基於鑑別特徵分析的遙感圖像檢索方法研究

《基於鑑別特徵分析的遙感圖像檢索方法研究》是依託河海大學，由李士進擔任項目負責人的面上項目。

基本介紹

• 中文名：基於鑑別特徵分析的遙感圖像檢索方法研究
• 項目類別：面上項目
• 項目負責人：李士進
• 依託單位：河海大學

項目摘要

日益增長的高解析度遙感圖像，作為一種重要的對地觀測信息源，包含了豐富的地表信息，如何從中快速提取信息並加以充分利用，是當前頗具挑戰性的研究問題。基於內容的遙感圖像檢索是高效利用這些數據的重要技術手段之一，本項目圍繞特徵有效性，從提高檢索精度和檢索效率方面開展研究。將遙感圖像檢索目標分為均一目標和複合目標，針對均一目標檢索，提出基於半監督學習和特徵選擇的研究思路，以提高特徵有效性。為了提高大幅面遙感圖像檢索效率，引入位置敏感哈希索引機制，提出針對不同檢索地物，研究不同特徵空間數據分布情形下哈希函式的自動學習，以進一步提高檢索效率。針對複合目標複雜語義，提出通過對局部特徵點進行鑑別分析，增強檢索目標的顯著性，並結合圖匹配進行自適應加權，提高檢索精度和效率。本項目的開展不但對計算機視覺和遙感圖像分析等領域的套用基礎研究具有重要意義，而且能為水利、環境監測以及國土資源管理提供新型技術支撐。

結題摘要

項目組共同努力較好地完成了研究任務：發表論文18篇（期刊13篇+國際會議5篇），其中SCI檢索5篇，EI檢索7篇，中文核心期刊8篇；申請發明專利14件，獲授權5件；培養博碩士研究生11名，已畢業碩士7名、博士1名。 圍繞特徵有效性，從提高分類、檢索精度及算法效率等方面開展研究，主要成果如下： 1提出自適應特徵選擇的水平集Chan-Vese模型，將多個顏色特徵和紋理特徵作為初始特徵集，通過相似性函式度量自適應選擇特徵，並對不同遙感圖像自動調整特徵權重。 2提出了基於特徵選擇和半監督學習的遙感CBIR新方法，提高了檢索的自動化程度；針對傳統分塊策略易導致小目標漏檢問題，提出了結合圖像分割的基於區域的檢索新方法：藉助聚類分析進行特徵選擇，然後利用均值漂移濾波實現分割，最後採用新的區域表示與匹配方法完成CBIR。該方法對各種面積的水庫和土壤侵蝕均取得了很高精度。 3分別提出基於LSH和VP樹索引的遙感CBIR技術，通過離線建立索引、線上選擇特徵，實現了快速遙感CBIR。提出了兩個新的索引有效性指標：基於特徵鑑別能力的索引有效性指數FDIVI和基於距離對比度的DCIVI，通過各個特徵空間的索引有效性指數選擇最佳鑑別特徵。 4在特徵表示和挖掘方面，提出了一種新的特徵表示方法，該方法首先利用超像素分割算法將VHR圖像分割成若干區域，然後提取局部特徵，並進行強鑑別力特徵挖掘，對大型標準測試圖像集的分類精度達到95%，超過了深度學習算法。 針對不同類別地物場景具有不同的最佳分類特徵，提出了基於聚類分析和特徵挖掘的多特徵融合場景分類方法：通過聚類將圖像分為兩類，對聚類一致性較好的子類別訓練基於全局特徵的分類器；對其餘的類別提取局部特徵並進行特徵挖掘，訓練基於精簡特徵的分類器。與其他方法相比，分類精度提高了5%。 5 提出了基於特徵鑑別有效性分析的高維特徵選擇新方法，針對高光譜遙感圖像定義了一種波段鑑別能力指數度量，降低了所選波段之間的冗餘度；改進了分支定界搜尋方法，不但提高了分類精度，而且算法複雜度降低了50%。 6 成果已被套用到水利部遙感大數據業務化處理格線服務平台和全國水利普查項目，為水利套用提供良好的技術支撐，產生了巨大的社會經濟效益。獲得2015國家科技進步二等獎、2014教育部科技進步一等獎、2013測繪科技進步特等獎。