基于深度特征的高分辨率遥感图像检索

发布时间：2020-03-19 11:50

【摘要】：如何高效地从海量高分辨率遥感图像中搜索需要的图像,是后续解译与应用的基础,是遥感“大数据时代”实际而又富有挑战性的问题。基于内容的遥感图像检索是根据图像的视觉内容检索图像,即由用户输入查询图像,检索系统从数据库中查询到与输入图像视觉特征相似的图像,并按相似性排序返回最终的检索结果,是遥感技术后续应用的重要基础。然而,已有的高分辨率遥感图像检索任务解决方案还存在一定问题:1)传统的手工设计特征通过精巧的设计能够描述颜色、纹理、结构等特征,但对于高分辨率遥感图像这种包含复杂光谱信息及空间几何关系的图像,其描述能力十分有限,尤其是对于高层语义信息的描述能力较弱,极大地制约了最终的检索精度。2)现有遥感图像内容检索系统,均需要用户输入一幅已有的查询图像,在缺少查询图像的情况下,已有的检索方法难以进行检索。针对以上问题,本文旨在建立能对高分辨率遥感图像提取高层语义信息的模型,同时,引入草图检索的方法解决缺少查询图像时的内容检索问题。对此,本文主要研究针对遥感图像内容检索问题的深度特征及深度跨域特征提取算法。主要研究内容以及贡献如下:首先,研究基于内容的遥感图像检索深度特征提取算法,在比较了不同网络结构与不同层深度特征在遥感图像检索任务上的性能的基础上,通过微调网络的方法将深度特征迁移至遥感图像,使深度网络提取更适应于遥感图像的视觉特性。针对遥感图像的多尺度问题,提出了多空间尺度深度特征来进行遥感图像检索,提升遥感图像检索任务的精度。其次,对缺少查询图像时难以进行遥感图像检索的问题,首次提出了利用手绘草图检索遥感图像。分析了已有的遥感图像内容检索方法在该跨域问题上存在的问题,提出了深度跨域模型的解决方案。为实现该方法,收集了一个手绘草图-遥感图像对应的数据集并用于训练深度跨域模型,为深度跨域模型的训练提供了基础。最后,考虑到草图详尽程度不同引起的视觉内容变化较大,提出一种多细节尺度的深度跨域模型,通过不同细节尺度的手绘草图、遥感图像以及遥感图像边缘训练模型从而解决该问题。多尺度深度模型能够提取不同细节尺度的手绘草图与图像特征,同时克服跨域难题,较好地描述草图与遥感图像共性的视觉特征。实现了利用手绘草图高效准确地从海量图像中搜索出需要的遥感图像。为验证本文提出算法的性能,我们在两个高分辨率遥感图像数据集上进行了实验,并进行了对比实验。结果验证了本文深度特征与深度跨域特征的有效性。
【图文】：

遥感图像,图像检索,基本流程,视觉内容

逡逑以上检索基本流程如图２．１所示，接下来将具体介绍其中每个步骤的几种经逡逑典方法。逡逑查询图像逦检索结果逡逑用户邋Ｅｌ邋＿邋＾、、＇逦＿逡逑数据集￣￣逦／逡逑’■逦ｆ＼＾逦距离度量逡逑＇逦ｘ逦ｘ逡逑喔邋心逦特征空间逡逑图像逦图像特征逡逑图２．１图像检索基本流程逡逑２．２图像特征提取逡逑遥感图像特征提取按照特征的语义描述特征，可以被分为底层特征、中层特逡逑征和高层特征，接下来将分别阐述各类特征特点并具体介绍其中有代表性的特征逡逑提取方法。逡逑２，２，１底层特征逡逑遥感图像的视觉内容可以用图像较为直观的基础特性与结构进行描述，如图逡逑像的颜色（光谱）、纹理、形状等，这些属性对图像视觉内容的区分与判别有重逡逑要作用。因此，可以通过人工设计的计算统计量等方法表达这些基本属性，描述逡逑图像视觉内容，这些人工设计的描述则被称之为底层特征。主要有以下三种底层逡逑特征：逡逑（１）颜色特征逡逑颜色特征是一种非常直观的图像特征

特征图,全连接,卷积,输出层

逡逑为输入层、卷积层、全连接层和输出层，如图２．２所示。输入层一般为输入图像，逡逑卷积层则是对图像局部区域进行卷积操作，全连接层与前后层的所有节点进行连逡逑接，输出层一般为分类层，得到输入图像属于每个类别标签的概率。逡逑输入层卷积层全连接层逦输出层逡逑图２．２卷积神经网络一般结构逡逑通过带标签的数据集训练后，多级的卷积神经网络模型能够模拟非常复杂的逡逑非线性关系。因此，ＣＮＮ模型能够提取到判别性较强的视觉特征，这些特征具逡逑有较强的抽象性与描述性，且能够提取高层语义信息，通常将通过深度网络模型逡逑提取的特征称为深度特征。对于己有的ＣＮＮ模型，可以通过卷积层或全连接层逡逑提取特征，全连接层特征抽象度高，，是一个一维向量的形式，能够直接作特征，逡逑卷积层是一个特征图
【学位授予单位】：武汉大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】