基于dbnmi模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法
【專利摘要】本發(fā)明涉及一種基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其中包括對(duì)初始輸入遙感影像進(jìn)行自適應(yīng)分割，粗粒度劃分遙感影像背景區(qū)域和對(duì)象區(qū)域；針對(duì)劃分出的遙感影像的對(duì)象區(qū)域，利用多示例多標(biāo)簽技術(shù)表示；針對(duì)遙感影像的對(duì)象區(qū)域的低層視覺特征和高層語義概念間關(guān)系，基于DBNMI模型進(jìn)行自動(dòng)建模；定量計(jì)算標(biāo)注詞間共現(xiàn)和對(duì)立的語義關(guān)系。采用該種基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，針對(duì)海洋遙感影像語義標(biāo)注任務(wù)感興趣的區(qū)域僅占影像很小一部分，提出一種基于DBNMI的遙感影像語義自動(dòng)標(biāo)注模型，有效提高影像自動(dòng)標(biāo)注的精度，具有更廣泛的應(yīng)用范圍。
【專利說明】
基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及海洋遙感影響標(biāo)注技術(shù)領(lǐng)域，具體是指 一種基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法。
【背景技術(shù)】
[0002] 遙感影像語義自動(dòng)標(biāo)注是讓機(jī)器通過學(xué)習(xí)已知語義標(biāo)簽的影像示例，然后使用語 義概念表示一副未標(biāo)注遙感影像的內(nèi)容。隨著多顆海洋遙感衛(wèi)星的發(fā)射（如SeaStar、 GEOSAT、ERS-n、HY-I到HY-3等衛(wèi)星），海洋遙感影像數(shù)量爆炸性增長(zhǎng)。通過遙感影像語義標(biāo) 注，可以實(shí)現(xiàn)遙感影像數(shù)據(jù)分析、索引和檢索等任務(wù)，高效利用遙感影像。人工標(biāo)注的方法 存在主觀性和不精確性，費(fèi)時(shí)費(fèi)力，已不能滿足當(dāng)今"大數(shù)據(jù)"時(shí)代。機(jī)器學(xué)習(xí)等理論的發(fā) 展，使得遙感影像語義自動(dòng)標(biāo)注成為一大研究方向。
[0003] 現(xiàn)有遙感影像語義標(biāo)注方法主要從以下方面著手:特征提取、分類模型、高層語義 劃分層次等。Bratasanu等人提出一種將相同語義概念的像素組合到一起的映射方式，完成 無語義底層特征到光譜語義索引映射再到人類理解的高層語義的映射。Lignou等人對(duì)每個(gè) 概念給定一個(gè)訓(xùn)練集，利用最大似然方法給未知圖像分配概率，基于潛在狄利克雷分配模 型（Latent Dirichlet Allocation,簡(jiǎn)稱LDA)模型進(jìn)行學(xué)習(xí)。Chen等人在第一層利用多示 例多標(biāo)簽學(xué)習(xí)（multi-instance multi-label learning ,MIML)框架進(jìn)行高分辨率遙感影 像標(biāo)注，第二層采用多尺度分層語義信息模擬示例在MML的空間關(guān)系，第三層利用非參數(shù) 概率模型合并可能的類。楊陽等人提出改進(jìn)的深度學(xué)習(xí)模型，將圖像的標(biāo)注信息視為圖像 的類別信息，對(duì)圖像特征關(guān)注不足。由于語義鴻溝的存在，影像語義的自動(dòng)標(biāo)注性能亟待提 尚。
[0004] 遙感影像具有豐富的空間結(jié)構(gòu)信息和地理特征信息，而海洋遙感影像語義標(biāo)注任 務(wù)感興趣的區(qū)域僅占影像很小一部分。一副遙感影像的不同區(qū)域?qū)φZ義相似性度量的貢獻(xiàn) 程度不同，海洋遙感影像中"對(duì)象區(qū)域"比"背景區(qū)域"的貢獻(xiàn)要大很多，現(xiàn)有工作對(duì)海洋遙 感影像結(jié)構(gòu)的復(fù)雜性考慮不多。遙感影像標(biāo)注詞匯之間存在著多種多樣的語義層次和關(guān) 系，包括相近、對(duì)立、包容等。比如，一副遙感影像已被標(biāo)注為"輪船"、"海水"等詞匯后，"港 口"作為該影像標(biāo)注詞匯的概率就會(huì)相應(yīng)提升。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是克服了上述現(xiàn)有技術(shù)的缺點(diǎn)，提供了一種能夠?qū)崿F(xiàn)針對(duì)海洋遙感 影像語義標(biāo)注任務(wù)感興趣的區(qū)域僅占影像很小一部分、提高了海洋遙感影像自動(dòng)標(biāo)注的精 度的基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明具有如下構(gòu)成：
[0007]該基于DB匪I模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其主要特點(diǎn)是，所述的方法包括 以下步驟：
[0008] (1)對(duì)初始輸入遙感影像進(jìn)行自適應(yīng)分割，粗粒度劃分遙感影像背景區(qū)域和對(duì)象 區(qū)域；
[0009] (2)針對(duì)劃分出的遙感影像的對(duì)象區(qū)域，利用多示例多標(biāo)簽技術(shù)表示；
[0010] (3)針對(duì)遙感影像的對(duì)象區(qū)域的低層視覺特征和高層語義概念間關(guān)系，基于DB匪I 模型進(jìn)行自動(dòng)建模；
[0011] (4)定量計(jì)算標(biāo)注詞間共現(xiàn)和對(duì)立的語義關(guān)系。
[0012] 較佳地，所述的遙感影像為海洋遙感影像。
[0013] 較佳地，所述的步驟(1 )，包括以下步驟：
[0014] (1-1)利用小波變換產(chǎn)生多分辨率影像的金字塔形式；
[0015] (1-2)自適應(yīng)構(gòu)建不同尺度的影像信息等級(jí)結(jié)構(gòu)；
[0016] (1-3)根據(jù)影像場(chǎng)景復(fù)雜性選擇合適的分割尺度，對(duì)遙感影像進(jìn)行分割。
[0017] 較佳地，所述的步驟(2)，包括以下步驟：
[0018] (2-1)采用(X1,L1)表示一幅遙感影像，其中X 1= Ix11A2,…，Xlm}表示示例空間，m 是示例個(gè)數(shù)，Li= {li1，li2，···，lin}表示標(biāo)簽集，η標(biāo)簽個(gè)數(shù)；
[0019] (2-2)每幅遙感影像在不同空間尺度中作為一個(gè)包，相關(guān)的分割區(qū)域視為示例，其 中第i層用包Bi= {xil，Xi2，···，Xim}表示；
[0020] (2-3)設(shè)置閾值t，計(jì)算背景區(qū)域與對(duì)象區(qū)域相似度s，判斷s和t的大小關(guān)系，如果s 大于預(yù)設(shè)閾值t時(shí)，則第i層包需要繼續(xù)劃分，否則第i層包不需要繼續(xù)劃分。
[0021] 較佳地，所述的步驟(3 )，包括以下步驟：
[0022] (3-1)對(duì)遙感影像的對(duì)象區(qū)域進(jìn)行特征提取，將提取出的特征作為DBN模型的第一 層，即輸入層；
[0023] (3_2)DBN模型對(duì)輸入數(shù)據(jù)進(jìn)行逐層特征變換，將樣本在原空間的特征表示變換到 一個(gè)新特征空間；
[0024] (3-3)通過受限玻爾茲曼機(jī)獲得從底層特征到高層語義表達(dá)最佳的權(quán)值，利用反 向傳播網(wǎng)絡(luò)對(duì)深度信念網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)。
[0025] 較佳地，所述的步驟(4)，包括以下步驟：
[0026] (4-1)當(dāng)F(Bi，L) = 1時(shí)，W M表示標(biāo)注詞間共現(xiàn)關(guān)系，其中Bi為第i個(gè) 包，L代表語義標(biāo)簽集，表示包仏中含有標(biāo)簽1，則該包可以選擇該標(biāo)簽所屬語義標(biāo)簽集L中 的其他標(biāo)簽；
[0027] (4-2)當(dāng)F(Bi,Li，L2) = 1時(shí)，ν/ι € VW2 ei2，Count(Bi，1ι)^1，Δ (Bi，l2) = 0，表示 標(biāo)注詞間對(duì)立關(guān)系，其中語義標(biāo)簽集L1，L2屬于對(duì)立關(guān)系，包Bi中含有標(biāo)簽I 1，則該包可以選 擇該標(biāo)簽所屬語義標(biāo)簽集L1中的其他標(biāo)簽，但不能選擇語義標(biāo)簽集L2中的標(biāo)簽。
[0028] 較佳地，所述的方法在Matlab實(shí)驗(yàn)平臺(tái)上進(jìn)行。
[0029]采用了該發(fā)明中的基于DB匪I模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，針對(duì)海洋遙感 影像語義標(biāo)注任務(wù)感興趣的區(qū)域僅占影像很小一部分，提出一種基于DBNMK深度信念網(wǎng)絡(luò) 多示例）的遙感影像語義自動(dòng)標(biāo)注模型，對(duì)初始輸入遙感影像進(jìn)行自適應(yīng)分割，粗粒度劃分 海洋遙感影像背景區(qū)域和對(duì)象區(qū)域，針對(duì)影像對(duì)象區(qū)域的低層視覺特征和高層語義概念間 關(guān)系，基于受限玻爾茲曼機(jī)的深度信念網(wǎng)絡(luò)模型進(jìn)行自動(dòng)建模，定量計(jì)算標(biāo)注詞間共現(xiàn)和 對(duì)立的語義關(guān)系，有效提高影像自動(dòng)標(biāo)注的精度，具有更廣泛的應(yīng)用范圍。
【附圖說明】
[0030] 圖1為本發(fā)明的各個(gè)分割區(qū)域的示意圖。
[0031] 圖2為本發(fā)明的利用反向傳播網(wǎng)絡(luò)對(duì)深度信念網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)的流程圖。
[0032] 圖3為本發(fā)明的通過學(xué)習(xí)到的標(biāo)注模型完成新影像的語義標(biāo)注的流程圖。
[0033] 圖4為本發(fā)明的遙感影像自動(dòng)標(biāo)注的方法的流程圖。
【具體實(shí)施方式】
[0034]為了能夠更清楚地描述本發(fā)明的技術(shù)內(nèi)容，下面結(jié)合具體實(shí)施例來進(jìn)行進(jìn)一步的 描述。
[0035] 本發(fā)明解決上述問題所采用的技術(shù)方案是，具體步驟如下：
[0036] 步驟一，對(duì)初始輸入海洋遙感影像進(jìn)行自適應(yīng)分割，粗粒度劃分遙感影像背景區(qū) 域和對(duì)象區(qū)域；
[0037] 步驟二，針對(duì)劃分出的海洋遙感影像的對(duì)象區(qū)域，利用多示例表示；
[0038] 步驟三，針對(duì)遙感影像對(duì)象區(qū)域的低層視覺特征和高層語義概念間關(guān)系，基于 DBWI模型進(jìn)行自動(dòng)建模；
[0039] 步驟四，定量計(jì)算標(biāo)注詞間共現(xiàn)和對(duì)立的語義關(guān)系。
[0040] 在一種較佳的實(shí)施方式中，步驟一中利用小波變換產(chǎn)生多分辨率影像的金字塔形 式，自適應(yīng)構(gòu)建不同尺度的影像信息等級(jí)結(jié)構(gòu)，實(shí)現(xiàn)遙感影像信息在不同尺度層之間的傳 遞。其實(shí)現(xiàn)方式如下，
[0041]根據(jù)影像場(chǎng)景復(fù)雜性選擇合適的分割尺度，簡(jiǎn)單場(chǎng)景選擇大的尺度，復(fù)雜場(chǎng)景選 擇小的尺度；
[0042]小波變換能提供影像在不同分辨率下的表達(dá)，實(shí)現(xiàn)影像按照不同尺度和位移的分 解。
[0043]在一種較佳的實(shí)施方式中，步驟二中利用多示例多標(biāo)簽(M頂L)技術(shù)表示海洋遙感 影像對(duì)象區(qū)域，其實(shí)現(xiàn)方式如下，
[0044] 采用(Xi,Li)表示一幅遙感影像，其中Xi= {xi1 ,Xi2,…，xim}表示示例空間，m是示例 個(gè)數(shù)，Li= Ili1JiV"，lin}表示標(biāo)簽集，η標(biāo)簽個(gè)數(shù)；
[0045] 每幅影像在不同空間尺度中作為一個(gè)包（bag)，相關(guān)的分割區(qū)域視為示例 (instances)，其中第i層用包Bi= {Xii，Xi2，···，xim}。自適應(yīng)設(shè)置閾值t，計(jì)算背景區(qū)域與對(duì) 象區(qū)域相似度s，若s大于預(yù)設(shè)閾值t時(shí)，第i層包需要繼續(xù)劃分，小于閾值t時(shí)則不需要。
[0046] 而且，步驟三中針對(duì)影像對(duì)象區(qū)域的低層視覺特征和高層語義概念間關(guān)系，基于 DB匪I模型進(jìn)行自動(dòng)建模，其實(shí)現(xiàn)方式如下，
[0047] 對(duì)通過小波變換生成的遙感影像對(duì)象區(qū)域進(jìn)行特征提取，將提取出的特征作為 DBN的第一層，即輸入層；
[0048] DBN模型對(duì)輸入數(shù)據(jù)進(jìn)行逐層特征變換，將樣本在原空間的特征表示變換到一個(gè) 新特征空間；
[0049]通過受限玻爾茲曼機(jī)獲得從底層特征到高層語義表達(dá)最佳的權(quán)值，利用反向傳播 網(wǎng)絡(luò)對(duì)深度信念網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)，實(shí)現(xiàn)基于受限玻爾茲曼機(jī)的深度信念網(wǎng)絡(luò)模型自動(dòng)標(biāo)注。
[0050] 在一種較佳的實(shí)施方式中，步驟四中定量計(jì)算標(biāo)注詞間共現(xiàn)和對(duì)立的語義關(guān)系， 其實(shí)現(xiàn)方式如下，
[0051] 當(dāng)F (B i，L) = 1時(shí)，W _e_4, /) 21_表示標(biāo)注詞間共現(xiàn)關(guān)系。其中B i為第i個(gè)包，L 代表語義標(biāo)簽集。表示包仏中含有標(biāo)簽1，則該包可以選擇該標(biāo)簽所屬語義標(biāo)簽集L中的其 他標(biāo)簽；
[0052] 當(dāng)F(Bi，Li，L2) = 1時(shí)，wi eA，W2 ei2，c〇unt(Bi, Ii)彡1，Δ (Bi, 12) = 0,表示標(biāo)注詞 間對(duì)立關(guān)系。其中語義標(biāo)簽集L1 ,L2屬于對(duì)立關(guān)系，包Bi中含有標(biāo)簽I1，則該包可以選擇該標(biāo) 簽所屬語義標(biāo)簽集L 1中的其他標(biāo)簽，但不能選擇語義標(biāo)簽集L2中的標(biāo)簽。
[0053]下面以一個(gè)具體實(shí)施例來進(jìn)一步介紹本發(fā)明：
[0054] 本發(fā)明在Matlab2013a實(shí)驗(yàn)平臺(tái)上進(jìn)行實(shí)現(xiàn)，主要包括三個(gè)步驟，具體如下：
[0055] 每幅遙感影像利用小波金字塔方法進(jìn)行3層分辨率預(yù)處理，得到不同分辨率尺度 下的影像；
[0056] 在不同空間尺度上對(duì)遙感影像進(jìn)行粗粒度分割，影像視為包，相關(guān)的分割區(qū)域視 為示例，每個(gè)包由2-10個(gè)示例組成，如圖1所示。其中第i層用包Bi = {xu，xi2,…，xim}表示。 設(shè)置閾值t，計(jì)算背景區(qū)域與對(duì)象區(qū)域相似度s，若s大于預(yù)設(shè)閾值t時(shí)，第i層包需要繼續(xù)劃 分，小于閾值t時(shí)則不需要。
[0057] 訓(xùn)練集每一幅遙感影像用(Xi，U)表示，其中&={。#2，~，以}表示示例空間，!11 是示例個(gè)數(shù)，Li ={ Ii1，Ii2，…，Iin}表示標(biāo)簽集，η標(biāo)簽個(gè)數(shù)。旨在從訓(xùn)練集中得到一個(gè)函數(shù)： 這里輸入是一幅遙感影像產(chǎn)生的示例空間X 1，輸出是該幅遙感影像對(duì)應(yīng)的標(biāo) 簽集U。
[0058]將每一幅遙感影像提取出的特征數(shù)據(jù)，組合成一維向量。所有訓(xùn)練集影像特征數(shù) 據(jù)組合成矩陣，每一行代表一副遙感影像的提取的特征。將矩陣所有值按行歸一化至[0，1] 范圍，作為DBN模型的第一層，即輸入層。
[0059]當(dāng)給定可見層節(jié)點(diǎn)的狀態(tài)時(shí)，各個(gè)隱含層節(jié)點(diǎn)的激活狀態(tài)之間是相互獨(dú)立的，即： 灘* IV) =TTf (A/h，)。當(dāng)給定隱含層節(jié)點(diǎn)的狀態(tài)時(shí)，各個(gè)可見層節(jié)點(diǎn)的激活狀態(tài)之間是相互 獨(dú)立的，即：尸(十> =Τ?'(ν; IΛ),受限玻爾茲曼機(jī)的可見層輸入為Ve {〇，1}二元變量，假設(shè) 每個(gè)神經(jīng)元遵循伯努利分布，定義該模型的能量函數(shù)如下:你 其中0 = {a，b，W}是模型的參數(shù)?？傻玫?v，h)的聯(lián)合概率分布為 為歸一化常數(shù)。
[0060] 對(duì)輸入數(shù)據(jù)進(jìn)行逐層特征變換，將樣本在原空間的特征表示變換到一個(gè)新特征空 間；通過受限玻爾茲曼機(jī)獲得從底層特征到高層語義表達(dá)最佳的權(quán)值，利用反向傳播網(wǎng)絡(luò) 對(duì)深度信念網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)，采用迭代的方式進(jìn)行訓(xùn)練，目標(biāo)在于學(xué)習(xí)出參數(shù)9 = {a，b，w}的 值，如圖2所示。
[0061] 對(duì)任意兩個(gè)標(biāo)注詞同時(shí)出現(xiàn)的概率進(jìn)行定量計(jì)算，用B1表示第i個(gè)包，L表示語義 標(biāo)簽集，通過標(biāo)注F(B i，L) = 1，表示標(biāo)注詞間具有共現(xiàn)關(guān)系，即W e A C__,、/) M，表示包Bi 中含有標(biāo)簽1，則該包可以選擇該標(biāo)簽所屬語義標(biāo)簽集L中的其他標(biāo)簽；
[0062] 對(duì)任意兩個(gè)標(biāo)注詞不會(huì)同時(shí)出現(xiàn)的概率進(jìn)行定量計(jì)算，用B1表示第i個(gè)包，語義標(biāo) 簽集Li，L2屬于對(duì)立關(guān)系，通過標(biāo)注F(Bi ,Li，L2) = 1，表示標(biāo)注詞間具有對(duì)立關(guān)系，即 ▽A ei^VVeJ^Count(BiJ1)彡1，Δ (Bi, 12)=〇,包Bi中含有標(biāo)簽I1JlJ該包可以選擇該標(biāo)簽 所屬語義標(biāo)簽集1^中的其他標(biāo)簽，但不能選擇語義標(biāo)簽集L2中的標(biāo)簽。
[0063]本發(fā)明提出一種基于深度信念網(wǎng)絡(luò)多示例（DB匪I)的遙感影像語義自動(dòng)標(biāo)注模 型，旨在提高標(biāo)注的精度。實(shí)現(xiàn)過程如圖3所示，利用訓(xùn)練集影像對(duì)低層視覺特征和高層語 義概念關(guān)系進(jìn)行自動(dòng)建模，通過學(xué)習(xí)到的標(biāo)注模型完成新影像的語義標(biāo)注。
[0064]采用了該發(fā)明中的基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，針對(duì)海洋遙感 影像語義標(biāo)注任務(wù)感興趣的區(qū)域僅占影像很小一部分，提出一種基于深度信念網(wǎng)絡(luò)多示例 的遙感影像語義自動(dòng)標(biāo)注模型，對(duì)初始輸入遙感影像進(jìn)行自適應(yīng)分割，粗粒度劃分海洋遙 感影像背景區(qū)域和對(duì)象區(qū)域，針對(duì)影像對(duì)象區(qū)域的低層視覺特征和高層語義概念間關(guān)系， 基于受限玻爾茲曼機(jī)的深度信念網(wǎng)絡(luò)模型進(jìn)行自動(dòng)建模，定量計(jì)算標(biāo)注詞間共現(xiàn)和對(duì)立的 語義關(guān)系，有效提高影像自動(dòng)標(biāo)注的精度，具有更廣泛的應(yīng)用范圍。
[0065]在此說明書中，本發(fā)明已參照其特定的實(shí)施例作了描述。但是，很顯然仍可以作出 各種修改和變換而不背離本發(fā)明的精神和范圍。因此，說明書和附圖應(yīng)被認(rèn)為是說明性的 而非限制性的。
【主權(quán)項(xiàng)】
1. 一種基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其特征在于，所述的方法包括以 下步驟： (1) 對(duì)初始輸入遙感影像進(jìn)行自適應(yīng)分割，粗粒度劃分遙感影像背景區(qū)域和對(duì)象區(qū)域； (2) 針對(duì)劃分出的遙感影像的對(duì)象區(qū)域，利用多示例多標(biāo)簽技術(shù)表示； (3) 針對(duì)遙感影像的對(duì)象區(qū)域的低層視覺特征和高層語義概念間關(guān)系，基于DBNMI模型 進(jìn)行自動(dòng)建模； (4) 定量計(jì)算標(biāo)注詞間共現(xiàn)和對(duì)立的語義關(guān)系。2. 根據(jù)權(quán)利要求1所述的基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其特征在于， 所述的遙感影像為海洋遙感影像。3. 根據(jù)權(quán)利要求1所述的基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其特征在于， 所述的步驟(1)，包括以下步驟： (1-1)利用小波變換產(chǎn)生多分辨率影像的金字塔形式； (1-2)自適應(yīng)構(gòu)建不同尺度的影像信息等級(jí)結(jié)構(gòu)； (1-3)根據(jù)影像場(chǎng)景復(fù)雜性選擇合適的分割尺度，對(duì)遙感影像進(jìn)行分割。4. 根據(jù)權(quán)利要求1所述的基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其特征在于， 所述的步驟(2)，包括以下步驟： (2-1)采用(Xi，Li)表示一幅遙感影像，其中Xi = {xi^xi2,…，xim}表示示例空間，m是示 例個(gè)數(shù)，U = {1 i1，1 i2，…，1 in}表示標(biāo)簽集，η標(biāo)簽個(gè)數(shù)； (2-2)每幅遙感影像在不同空間尺度中作為一個(gè)包，相關(guān)的分割區(qū)域視為示例，其中第 i層用包Bi= {xil，Xi2，···，Xim}表示； (2-3)設(shè)置閾值t，計(jì)算背景區(qū)域與對(duì)象區(qū)域相似度S，判斷S和t的大小關(guān)系，如果S大于 預(yù)設(shè)閾值t時(shí)，則第i層包需要繼續(xù)劃分，否則第i層包不需要繼續(xù)劃分。5. 根據(jù)權(quán)利要求1所述的基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其特征在于， 所述的步驟(3)，包括以下步驟： (3-1)對(duì)遙感影像的對(duì)象區(qū)域進(jìn)行特征提取，將提取出的特征作為DBN模型的第一層， 即輸入層； (3-2)DBN模型對(duì)輸入數(shù)據(jù)進(jìn)行逐層特征變換，將樣本在原空間的特征表示變換到一個(gè) 新特征空間； (3-3)通過受限玻爾茲曼機(jī)獲得從底層特征到高層語義表達(dá)最佳的權(quán)值，利用反向傳 播網(wǎng)絡(luò)對(duì)深度信念網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)。6. 根據(jù)權(quán)利要求1所述的基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其特征在于， 所述的步驟(4)，包括以下步驟： (4-1)當(dāng)F(Bi，L) = 1時(shí)，V/ s二(：_吵,、/) N表示標(biāo)注詞間共現(xiàn)關(guān)系，其中Bi為第i個(gè)包，L 代表語義標(biāo)簽集，表示包仏中含有標(biāo)簽1，則該包可以選擇該標(biāo)簽所屬語義標(biāo)簽集L中的其 他標(biāo)簽； (4-2)當(dāng)F(Bi，Li，L2) = l時(shí)，v/i eii'v/2 e'2，Count(Bi，li)彡1，Δ (Bi，l2)=〇,表示標(biāo)注詞 間對(duì)立關(guān)系，其中語義標(biāo)簽集1^丄2屬于對(duì)立關(guān)系，包Bi中含有標(biāo)簽h，則該包可以選擇該標(biāo) 簽所屬語義標(biāo)簽集Li中的其他標(biāo)簽，但不能選擇語義標(biāo)簽集L 2中的標(biāo)簽。7. 根據(jù)權(quán)利要求1所述的基于DBNMI模型實(shí)現(xiàn)遙感影像自動(dòng)標(biāo)注的方法，其特征在于， 所述的方法在Matlab實(shí)驗(yàn)平臺(tái)上進(jìn)行。
【文檔編號(hào)】G06K9/62GK106056609SQ201610383452
【公開日】2016年10月26日
【申請(qǐng)日】2016年6月2日
【發(fā)明人】黃冬梅, 許瓊瓊, 杜艷玲, 賀琪, 朱建鋼, 田為民
【申請(qǐng)人】上海海洋大學(xué)