一种基于高斯尺度空间构建遥感影像语义的方法

摘要

本发明涉及一种基于高斯尺度空间构建遥感影像语义的方法，包括以下步骤：首先构建遥感影像的高斯尺度空间；然后分别建立包括同一尺度下的遥感影像不同空间区域和同一遥感影像空间区域下的不同尺度的二维高斯尺度树形层次结构；基于两个不同类型的高斯尺度树形层次结构分别构建非结构性语义和结构性语义，完成基于高斯尺度空间构建遥感影像语义。

主权项

一种基于高斯尺度空间构建遥感影像语义的方法，包括以下步骤：步骤1，基于遥感影像的内容，通过高斯函数建立遥感影像的高斯尺度空间；步骤2，提取遥感影像的稳定特征区域和尺度特征区域，所述提取遥感影像的稳定特征区域，包括在步骤1所得遥感影像的高斯尺度空间中，对每一个高斯尺度分别执行以下子步骤，步骤21.1，将同一高斯尺度下影像内容划分为不同的影像空间区域；步骤21.2，根据步骤21.1所划分同一高斯尺度下影像的影像空间区域，提取该高斯尺度下影像的稳定特征点；步骤21.3，基于步骤21.2所得的稳定特征点，提取该高斯尺度的稳定特征区域；所述提取遥感影像的尺度特征区域，包括在步骤1所得遥感影像的高斯尺度空间中执行以下子步骤，步骤22.1，对每个高斯尺度下影像内容划分不同的影像空间区域；步骤22.2，根据步骤22.1所划分各高斯尺度下影像的影像空间区域，基于各个不同尺度之间具有的尺度不变特征提取影像空间区域下的尺度特征点；步骤22.3，基于步骤22.2所得的尺度特征点，提取遥感影像的尺度特征区域；步骤3，根据步骤2所得稳定特征区域建立高斯尺度的树形层次结构，根据步骤2所得尺度特征区域建立高斯尺度的树形层次结构，得到一个二维高斯尺度空间的树形层次结构；步骤4，基于步骤3根据稳定特征区域建立的高斯尺度的树形层次结构，建立非结构性层次语义；基于步骤3中根据尺度特征区域建立的高斯尺度的树形层次结构，建立结构性层次语义；步骤21.1中，通过QaR树将同一高斯尺度下影像内容划分为不同的影像空间区域，基于QaR树的计算包括以下步骤，首先，计算基于Quad树的分解结果和基于R*‑树的分解结果的差值，如下所示：I＝Rφ(f)‑Qφ(f)其中，I表示基于Quad树的分解结果和基于R*‑树的分解结果的影像差值空间区域，f表示待分解的某一高斯尺度的遥感影像，Rφ(.)表示基于R*‑树的分解，Qφ(.)表示基于Quad树的分解；然后，对式I＝Rφ(f)‑Qφ(f)中所得的影像差值空间区域I中的每一个像素同基于Quad树分解所得影像的最大值和最小值进行差值计算，如果和最大值或者最小值的差值任意一个小于两者之间的Kullback‑Leibler距离，则将该像素归为影像粒的一部分，影像粒是基于遥感影像空间和遥感影像数据，所具有的最小且不可再分的影像单元，公式如下：$\left\{\begin{array}{c}|\max \left(\mathrm{Q\phi }\left(f(i,j,r)\right)\right)-I(i,j,r)|<\mathrm{KL}\Rightarrow \theta (i,j,r)=I(i,j,r)\\ |\min \left(\mathrm{Q\phi }\left(f(i,j,r)\right)\right)-I(i,j,r)|<\mathrm{KL}\Rightarrow \theta (i,j,r)=I(i,j,r)\end{array}\right.$其中，max(.)和min(.)分别代表最大值和最小值的计算，I(i,j,r)表示影像差值空间区域I，θ(i,j,r)表示归为影像粒的某个像素，其中i、j和r分别表示影像粒的某个像素在遥感影像f的x坐标、y坐标和光谱维中的波段信息，f(i,j,r)表示遥感影像f的坐标(i,j)处像素，KL表示Kullback‑Leibler距离，计算公式如下：$\mathrm{KL}=\frac{{(\max \left(\mathrm{Q\phi }\left(f\right)\right)-\min \left(\mathrm{Q\phi }\left(f\right)\right))}^2}{\max \left(\mathrm{Q\phi }\left(f\right)\right)+\min \left(\mathrm{Q\phi }\left(f\right)\right)}$最后，将归为影像粒的结果同基于Quad树的分解结果进行合并，如下所示：IA＝Qφ(f)+θ,0≤θ≤I其中，IA表示对遥感影像f基于R*‑树的分解结果和基于Quad树的分解结果融合后的影像，θ表示计算所得归为影像粒的某个像素θ(i,j,r)。