基于FSFDP-BoV模型的遥感影像检索.pdf

第32卷 第 1期 地 理 与地 理 信 息科 学 Vo1．32 No．1 2016年 1月 GeographyandGeo—InformationScience January2016 doi：10．3969／j．issn1672～0504．201601．011 基于 FSFDP—BoV模型的遥感影像检索 沈 忱，祁昆仑，刘文轩，吴华意 (武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉430079) 摘要：为提高遥感影像检索的精度，提出一种基于快速查找密度峰值聚类 (FastSearchandFindofDensityPeaks， FSFDP)的改进视觉词袋 (BagofVisualword，BoV)模型，该方法充分利用FSFDP聚类算法分类精度高和聚类参数 易于选择等优点，增强 BOV模型特征量化的稳定性和可靠性。实验表明，与经典 BOV模型相比，FSFDP-BoV模型 能够得到更高的检索精度。 关键词：遥感影像；检索；BoV；密度峰值聚类 中图分类号：TP79 文献标识码：A 文章编号：1672—0504(2016)01一。O55一O5 0 引言 1 基于BoV模型的特征描述 随着遥感影像的数据源和数据量的快速增 BoV模型在遥感影像检索中主要用于影像特征 长[2]，基于内容的图像检索 ]成为当前遥感影像检 描述向量的生成[13J。假设有一组图像，从中选出测 索的一个研究热点和难点_3]，提高遥感影像检索精 试样本和训练样本。首先，分别提取训练样本和测 度已成为基于内容的影像检索研究的必经之路。 试样本的底层特征，如 SIFT(Scale—InvariantFea— 视觉词袋 (BagofVisualword，BoV)模型是基 tureTransform)特征[1、将图像刚性分割成多个块 于内容的图像检索中最热门的方法之一l5]。BoV模 提取的颜色特征、纹理特征等，则每个图像就由很多 型源于信息领域的词袋 (BagofWords，BoW)模型。 个底层的局部特征表示，这些特征就是视觉词汇向 对于一个文本，Bow模型忽略其词序和语法句法， 量。然后利用 K-Means算法对训练样本的视觉词 仅仅将其看作是一个词集合，文本中每个词的出现 汇向量进行聚类，选择聚类中心作为视觉字典的基 都是独立的，不依赖于其他词是否出现，即在任意位 础词汇。再利用欧式距离计算测试样本的视觉词汇 置选择一个词汇都不受前面句子 的影响。由于 向量与基础词汇的相似度，并用基础词汇表中的单 BoW 模型在特征描述方面有着独特的优势，因此将 词代替图像中的视觉词汇向量，统计出每一幅测试 BoW 模型的思想应用于图像的特征描述中，即BoV 样本中基础词汇出现的次数，即统计直方图并作归 模型，当前已经广泛地应用于图像和视频的检索方 一 化处理，得到每一幅影像的特征向量，最终应用于 面 ，川。 影像的分类、检索等_1 。 为提升BoV模型在遥感影像检索中的精度和 BoV模型描述遥感影像的流程主要包含特征提 效率，研究者对 BoV模型做出了改进[6-n]，改进后 取、字典训练和特征量化3个阶段。传统BoV模型 方法能够有效地提高检索的精度，但在特征量化时 的字典训练是采用 K～Means聚类算法。为提高传 均没有考虑密度信息，无法满足地物繁多且 目标复 统基于K—Means的BoV模型描述影像特征的精度。 杂的高分辨率遥感影像检索的需求。 Zhong等_1]提出球形K—Means聚类算法 (Spherical 2014年 Rodriguez等提出了快速查找密度峰值 K-Means)来减弱局部特征高纬度和稀疏性对 K_ 聚类 (ClusteringbyFastSearchandFindofDensi— Means聚类效果的影响。Bolovinou等_1]进一步验 tyPeak