基于顯著點特征和稀疏自編碼的遙感圖像檢索方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，涉及一種基于顯著點特征和稀疏自編碼的遙感圖 像檢索方法及系統(tǒng)。
【背景技術】
[0002] 隨著遙感對地觀測能力的提高，可獲取的遙感數(shù)據(jù)呈現(xiàn)出多元化和海量化的特 點。然而，海量遙感數(shù)據(jù)為各類重大應用需求提供豐富數(shù)據(jù)源的同時，由于目前地面數(shù)據(jù)處 理和分析能力不足，遙感大數(shù)據(jù)的"數(shù)據(jù)海量、信息淹沒"問題日益突出。如何利用新興的 科學計算技術和手段，快速定位和智能檢索遙感圖像中的感興趣目標或區(qū)域，是遙感大數(shù) 據(jù)處理和分析面臨的挑戰(zhàn)，也是遙感圖像處理領域亟待解決的科學問題。遙感圖像檢索技 術是解決這一瓶頸問題的有效方法，研究高效的圖像檢索技術具有重要的意義。
[0003] 目前的遙感圖像檢索技術主要是通過對圖像的低層特征進行相似性度量，進而返 回相似圖像。相比傳統(tǒng)的基于關鍵字的檢索方法，基于內(nèi)容的檢索方法效率和準確度更高， 但設計一種能有效描述各種復雜遙感圖像場景的特征描述方法是非常困難的。近些年，深 度學習由于具有良好的特征學習能力逐漸成為圖像識別領域的研究熱點。相比人工設計的 特征，基于深度學習的方法能通過樣本訓練得到一個特征提取器以實現(xiàn)圖像特征的自動提 取，適用于包含復雜場景的遙感圖像檢索。由于網(wǎng)絡設計和訓練相對簡單，稀疏自編碼已成 為一種常用的深度學習方法，并在圖像處理中應用廣泛。
[0004] 對于稀疏自編碼網(wǎng)絡訓練，在構(gòu)造訓練樣本方面，現(xiàn)有方法通常是從訓練圖像上 隨機選取一定數(shù)目和尺寸的圖像塊構(gòu)造訓練樣本，這種樣本構(gòu)造方法有以下缺陷。第一，從 人眼視覺理論的角度來說，人們關注的是遙感圖像上的特定目標，而隨機選取的圖像塊可 能并不包含關注的特定目標。第二，由于訓練圖像的尺寸固定，因此隨機選取圖像塊構(gòu)造訓 練樣本的方法可能會造成訓練樣本不足。第三，由于訓練樣本是圖像塊，利用訓練好的網(wǎng)絡 進行特征提取時得到是圖像塊而非整幅圖像的特征，因此不能直接用于圖像檢索。為了得 到整幅圖像的特征，通常需要采用卷積的方法，但這一過程不僅計算效率低而且會引入其 他參數(shù)。在激活函數(shù)選擇方面，現(xiàn)有方法通常采用sigmoid函數(shù)作為網(wǎng)絡隱含層神經(jīng)元的 激活函數(shù)，而sigmoid函數(shù)在網(wǎng)絡反向傳播時存在嚴重的梯度消失等問題，不利于網(wǎng)絡訓 練。對于稀疏自編碼網(wǎng)絡特征提取，現(xiàn)有方法通常是直接將隱含層的激活值作為提取的特 征而沒有經(jīng)過稀疏化處理，而實驗表明稀疏特征性能更好。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術存在的不足，本發(fā)明提供了一種基于顯著點特征和稀疏自編碼的遙 感圖像檢索技術方案。本發(fā)明將提取遙感圖像的顯著點特征作為稀疏自編碼網(wǎng)絡的輸入進 而對其進行訓練，最終利用訓練的特征提取器提取圖像特征實現(xiàn)遙感圖像檢索。
[0006] 本發(fā)明所采用的技術方案是一種基于顯著點特征和稀疏自編碼的遙感圖像檢索 方法，包括以下步驟：
[0007] 步驟1，提取圖像庫中各圖像的特征點得到特征點矩陣，并利用視覺注意模型計算 各圖像的顯著圖；
[0008] 步驟2,對于圖像庫中各圖像的顯著圖，分別采用自適應閾值法將顯著圖二值化， 并與圖像相應的特征點矩陣進行掩膜運算得到過濾后的顯著特征點；實現(xiàn)方式如下，
[0009] 采用自適應閾值法將顯著圖二值化時，根據(jù)顯著圖像素的顯著性大小，確定顯著 圖的二值化閾值T如下，
[0011] 其中，w和h分別表示顯著圖的寬和高，I(x，y)表示顯著圖像素（x，y)的顯著值； [0012] 設根據(jù)二值化閾值T對顯著圖二值化，得到二值化顯著圖，相應有矩陣Ibina"，設P 表示圖像的特征點矩陣，？:表示過濾后的顯著特征點矩陣，計算顯著特征點矩陣如下，
[0013] Pt = P② h_n.
[0014] 步驟3,從圖像庫中取若干圖像作為訓練圖像，從各訓練圖像分別選取若干顯著 特征點構(gòu)造訓練樣本，得到訓練樣本集X，根據(jù)白化后的訓練樣本集t訓練稀疏自編碼網(wǎng) 絡，得到特征提取器；
[0015] 所述稀疏自編碼網(wǎng)絡輸入層、隱含層以及輸出層，其中隱含層神經(jīng)元采用ReLU函 數(shù)作為激活函數(shù)，輸出層神經(jīng)元采用softplus函數(shù)作為激活函數(shù)，稀疏自編碼網(wǎng)絡的代價 函數(shù)定義如下，
[0017] 其中，第一項為均方誤差項，第二項為正則項，士,表示訓練樣本集X'的網(wǎng)絡輸出 值，W= %，W2]和b=[byb2]分別表示網(wǎng)絡輸入層和隱含層間的權重％和偏置bi以及隱 含層和輸出層間的權重^和偏置b2構(gòu)成的權重矩陣，λ表示正則項系數(shù)；
[0018] 步驟4,對圖像庫中的所有圖像，利用步驟3訓練所得的特征提取器進行特征提 取，并用閾值函數(shù)對提取的圖像特征進行稀疏化處理，得到最終的用于檢索的特征向量；實 現(xiàn)方式如下，
[0019] 提取的圖像特征Υ表示如下，
[0020] Y=f!r +bi)
[0021] 其中，顯著特征點矩陣P:'是根據(jù)步驟2所得過濾后的顯著特征點矩陣？:白化后 的結(jié)果；
[0022] 對于提取的圖像特征Y，進行如下稀疏化處理得到稀疏特征矩陣Z，
[0023] Z= [Z+,Z] =[max(0,Υ-a)，max(0，α-Y)]
[0024] 其中，α表示閾值函數(shù)的閾值，矩陣Z+=max(0,Υ-α)，Z=max(0,α-Υ);
[0025] 設從一幅圖像檢測到的SIFT點個數(shù)是n個，對稀疏特征矩陣Z進一步處理，得到 特征向量F如下，
[0027] 其中，^和Z:分別表示矩陣Z+和Z的第i個列向量。
[0028] 步驟5,基于步驟4提取的特征向量，根據(jù)預設的相似性度量準則進行圖像檢索。
[0029] 而且，步驟1中，提取圖像庫中各圖像的特征點得到特征點矩陣，利用SIFT算子提 取實現(xiàn)。
[0030] 而且，步驟5中，預設的相似性度量準則采用城區(qū)距離。
[0031] 本發(fā)明還相應提供一種基于顯著點特征和稀疏自編碼的遙感圖像檢索系統(tǒng)，包括 以下模塊，
[0032] 特征點提取模塊，用于提取圖像庫中各圖像的特征點得到特征點矩陣，并利用視 覺注意模型計算各圖像的顯著圖；
[0033] 顯著特征點提取模塊，用于對于圖像庫中各圖像的顯著圖，分別采用自適應閾值 法將顯著圖二值化，并與圖像相應的特征點矩陣進行掩膜運算得到過濾后的顯著特征點； 實現(xiàn)方式如下，
[0034] 采用自適應閾值法將顯著圖二值化時，根據(jù)顯著圖像素的顯著性大小，確定顯著 圖的二值化閾值T如下，
[0036] 其中，w和h分別表示顯著圖的寬和高，I(x，y)表示顯著圖像素（x，y)的顯著值；
[0037] 設根據(jù)二值化閾值T對顯著圖二值化，得到二值化顯著圖，相應有矩陣Ibina"，設P 表示圖像的特征點矩陣，？:表示過濾后的顯著特征點矩陣，計算顯著特征點矩陣如下，
[0038] 4 =戶?4_·ν
[0039] 訓練模塊，用于從圖像庫中取若干圖像作為訓練圖像，從各訓練圖像分別選取若 干顯著特征點構(gòu)造訓練樣本，得到訓練樣本集X，根據(jù)白化后的訓練樣本集t訓練稀疏自 編碼網(wǎng)絡，得到特征提取器；
[0040] 所述稀疏自編碼網(wǎng)絡輸入層、隱含層以及輸出層，其中隱含層神經(jīng)元采用ReLU函 數(shù)作為激活函數(shù)，輸出層神經(jīng)元采用softplus函數(shù)作為激活函數(shù)，稀疏自編碼網(wǎng)絡的代價 函數(shù)定義如下，
[0042] 其中，第一項為均方誤差項，第二項為正則項，士,表示訓練樣本集X'的網(wǎng)絡輸出 值，W= %，W2]和b=[byb2]分別表示網(wǎng)絡輸入層和隱含層間的權重％和偏置bi以及隱 含層和輸出層間的權重^和偏置b2構(gòu)成的權重矩陣，λ表示正則項系數(shù)；
[0043] 特征提取模塊，用于對圖像庫中的所有圖像，利用步驟3訓練所得的特征提取器 進行特征提取，并用閾值函數(shù)對提取的圖像特征進行稀疏化處理，得到最終的用于檢索的 特征向量；實現(xiàn)方式如下，
[0044] 提取的圖像特征Υ表示如下，
[0045] Y=f! (WiP：r +bi)
[0046] 其中，顯著特征點矩陣P:'是根據(jù)步驟2所得過濾后的顯著特征點矩陣P:白化后 的結(jié)果；
[0047] 對于提取的圖像特征Y，進行如下稀疏化處理得到稀疏特征矩陣Z，
[0048] Z= [Z+，Z] =[max(0,Υ-α)，max(0，α-Y)]
[0049]其中，α表示閾值函數(shù)的閾值，矩陣Z+=max(0,Υ-α)，Z=max(0,α-Y);
[0050] 設從一幅圖像檢測到的SIFT點個數(shù)是n個，對稀疏特征矩陣Z進一步處理，得到 特征向量F如下，
[0052] 其中，（和疋分別表示矩陣Z+和Z的第i個列向量。
[0053] 檢索模塊，用于基于特征提取模塊提取的特征向量，根據(jù)預設的相似性度量準則 進行圖像檢索。
[0054] 而且，特征點提取模塊中，提取圖像庫中各圖像的特征點得到特征點矩陣，利用 SIFT算子提取實現(xiàn)。
[0055]