) 建立遥感图像土地利用场景分类训练集包括以下步骤 ： 0057 (1-1)根据实际土地利用场景类型定义C(本实施例取C21)个土地利用场景类 别， 类别编号为 1 C， C 为大于 0 的正整数 ； 0058 (1-2) 对每个土地利用场景图像类别， 随机选择 T( 本实施例取 T 50) 幅图像作 为该类别的图像场景分类训练样本， T 为正整数 ； 0059 (1-3) 将所有 C 类的土地利用场景图像的训练样本作为土地利用场景分类训练样 本集， 本实施例中， 一共 1050 幅场景图像作为遥感图像土地利用场景分类训练样本集， 而 每类场景中剩余的场景图像则全部作为待分类的场。
42、景图像。 0060 图 2 为本发明实施例中所采用的国际公开的标准遥感土地利用场景图像库中的 样例图像， 该场景库中定义了 21 类土地利用场景类别， 分别是农田， 飞机场， 棒球场， 海滩， 建筑物， 丛林， 高密度居民区， 森林， 高速公路， 高尔夫球场， 海港， 十字路口， 中密度居民区， 房车停放场， 立交桥， 停车场， 河流， 飞机跑道， 低密度居民区， 储罐和网球场。 每一个场景类 别都包含 100 幅场景图像。 0061 步骤 (2) 将遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像， 并 进行二维小波分解的流程如图 3 所示， 包括以下步骤 ： 0062 (2-1) 。
43、对 于 本 实 施 例 中 采 用 的 真 彩 色 航 空 遥 感 图 像，按 照 V 0.2989R+0.5870G+0.1140B 进行灰度转换， 其中， V 为转换后的灰度场景图像的灰度 值， R 为真彩色图像中红波段的灰度值， G 为真彩色图像中绿波段的灰度值， B 为真彩色图像 中蓝波段的灰度值 ； 0063 (2-2) 对每一幅转换后的灰度场景图像进行 L( 本实施例取 L 1) 级的二维小波 分解， L为正整数。 经过对原始转换后的灰度场景图像进行二维小波分解会得到四幅分解后 的子图像 cA， cH， cV， cD， 其中 cA 为分解后的低分辨率图像， cH 为分解后水平方向的。
44、图像， cV 为分解后竖直方向的图像， cD 为分解后对角线方向的图像。 0064 步骤 (3) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分 别进行规则格网采样并提取 SIFT 特征的流程如图 4 所示， 包括以下步骤 ： 0065 (3-1) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进 行规则格网采样得到均匀的图像块， 每个图像块的大小为 NN( 本实施例取 N 16)， 图像 块之间的间隔为 MM( 本是实施例取 N 8)， N 为正整数， 且为 2 的整数次幂， M 为正整数， ； 0066 (3-2) 对转换后的灰度遥感土地利用场景图像和二维小波。
45、分解后的子图像分别采 样所得到的图像块， 利用SIFT特征提取方法提取SIFT特征， 计算图像块整个区域上的梯度 方向直方图得到 SIFT 特征， 特征维数为 128 维。 0067 步骤 (4) 对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像生 成各自独立的通用视觉词汇表的流程如图 5 所示， 包括以下步骤 ： 0068 (4-1) 对遥感图像土地利用场景分类训练集中的所有转换后的灰度图像经采样和 特征提取得到的SIFT特征进行K均值聚类， 将聚类得到的每一个聚类中心作为一个视觉单 词， 将这 K( 本实施例取 K 250) 个聚类中心的取值及其对应的视觉单词编号作为转换后 的灰。
46、度场景图像的通用视觉词汇表 V0， K 为正整数。对遥感图像土地利用场景分类训练集 中的所有二维小波分解得到的不同子图像经采样和特征提取得到的 SIFT 特征按照同样的 说 明 书 CN 103413142 A 10 7/8 页 11 方法分别进行 K 均值聚类， 得到各自的通用视觉词汇表 Vi， i 为正整数 ( 本实施例中取 i 1， 2， 3， 4)， 表示二维小波分解后得到的子图像的编号。 0069 步骤 (5) 提取遥感土地利用场景图像视觉词包特征的流程如图 6 所示， 包括以下 步骤 ： 0070 (5.1) 对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像， 采 用视。
47、觉单词映射方法将灰度变换后的灰度图像和二维小波分解后的各子图像中包含图像 块的 SIFT 特征映射到各自对应的视觉单词 ： 计算灰度变换后的灰度图像中每个图像块的 SIFT 特征与其对应的通用视觉词汇表中的每个视觉单词所对应特征值之间的欧式距离， 找 出欧式距离最小的视觉单词的编号， 并将其作为相应的图像块的 SIFT 特征映射结果 ； 同样 的方法， 对于二维小波分解后的各子图像， 分别计算各子图像中每个图像块的 SIFT 特征与 其各自对应的通用视觉词汇表中的每个视觉单词所对应特征值之间的欧式距离， 找出欧式 距离最小的视觉单词的编号， 并将其作为相应的图像块的 SIFT 特征映射结果 ；。
48、 0071 (5-2) 根据所得到的来自原始灰度遥感土地利用场景图像和二维小波分解后 的子图像中包含的图像块及其所对应的视觉单词， 统计各视觉词汇表中每个视觉单词在 与之相对应的灰度场景图像或二维小波分解后的子图像区域中出现的次数， 并以向量 fl， .fj.， fk 表示灰度场景图像的视觉词包特征描述， 向量 fli， .， fji， .， fki 表 示二维小波分解后的每个子图像的视觉词包特征描述， fj表示灰度场景图像所对应的视觉 词汇表中第 j 个视觉单词在图像区域中出现的次数， fjl表示二维小波分解后的第 i 幅子 图像所以应的视觉词汇表中第 j 个视觉单词在图像区域中出现的次数，。
49、 其中 j 为正整数， 1 j K( 本实施例中取 K 250)， K 为步骤 (4-1) 中生成的通用视觉词汇表的大小， i 为 正整数 ( 本实施例中取 i 1， 2， 3， 4)， 表示二维小波分解后得到的子图像的编号 ； 0072 (5-3) 将计算所得到的灰度场景图像和二维小波分解后的各子图像所对应的视觉 词包特征描述向量进行拼接， 得到最终原始遥感土地利用场景图像的视觉词包特征描述。 0073 步骤 (6) 将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场 景图像对应的场景类别编号作为训练数据， 运用 SVM 算法生成遥感图像土地利用场景分类 模型， 包括以下步骤 ： 0074 (6-1) 将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图 像对应的场景类。