基于语义特征和贝叶斯网络的航空影像建筑物及灌木分类

基于语义特征和贝叶斯网络的航空影像建筑物及灌木分类内容摘要：

第 39 卷 　第 3 期 　 2010 年 6 月 　　 测 　绘 　学 　报 Vol . 39 , No . 3 J un. ,2010 Act a Geo d a etic a et Carto graphic a Sinic a 文章编号 :100121595 ( 2010) 0320245206 基于语义特征和贝叶斯网络的航空影像建筑物及灌木分类 虞 　欣1 ,郑肇葆2 1. 北京市测绘设计研究院 , 北京 100038 ; 2. 武汉大学 遥感信息工程学院 ,湖北 武汉 430079 Classif ication of Aerial Images’Building and Shrub Based on Semantic Features and Bayes2 ian Net works YU Xin1 , ZHEN G Zhao b ao 2 1. Beijing Instit ut e of Surveying a nd Mapping , Beijing 100038 ,China ; 2. School of Re mot e Sensing Informa tio n Engine ering , Wuha n Universit y , Wuha n 430079 ,China Abstra ct :In ge neral , Ba ye si a n networks rep re se nt the joint p ro b a bility di stributio n a nd do main ( o r exp ert ) know2 le dge in a co mp a ct w a y a nd pro vide a co mp rehe nsive metho d of repre senting rel a tio nship s a nd influence s a mo ng no de s (o r fe a ture va ri a ble s ) with a graphic al di a gra m. Acco rdingly , by a dva nt a ge s of Ba ye si a n netwo rks a new ro a d to t exture cl a ssific a tio n of a eri al ima ge s for a chieving the a uto ma tiz a tio n a nd int ellige ntiz a tio n of photo gra m2 metry a nd remot e sensing c a n be explo re d. In thi s p ap er , a new metho d i s propo se d to extra ct sema ntic fe a ture b a se d o n cl a ssifiers , which co nstruct s the mapping fro m low2level fe a ture s to high2level sema ntic fe a t ure . Then it i s applie d to cl a ssific a tio n of a eri al ima ge s ’building a nd shrub. The exp eriment re sult s demo nstra t e tha t the new metho d c a n impro ve the cl a ssific a tio n p reci sio n. Key wo rd s :Ba ye si a n network ; sema ntic fe a ture s ; a eri al ima ge s ; cl a ssific a tio n 摘 　要 : 提出一种基于分类的语义特征提取模型 ,并在航空影像建筑物及灌木分类应用中进行尝试 。实验与分析表明 , 通过图像的底层特征来提取简单的语义特征是可行和有效的 ,提出的方法可以进一步提高影像分类的精度 。 关键词 : 贝叶斯网络 ; 语义特征 ; 航空影像 ; 分类 中图分类号 : P237 　　　　文献标识码 :A 基金项目 : 国家自然科学基金 ( 40571102) 1 　引 　言 息来判断西服的式样是正式的 、 休闲的或是传统 自 20 世纪 20 年代模式识别诞生以来 , 人们 的 [ 1 ] ; 而 Mat t hew Bo utell 提出把摄影时的附加 信息 (比如曝光的时间、 光圈值、 焦距的长短、 摄影 对分类器设计和特征选择与提取进行了大量的研 的时间、 闪光灯的使用与否等) 作为语义特征 ,融入 究 。但是目前已有的影像分类方法大都采用没有 实际物理意义 ( 或语义信息 ) 的低层视觉特征 ( 如 场景的检索中 , 最好的检索率达到了 97. 5 %[ 2 ] ; 纹理 、 形状 、 颜色等统计特征) ,在分类前还不能从 空在图像中出现的概率 , 把这种线索或先验知识 根本上解释选择什么样的特征可以获得更高的分 作为一种语义特征用于室内 、 室外影像的检索中 , 类精度 。虽然能够找到区别不同类别属性之间的 “本质特征”( 或者语义特征 ) , 但还不能用适当的 取得了 90. 7 %的检索率[ 3 ] ; Tzu2Chuan Cho u 把 不同的专家的判断结果 ( 经验的知识) 通过层次分 数学语言对其加以描述 , 以便计算机能够对它们 析法得到一个定量的描述 , 把这种定量的描述作 进行有效的处理 。所以 , 人们尝试由低层次特征 为语义特征参与图像的分类或检索中 , 准确率有 推理高层次语义特征以进一步提高影像分类的 明显的提高 [ 4 ] ; 杨育彬将 Bayesian 理论引入肺癌 精度 。 的分类识别中 ,提出一种基于 Bayesian 学习理论 Navid Serrano 提出先用低层特征检测草地和天 目前 ,对图像的语义特征的研究工作 ,主要集 的彩色肺癌图像语义描述模型 , 具有较高的肺癌 中在图像检索和智能医学图像处理与识别两个领 域 。Cavazza M 根据影像中西服是单排扣还是双 分类准确率 [ 5 ] ; 甚至有的学者如王伟凝把图像中 的颜色信息 ( 暖色 、 冷色 、 饱和度) 与纹理特征和人 排扣 ,扣子的数量 ,衬衫的颜色和领带的图案等信 的情感对应起来 ,进行图像的情感识别的研究[ 6 ] 。 © 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net 246 http : ∥xb. sino map s. co m J une 2010 Vol. 39 No . 3 A GCS 对图像内容进行描述时 , 大多直接从图像数 据中分析提取低层视觉特征 , 而人对图像内容的 理解要根据人的知识来判断 。这个过程结合了日 常生活中积累的大量经验 , 而低层特征无法直接 反映这些经验和知识 。一般而言 , 只有通过图像 图像的语义才会形成 。这两种观点反映了图像语 义的一个重要的特性 : 多层次性 。图像的语义根 据从具体到抽象的顺序大致可以分为三个层次 , 可用图 1 来简单描述 , 其中的每一部分对应于图 像的一个语义层次 ,图中的箭头表示语义的级别 。 分割 ,才能有效地获取图像的语义信息 。针对航 空影像自身的特点 , 本文提出一种基于最大似然 分类器的语义特征提取模型 , 巧妙地回避了图像 分割的问题 。先提取低层视觉特征 , 再通过最大 似然分类器映射得到语义特征 , 并且用概率的语 最低层的是视觉特征层 , 它包括颜色 、 纹理 、 形状 和大小等统计特征 。这个层次从本质上来说 , 基 本上没有图像的语义信息 。中间层是利用低层特 征进行一定的推理导出对象层 。而最高层涉及图 像的抽象属性 ( 如行为 、 情感等) ,需要对所描述的 言来进行定量地描述 , 然后用贝叶斯网络把语义 特征和其他低层特征有机地结合用于航空影像的 分类 。实验分析表明 , 通过最大似然分类器建立 图像的低层特征与简单语义特征之间的映射关系 是可行的 、 有效的 ,它可以进一步提高影像分类的 精度 。 对象和场景的含义和目标进行更深层的推理 。许 多学者将对象层与语义概念层一起称为“语义层 次”,并把特征层和“语义层次”之间的差别称为 “语义鸿沟”。这种模式最大的问题是如何分割出 图像中的对象以及如何使得对象模型具有广泛的 适应性 ,这两大问题严重地限制了这种语义表达 航空影像中的建筑物和灌木是常见的两类地 物 。由于灌木是一种自然地物 , 它的随机性是比 较明显的 。而建筑物是一种人工地物 , 有着明显 模式的应用范围 。 然而 Smeulders 等把图像知识的作用域分成 狭义域和广义域[ 8 ] 。他们认为 : 在狭义域中 ,图像 内容变化很小 , 整个领域的环境也很相似 。当对 象的外观变化较小时 , 图像的语义描述总体上容 的人为活动的痕迹 , 从而一定存在着形状比较规 则的房屋和道路 , 因此可以先利用结构性纹理特 征设计一个房屋或道路的分类器 , 进而检测出待 分类影像中存在房屋或道路的概率大小 , 把这种 先验知识 ( 或信息) 作为一种语义特征 , 和其他的 易定义 ,并且大多数情况下是唯一的 。在狭义域 中的图像特征和它们的语义信息之间的差距较 小 ,这样就有可能定义特定的语义模型 。此外 ,虽 然图像的低层视觉特征与图像的语义特征之间没 有直接的关系 ,它们之间确实存在着客观的差距 , 能够反映自然随机性的统计性纹理特征有机地融 入贝叶斯网络中进行分类 。 2. 1 　图像语义特征的基本概念 通常人们在判别图像的相似性时并非建立在 图像低层视觉特征的相似性上 , 而是建立在对图 但有经验的判读员却可以利用丰富的知识和技 巧 ,通过那些低层视觉特征的“有机组合”来推断 高层的语义信息 。从这个角度来看 , 通过建立图 像低层特征空间与高层语义空间之间的映射关 系 ,可以获取图像的简单语义信息 。 2 　基于语义特征的影像分类 像所描述的对象或事件的语义理解的基础上 。这 种理解无法从图像的视觉特征直接获得 , 它需要 使用人们日常生活中积累的大量经验和知识来进 行推理和判断 。正是由于计算机获取的图像的视 觉信息与用户对图像理解的语义信