一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法
【專利摘要】本發(fā)明涉及一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法。首先得到正樣本中圖塊的顯著性，正樣本集中圖塊的相似性，正負(fù)樣本類間差異性，然后利用貝葉斯框架對這三類信息進(jìn)行融合，得到初始的正負(fù)訓(xùn)練集，然后利用這些訓(xùn)練集迭代訓(xùn)練得到最終的穩(wěn)定的機(jī)場檢測器，用該機(jī)場檢測器檢測測試圖片的機(jī)場，最終取得更具準(zhǔn)確性，魯棒性的機(jī)場檢測結(jié)果。
【專利說明】一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機(jī)視覺算法研究領(lǐng)域，涉及一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像 機(jī)場檢測方法，可以在遙感圖像數(shù)據(jù)庫中準(zhǔn)確、魯棒地檢測出圖像的機(jī)場。

【背景技術(shù)】
[0002] 遙感技術(shù)的飛速發(fā)展促使許多衛(wèi)星和航空傳感器可以提供具有高空間分辨率的 光學(xué)圖像，這些圖像有廣泛的應(yīng)用，如災(zāi)害治理，土地規(guī)劃，監(jiān)控和交通規(guī)劃。在這些應(yīng)用 中，自然或人造物體的自動檢測是一個基礎(chǔ)任務(wù)，而且已經(jīng)吸引了越來越多的研究興趣。光 學(xué)遙感圖像的機(jī)場中包含的豐富的空間信息和詳細(xì)的結(jié)構(gòu)信息，為我們解決這一挑戰(zhàn)性的 任務(wù)提供了新的機(jī)遇。
[0003] 早期對于遙感圖像的機(jī)場檢測都是無監(jiān)督的方式，首先開始于通過對像素的聚類 得到感興趣區(qū)域，然后基于形狀和頻譜信息檢測機(jī)場。此后，許多監(jiān)督學(xué)習(xí)的方法得以提 出，它們利用訓(xùn)練樣本中的先驗信息有效地學(xué)習(xí)出機(jī)場檢測模型，通過依賴于大量的人工 標(biāo)注訓(xùn)練樣本，然后將問題轉(zhuǎn)化為分類問題去解決，監(jiān)督學(xué)習(xí)的方法可以比無監(jiān)督的方法 得到更好的效果，因此，基本上所有的機(jī)場檢測系統(tǒng)都是基于監(jiān)督學(xué)習(xí)工具。
[0004] 遙感技術(shù)的最新進(jìn)展已經(jīng)導(dǎo)致了衛(wèi)星和航空影像的數(shù)量和質(zhì)量的爆炸式增長。它 同時也帶來了光學(xué)遙感圖像機(jī)場檢測任務(wù)中兩個日益嚴(yán)重的問題。首先，基于監(jiān)督學(xué)習(xí)的 機(jī)場檢測方法通常需要大量的訓(xùn)練數(shù)據(jù)，這些訓(xùn)練數(shù)據(jù)需要人工將圖片中的的每一個機(jī)場 標(biāo)注在一個矩形框中，然而，大規(guī)模圖像集的手動標(biāo)注通常代價昂貴，有時甚至是不可靠 的。例如，對于滑坡等自然物體，合適的手動標(biāo)注通常需要大量的專業(yè)知識。此外，對于飛 機(jī)和汽車等人造物體，人工標(biāo)注也是困難的，因為這些機(jī)場對象的覆蓋范圍看起來很小，特 別是當(dāng)圖像的背景中包含復(fù)雜的紋理時。因而在這些小區(qū)域?qū)崿F(xiàn)精確標(biāo)注是非常困難的。 此外，如果機(jī)場被遮擋或偽裝，手動人工標(biāo)注的準(zhǔn)確性和可靠性也會降低。因此，對于大型 光學(xué)衛(wèi)星和空間圖像數(shù)據(jù)集，利用弱監(jiān)督方法訓(xùn)練機(jī)場檢測器成為一個引人注目的方向。


【發(fā)明內(nèi)容】

[0005] 要解決的技術(shù)問題
[0006] 為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像 機(jī)場檢測方法，解決人工標(biāo)注費時費力的問題。
[0007] 技術(shù)方案
[0008] -種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法，其特征在于：利用方形滑動 窗口在拍攝的遙感圖像中提取圖塊，然后利用訓(xùn)練得到的機(jī)場檢測器對圖塊進(jìn)行分類，并 利用非極大值抑制的方法保留得分最高的窗口以解決不同尺度下所取窗口可能高度重疊 的問題，從而得到最終的機(jī)場檢測結(jié)果；所述機(jī)場檢測器的訓(xùn)練步驟如下：
[0009] 步驟1、對遙感圖像數(shù)據(jù)庫中隨機(jī)抽取的多幅遙感圖像進(jìn)行正負(fù)樣本分類，將含有 機(jī)場信息的遙感圖像作為正樣本圖像，未含有機(jī)場信息的遙感圖像作為負(fù)樣本圖像；
[0010] 步驟2、利用多尺度方形滑動窗口在每一幅遙感圖像中提取圖塊，將正樣本圖像得 到的圖塊作為正樣本集中的圖塊<，負(fù)樣本圖像得到的圖塊作為負(fù)樣本集中的圖塊所 述滑動步長為所選取窗口大小的1/3 ;
[0011] 步驟3、計算正樣本集中圖塊< 的顯著性：以正樣本圖集中的每一個圖塊周圍圖 塊作為字典對該圖塊進(jìn)行稀疏編碼Dicp Cip，根據(jù)編碼的稀疏度I I a」Itl和編碼產(chǎn)生 的殘差rp= X P-Dicpap，得到圖塊相對于周圍背景的顯著值?/Ρφν,^ΙΙα,Ι· |||^:其 中：Xp為圖塊 < 的原始RGB特征，DicjP α及別是圖塊 周圍圖塊構(gòu)成的字典和編碼產(chǎn) 生的稀疏系數(shù)，PK.<)表示< 出現(xiàn)的概率；
[0012] 步驟4、計算正負(fù)樣本集的類間差異性：以Pr(x^< =〇)反映圖塊< 出現(xiàn)在負(fù)樣 本集中的概率作為該圖塊與負(fù)樣本之間的差異性， J=L

【權(quán)利要求】
1. 一種基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法，其特征在于：利用方形滑動窗 口在拍攝的遙感圖像中提取圖塊，然后利用訓(xùn)練得到的機(jī)場檢測器對圖塊進(jìn)行分類，并利 用非極大值抑制的方法保留得分最高的窗口以解決不同尺度下所取窗口可能高度重疊的 問題，從而得到最終的機(jī)場檢測結(jié)果；所述機(jī)場檢測器的訓(xùn)練步驟如下： 步驟1、對遙感圖像數(shù)據(jù)庫中隨機(jī)抽取的多幅遙感圖像進(jìn)行正負(fù)樣本分類，將含有機(jī)場 信息的遙感圖像作為正樣本圖像，未含有機(jī)場信息的遙感圖像作為負(fù)樣本圖像； 步驟2、利用多尺度方形滑動窗口在每一幅遙感圖像中提取圖塊，將正樣本圖像得到的 圖塊作為正樣本集中的圖塊負(fù)樣本圖像得到的圖塊作為負(fù)樣本集中的圖塊％;所述滑 動步長為所選取窗口大小的1/3 ; 步驟3、計算正樣本集中圖塊 <的顯著性：以正樣本圖集中的每一個圖塊周圍圖塊作 為字典對該圖塊進(jìn)行稀疏編碼DicpCip，根據(jù)編碼的稀疏度IIa」IjP編碼產(chǎn)生的殘 差?=Xp-Dicpap，得到圖塊<相對于周圍背景的顯著值l/Pr(')=||〇g|()_I|rp| |1;其中： Xp為圖塊 < 的原始RGB特征，Dic1^Pαp分別是圖塊 < 周圍圖塊構(gòu)成的字典和編碼產(chǎn)生 的稀疏系數(shù)，Plt<)表示 < 出現(xiàn)的概率； 步驟4、計算正負(fù)樣本集的類間差異性：以I< =0)反映圖塊< 出現(xiàn)在負(fù)樣本 集中的概率作為該圖塊與負(fù)樣本之間的差異性，Pr(<Lv；； =〇)=QPr([d丨< =0)，且 ./=1 PK[f;],.I八=〇)=Σ?謂[*7]/14,σ?)，其中f〃-V-為負(fù)樣本集X沖第·1.維 凡jk，Pjk，υjk 特征所對應(yīng)的第k個高斯分量的權(quán)重，均值和方差，&;表示該高斯混合模型中高斯分量的 數(shù)目； 步驟5、獲取近似初始正訓(xùn)練集：根據(jù) 1Γη Pr(>_; = 11χρXJ-Pr(x;I>_; = 〇}Pr(V; = 〇}」判斷圖塊為機(jī)場的概率，當(dāng)圖塊 <是機(jī)場的概率Pr(< =l|xp大于閾值時，將該圖塊?乍為初始訓(xùn)練集中的正圖塊，所 述閾值范圍為〇. 5?1 ;將選出的圖塊作為近似正訓(xùn)練集； 步驟6、計算正樣本圖像中圖塊< 與近似正訓(xùn)練集的相似性：首先利用高斯混合模型 H 擬合近似正訓(xùn)練集中的樣本分布；以ρ?·(·<I< = 1 < =u作為圖塊.< 與 J.=l 近似正訓(xùn)練集之間的相似性；其中：[*；],表示圖塊< 的第j維特征，H表示圖塊xp+的特征 6的總維數(shù)，叫[*；]/.|>，；：=丨)=|^；^([^.|/^,< +)，其中;^,/4,4+為正樣本集 中第k個圖塊對應(yīng)的高斯混合模型中第j維特征的權(quán)重，均值和方差； 步驟7、產(chǎn)生初始訓(xùn)練集：利用貝葉斯框架對步驟2-6得到的顯著 性、類內(nèi)相似性、類間差異性進(jìn)行融合，最終得到圖塊是機(jī)場的概率
，其中 P片K和Pr(< =1)分別為圖塊\屬于近似正訓(xùn)練集和負(fù)訓(xùn)練集的概率，用最近鄰法計 算； 當(dāng)圖塊X；；是機(jī)場的概率大于閾值時，該圖塊作為初始訓(xùn)練集中的正 圖塊；所述閾值范圍為〇. 5?1 ; 初始訓(xùn)練集中的負(fù)訓(xùn)練集由負(fù)樣本圖像隨機(jī)采樣產(chǎn)生； 步驟8、訓(xùn)練機(jī)場檢測器：利用初始訓(xùn)練集對支持向量機(jī)進(jìn)行迭代訓(xùn)練得到穩(wěn)定的機(jī) 場檢測器，在每次迭代中，前一次迭代所更新得到的最新訓(xùn)練集用于訓(xùn)練當(dāng)前的機(jī)場檢測 器，再利用訓(xùn)練后得到的當(dāng)前的機(jī)場檢測器對訓(xùn)練集進(jìn)行更新并用作下一次迭代的訓(xùn)練 集，直到該模型開始漂移時迭代結(jié)束，并將漂移前一次的機(jī)場檢測器作為最終的機(jī)場檢測 器。
2. 根據(jù)權(quán)利要求1所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法，其特征在于： 所述多尺度方形滑動窗口大小為sizee{60, 100, 130}。
3. 根據(jù)權(quán)利要求1所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方 法，其特征在于：所述最近鄰法計算：圖塊\與正負(fù)樣本集中特征距離最接 近的圖塊之間的特征距離作為圖塊\屬于正負(fù)樣本集的概率，公式分別為 Pr(少=0)=cxpHI':-NnWJIi丨，= 1)=哪 L1范數(shù)，Νρ(χ;)和Np(xp分別表示圖塊&在正負(fù)樣本集中最近鄰圖塊的特征。
4. 根據(jù)權(quán)利要求1所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法，其特征在于： 所述遙感圖像數(shù)據(jù)庫采用Landsat庫。
5. 根據(jù)權(quán)利要求1所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法，其特征在于： 所述步驟 3 中的稀疏編碼采用論文PJ.Han,P.Zhou,D.Zhang,G.Cheng,L.Guo,Z.Liu,S. Bu，andJ.Wuj ^Efficient,simultaneousdetectionofmulti-classgeospatial targetsbasedonvisualsaliencymodelinganddiscriminativelearningofsparse coding，，'ISPRSJ.Photogramm.RemoteSens.，vol. 89,pp. 37-48, 2014 中的方法。
6. 根據(jù)權(quán)利要求I所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法，其特征在 于：所述步驟4和6中的高斯混合模型采用論文C.M.Bishop，Patternrecognitionand machinelearning,springer，Aug. 2006 中的方法。
7. 根據(jù)權(quán)利要求I所述基于弱監(jiān)督學(xué)習(xí)框架的遙感圖像機(jī)場檢測方法，其特征 在于：所述非極大值抑制采用論文G.Cheng，J.Han，LGuo,X.Qian，P.Zhou，X.Yao,and X.Huj"ObjectdetectioninremotesensingimageryusingadiscriminativeIy trainedmixturemodel，''ISPRSJ.Photogramm.RemoteSens.，vol. 85,pp. 32-43, 2013 中 的方法。
【文檔編號】G06K9/66GK104463249SQ201410751420
【公開日】2015年3月25日 申請日期:2014年12月9日 優(yōu)先權(quán)日:2014年12月9日
【發(fā)明者】韓軍偉, 張鼎文, 李超, 郭雷 申請人:西北工業(yè)大學(xué)