1.一种遥感图像目标识别方法,其特征在于,包括下述步骤:
选取遥感图像构建训练集;
从训练集中分别提取目标图像的SIFT特征;
利用谱聚类算法生成视觉词典;再用局部加权向量量化的方法对每个图像的特征进行字典的重构编码;最后选取合适的分类器完成图像的分类任务;
所述谱聚类算法的步骤为:
(1)将每个特征向量视为图中的顶点,选取特征相似度准则,计算各个特征间的相似度值,作为顶点间的权重值,从而生成一个N×N的对称权值矩阵E,计算权值矩阵采用KNN方法,即仅计算每个点与其最近的k个点的权值;
(2)选取相应的图划分准则计算Laplacian矩阵L;根据二分大准则,将矩阵E每列元素相加,即得到该顶点的度;以所有度值为对角元素构成的对角矩阵即为度矩阵D;则Laplacian矩阵L=D-E;
(3)计算矩阵L的前K个特征值与特征向量,构建特征向量空间:将K个特征向量构造成N×K的矩阵M;
(4)把M的每一行作为新样本,对N个新样本进行K-means聚类处理;
局部加权向量量化编码方法中,顶端的实心五边形表示字典中的一个视觉词汇,在两条曲线中间的几何图形代表特定图像提取的所有SIFT特征;不同粗细的直线代表相应特征与该词汇间的权值,这些特征到视觉词汇的距离也被用于计算相应的表示向量;通过计算每个视觉词汇到近邻特征的加权相似度,就可以直接得到给定图像的最终向量表示;
所述选取合适的分类器是指基于加权近邻的KD-Tree分类器;在KD-Tree查询算法的基础上,基于加权近邻提出一种改进的KD-Tree分类查找算法,即在KD-Tree回溯查找时,记录每个回溯点,分别计算每个点相对于待查询点的权重,最后通过投票的方式,决策出待定点的类别;
所述改进的KD-Tree分类查找算法具体为:
假设训练数据集为 测试数据集为 类标为
C={c1,c2,c3,…,cc},训练数据的类别已标定;在近邻算法中,为了预测测试数据的类别需要计算该数据点到所有训练数据的距离 则每类的类别值为:其中kj为属于第cj类的训练数据数量;取val中的最大值记为待测数据的类标;在KD-Tree的加权近邻算法中,定义kj为回溯数据点,那么 重新定义为:其中H是一个常数,函数 表示余弦距离;val中最大值的类标记为预测结果。