基于Hash编码的遥感图像分类方法技术领域
本发明属于图像信息处理技术领域，具体涉及基于Hash编码的遥感图像分类方法。
背景技术
卫星遥感系统的空间分辨率和光谱分辨率的提高使得我们能够从遥感图像中辨识
出更细小的物体，例如居民房屋、商业建筑、公交系统和公共事业设备等。从遥感图像
中挖掘出的大量信息可以被应用到诸如灾害监测和评估、城市和区域规划、环境监测等
领域。
近年来，基于核的方法，特别是支持向量机，在多光谱和超光谱的图像分类中取得
了很多进展。但是，和所有监督学习一样，支持向量机的分类准确率依赖于训练样本的
好坏。事实上，专家对训练样本的标注过程通常是根据场景的视觉特征来完成的，因此，
如果样本在未加筛选之前就直接交给专家进行标注，带来的后果是专家会花费大量的宝
贵时间对具有类似信息量的样本进行充分标注，这样会使得训练集的信息非常冗余，这
种冗余信息大大降低了训练速度，甚至会产生过拟合的现象，特别是对于上百万甚至是
上千万像素的高分辨图像。所以，对于卫星遥感图像而言，我们需要一个自动的定义有
效训练集的过程。这个训练集的样本数量要尽可能的少而且能有效地提高分类模型的准
确率。
所以，我们提出了hash自动编码的方法来进行遥感图像的分类。
发明内容
Hash学习通过机器学习机制将数据映射成二进制串的形式，能显著减少数据的存
储和通信开销，从而有效提高学习系统的效率。另一方面，因为通过Hash学习得到的
Hash码位数(维度)一般会比原空间的维度要低，因此也能降低数据维度，从而减轻
维度灾难问题。
本文提出了用Hash自动编码的思想来处理高光谱遥感图像，将遥感图像每个通道
提取出来，分成N*N小块，(将每个小块先进行DCT变换，然后进行均值处理，将大
于平均值的编为1，小于平均值的编为0，生成Hash序列用来表征块的特征，然后将生
成的编码进行SVM分类。
本发明基于Hash编码的遥感图像分类方法，包括以下步骤：
本发明应用的遥感图像为Indian_pines，有九个通道，提取其中一个通道进行hash
编码
步骤1、将遥感图像分成n*n的小块，对遥感图像的每个像素，构造包含该像素以
及以该像素为中心的领域的n*n的图像块，得到一组重叠的图像块集合{I1，I2，…，
In*n}；
步骤2、将得到的图像块进行DCT处理，可得到的新的图像块{D1，D2，…，Dn*n}；
步骤3，将每个图像块中的像素点{D1，D2，…，Dn*n}；进行均值计算得到
步骤4，将每个图像块进行Hash编码Hn＝{h1,h2....hn*n}
h i = 1 , D i ≥ D ‾ 0 , D i < D ‾ , i = 1 , 2 , ... , n * n ]]>
步骤5，从所述图像块集合中选择少量图像块对应的Hash码进行人工标注，以这一
部分图像块做为初始块训练样本集，以这一部分图像块的Hash码作为初始点训练
样本集；
步骤6，用SVM完成遥感图像的分类。
有益效果
相比现有技术，本发明方法具有以下有益效果：
⑴在同样的实验条件下，经过相同次数的迭代，本发明方法的分类准确率比随机采
样和基于块的遥感图像分类方法的准确率高；
⑵不会增加过多的计算负担，能够快速提供分类结果，兼顾了分类系统对计算复杂
度的要求。
附图说明
图1为本发明遥感图像分类方法的流程示意图.
具体实施方式
下面结合附图对本发明的技术方案进行详细说明：
本发明的思路是将遥感图像每个通道分成N*N小块，(以N＝3为例)将每个小块
进行Hash处理，生成Hash序列用来表征块的特征，然后将生成的编码进行分类，提
高了分类准确率，并使得最终得到的分类结果图具有更好的视觉效果。
本发明方法的基本流程如图1所示，具体包括以下步骤：
步骤1、将遥感图像分成3*3的小块。
对于遥感图像的每个像素，以该像素为中心，取邻域构造3*3的图像块，得到一组
重叠的图像块集合{I1，I2，…，I9}
遥感图像中各个像素的明暗程度用灰度值来表示(0～255)，白色的灰度值定为
255，黑色的定为0，黑白之间的明暗程度用256个等级来表示
步骤2、将得到的图像块进行DCT处理，可得到的新的矩阵块{D1，D2，…，D9}
离散余弦变换(DCT)是种图像压缩算法，它将图像从像素域变换到频率域。然后
一般图像都存在很多冗余和相关性的，所以转换到频率域之后，只有很少的一部分频率
分量的系数才不为0，大部分系数都为0(或者说接近于0)
步骤3，将每个图像块中的DCT值{D11，D12，…，D19}进行平均值计算，得到
(以N＝3为例)
D ‾ = ( D 11 + D 12 + ... + D 19 ) / 9 ]]>
步骤4，将每个图像块进行Hash编码Hn＝{h1,h2,...,h9}生成Hash序列来表征块的
特征
h i = 1 , D n i ≥ D ‾ 0 , D n i < D ‾ , i = 1 , 2 , ... , 9 ]]>
步骤5，从所述图像块集合中选择少量图像块对应的Hash码进行人工标注，以这一
部分图像块做为初始块训练样本集，以这一部分图像块的Hash码作为初始点训练
样本集；
步骤7，用SVM完成遥感图像的分类
表1为本发明方法与基于块的遥感图像分类和随机采样方法准确率对比
由表1可以看出，本发明方法在分类准确率上优于基于块的遥感图像分类方法和随
机采样方法、
首先简单说明SVM分类器的基本原理及训练过程。给定一个标注集其
中xi∈Rd，yi∈{-1,1}。xi为反馈样本的底层视觉特征矢量，yi为类别标注，正反馈样
本的类别标注为1，负反馈样本的类别标注为-1，Rd为实数域上R上的d维向量空间。
为了更好的解决非线性问题，在本发明中采用带有核函数的支持向量机，利用一个非线
性映射将样本映射到高维空间中，如下所示：
Φ:Rd→Fx→Φ(x)
其中，F是映射到的高维空间，Φ是对应的映射函数。决策函数表示为以下形式：
g(x)＝w·Φ(x)+b(1)
相应地，支持向量机分类面可以写成：
w·Φ(x)+b＝0(2)
其中，w为权值向量，b为偏移常量。
落在w·Φ(x)+b＝±1这两个超平面上的点称为支持向量，支持向量到分类面的距离
称为分类间隔，大小为分类间隔的大小表示了分类器的泛化能力，因此我们要使
分类器的间隔最大化：
min 1 2 | | w | | 2 ]]>
subjectto：
yi(w·Φ(xi)+b)≥1,i＝1,…,N(3)
根据(3)式的求解即可得到支持向量机分类面。通过拉格朗日乘子法对(3)式中的二
次规划问题进行求解，可以得到：
w = Σ i α i y i Φ ( x i ) - - - ( 4 ) ]]>
其中，xi为支持向量，yi和αi分别为该支持向量对应的类别标注和拉格朗日系数。样
本x通过二类SVM分类器得到的输出为：
f ( x ) = Σ i α i y i Φ ( x i ) · Φ ( x ) + b - - - ( 5 ) ]]>
利用核函数避开非线性映射的显示表达，图像样本通过二类SVM分类器得到的输出可
以改写为：
f ( x ) = Σ i α i y i K ( x i · x ) + b - - - ( 6 ) ]]>
其中，K(·)为核函数，且K(xi,x)＝Φ(xi)T·Φ(x)，上标T表示转置矩阵。根据(6)式，
对于任意一个为标准的样本，如果f(x)的值大于0，则该样本的类标为1，f(x)的值小
于0则类标为-1。
对于多类分类，通过一对多的方式对多个二分类器进行联合，每个二类分类器产生
一个分类超平面，图像有多少类便可生成多少个分类超平面，然后计算每个未标注样本
到所有分类超平面的距离，样本属于距离最大的那一类。