论文部分内容阅读
近年来,随着大量卫星的升空和传感器技术的迅猛发展,可获得的遥感影像呈指数级增加。虽然网络技术、数据库技术和软件技术的发展使得组织、管理和处理这些影像的能力得到了极大提高,但是面对海量的遥感影像,快速并有效地检索出感兴趣影像的能力十分不足。基于内容的影像检索(Content-based Image Retrieval; CBIR)技术正是在这种背景下应运而生的。目前,基于内容的影像检索方法存在的主要问题是:第一,底层的影像特征和高层的语义特征之间的差异使得检索精度下降。这种由用户视觉感知特殊性而产生的高层语义特征与底层影像特征的差异被称作为“语义鸿沟”。如何缩小语义鸿沟成为近年来影像检索领域的研究热点。第二,遥感影像不同于普通的图像,不同分辨率同一地区影像的光谱、纹理和形状等特征都存在着巨大的差异,这就使得对多种分辨率的遥感影像同时进行检索存在着困难。本文围绕如何缩小遥感影像的语义鸿沟和如何实现多分辨率遥感影像的检索展开研究,研究的主要内容如下:基于区域的影像检索是缩小语义鸿沟的方法之一,因此本文将首先完成对遥感影像的分割。遥感影像中地物复杂的光谱特征和纹理特征以及在影像拍摄过程中产生的一些随机因素都加大了影像分割的难度。本研究首次将JSEG算法(J-based Segmentation,基于J影像的分割算法)引入到多光谱的遥感影像分割中来,并对该方法进行了改进使之适用于多光谱遥感影像的分割,然后利用归一化差值植被指数(NDVI)、归一化建筑用地指数(NDBI)和纹理均值这三个地面覆盖参数代替原始的影像光谱值进行分割。实验结果表明,不论对于具有复杂纹理特征的影像还是对于具有复杂光谱特征的影像,基于地面覆盖参数的JSEG算法都能够获得很好的区域分割结果,而且没有出现过分割的现象。语义特征的提取是缩小语义鸿沟的另一种方法。语义特征的提取通常是建立在语义层次模型的基础上完成的,最基本的三层语义层次模型包括特征层、目标层和场景层,而在遥感影像特征的基础上完成影像中目标的提取是一个较难实现的问题。因此,本文首次提出并建立了一个基于遥感影像的三层内容描述模型。在该模型的基础上,结合了区域分割和区域特征提取,利用期望最大方法对隐含的语义特征变量、影像和区域间的关系进行了估计并计算求解,从而得到了语义特征。语义特征提取实验表明语义特征不仅能够代替底层的影像特征而且能够很好地描述影像的内容并区分不同的区域。影像检索实验表明,基于语义的检索能够获得很好的检索精度。相关反馈技术也是缩小语义鸿沟的方法之一,然而检索结果的不断反馈在一定程度上增加了检索的复杂度。因此,在本研究中利用正例(Positive Example,感兴趣影像)和反例(Negative Example,非感兴趣影像)代替相关反馈过程进行检索,既降低了检索复杂度又提高了检索精度。在同一地区不同分辨率的遥感影像中,纹理特征和形状特征都存在着巨大的差异,并且遥感影像普遍存在同物异谱和同谱异物的现象,这些都使得对多种分辨率的遥感影像同时进行检索存在着巨大的困难。针对这一问题,首次提出将超分辨率重建的方法应用到影像检索技术中。将低分辨率影像超分辨率重建到高分辨率影像,再将重建的高分辨率影像结果与其它影像进行检索,在一定程度上解决了多分辨率影像检索难的问题。多分辨率影像检索实验表明,该方法能够获得更好的检索精度。