CN106156787B - 多模态湿地生态生境场景核空间溯源方法及装置 - Google Patents
多模态湿地生态生境场景核空间溯源方法及装置 Download PDFInfo
- Publication number
- CN106156787B CN106156787B CN201510190900.1A CN201510190900A CN106156787B CN 106156787 B CN106156787 B CN 106156787B CN 201510190900 A CN201510190900 A CN 201510190900A CN 106156787 B CN106156787 B CN 106156787B
- Authority
- CN
- China
- Prior art keywords
- scene
- habitat
- wetland
- space
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008878 coupling Effects 0.000 claims abstract description 25
- 238000010168 coupling process Methods 0.000 claims abstract description 25
- 238000005859 coupling reaction Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 240000002044 Rhizophora apiculata Species 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 3
- 229910044991 metal oxide Inorganic materials 0.000 claims description 3
- 150000004706 metal oxides Chemical class 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 230000010354 integration Effects 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种多模态湿地生态生境场景核空间溯源方法及装置，所述方法包括特征提取：分别使用空间网罗法和尺度不变特征变换法抽取湿地生态***生境影像中的全局和局部特征；特征预处理：对抽取的特征进行归一化处理和中心化处理；特征耦合：使用核主成分分析法将异质特征投影到核空间进行耦合；溯源阶段：使用大间隔最邻近算法确定核空间中湿地生态生境场景耦合成分特征的归属。所述装置包括成像装置、移动闪存装置、CF读卡器和PC机。本发明与现有的方法相比，它的显著优势在于在核空间中有效融合异构模态湿地生态生境特征信息并确定湿地生态生境场景的归属，提高了溯源方法的精度，具有良好的应用前景和可观的市场价值。
Description
技术领域
本发明涉及生态计算领域，特别涉及一种多模态湿地生态生境场景核空间溯源方法及装置。
背景技术
中国是世界上湿地生物多样性最丰富的国家之一，也是亚洲湿地类型最齐全、数量最多、面积最大的国家。中国湿地生态***保护的研究工作对于保护亚洲地区乃至全球范围湿地生态***和维持区域湿地生态***平衡将起着重要的作用和意义。目前国际相关学术社会已经开展了大量的相关的研究工作，但是由于湿地生态***生境多样性、复杂性等的特点，造成部分研究工作尚未很好地开展，其中湿地生态***生境场景溯源研究就一直相对滞后。
传统的湿地生态***生境溯源研究多数基于单模态影像特征，一般多考虑生境影像中的植物、生物、水文、地理等综合因素的作用，却忽视了局部因素的作用，导致湿地生态***生境类型溯源精度较低；另外，由于湿地生态***生境场景信息随观察位置和角度的变化相对较大，导致湿地生态场景全局与局部信息结构易于发生转变，简单多特征的组合的方法往往会使得这些异构的模态特征在原始空间中表现出相对较大的非关联特性，进而导致传统的线性聚类算法无法准确定位异构特征的归属，从而减低了湿地生态***生境信息的溯源精度。本研究提出利用多模态湿地生态***生态生境场景核空间溯源方法来构建全局与局部信息有效耦合机制，在核空间中利用湿地生态***生境全局信息的同时充分考虑其细节信息，再将待溯源的特征输入到大间隔最邻近算法并与数据库中先验生态特征进行比对，大间隔最邻近分类器将湿地生态生境非线性特征在核空间线性化后进行分类，保证最终识别的效果，根据分类器输出的结果确定溯源的湿地生态影像的生态生境归属。
本研究以我国3类有代表性的湿地生态***对象，包括：江苏盐城 滨海滩涂湿地、四川若尔盖高原高寒湿地和海南东寨港海岸红树林湿地为实例，对提出的方法进行验证。本发明与现有的方法相比，显著优势在于在核空间中有效融合异构模态湿地生态生境特征信息并确定湿地生态场景的归属，使用大间隔最邻近算法将所提取到的湿地生态***生境场景耦合特征映射到高维核特征空间中，在高维核特征空间中划分样本的语义场景归属，提高了湿地生态***生境场景的溯源精度，具有良好的应用前景和可观的市场价值。
发明内容
本发明的目的是为了解决现有湿地生态***生境场景溯源技术存在的问题，特别是为了解决现阶段异构模态湿地生态***生境特征信息耦合的有效性和非线性特征分类精度问题，提供一种多模态湿地生态生境场景核空间溯源方法及装置。
本发明多模态湿地生态生境场景核空间溯源方法，该方法包括如下步骤：
步骤1，采用成像装置获取不同类别的湿地生态***生境场景影像样本，将影像样本存储到移动闪存装置中；
步骤2，通过CF读卡器，将步骤1移动闪存装置中存储的湿地生态***生境场景影像样本导入到PC机的磁盘介质中，建立湿地生态***生境场景数据库；
步骤3，采用空频域中最优分辨率配置下空间网罗法提取湿地生态***生境场景全局空间网罗特征；
步骤4，采用尺度不变特征变换法提取湿地生态***生境场景局部尺度不变特征变换特征；
步骤5，将步骤3和4中提取到的湿地生态***生境场景全局空间网罗特征和局部尺度不变特征变换特征分别进行归一化和中心化处理；
步骤6，使用核主成分分析法将步骤5处理后的全局空间网罗特征和局部尺度不变特征变换特征投影到高维核特征空间线性化，并对这两类不同模态的特征进行线性耦合；
步骤7，使用大间隔最邻近算法将步骤6所述高维核特征空间中 线性耦合的湿地生态***生境场景特征映射到高维核特征空间中，在高维核特征空间中划分数据库样本的语义场景归属；
步骤8，对于待溯源的湿地生态***生境场景，依次使用步骤3—7对待溯源样本进行特征提取、特征预处理和特征耦合，然后映射到先验场景的高维核特征空间中，在高维核特征空间中计算待溯源的湿地生态***生境场景耦合特征与步骤7所述湿地生态***生境场景数据库中先验场景耦合特征之间的语义相似度，进而推断出湿地生态***生境场景影像的语义归属信息。
所述步骤1中，湿地生态***生境场景的对象指：江苏盐城滨海滩涂湿地、四川若尔盖高原高寒湿地和海南东寨港海岸红树林湿地。
所述步骤2中，建立湿地生态***生境场景数据库包括3类湿地生态生境场景影像集：江苏盐城滨海滩涂湿地影像集、四川若尔盖高原高寒湿地影像集和海南东寨港海岸红树林湿地影像集。
所述步骤3中，使用空频域中最优分辨率配置下空间网罗方法提取湿地生态***生境场景的语义特征；所述空频域中最优分辨率配置下的空间网罗方法的滤波器采用“菊花状”的空间频率域近似正交的多分辨率2D-Gabor滤波器组。
所述步骤4中，尺度不变特征变换方法采用Gaussian差分尺度空间法进行检测和定位稳定的湿地生态生境场景影像中特征极值点，根据指定特征点方向参数生成湿地生态生境场景局部特征描述子。
所述步骤5中，通过归一化处理，把数据映射到[-1,1]范围内处理，归一化处理算法为：
其中，xi表示第i列待归一化特征向量，xmin表示列向量中最小值，xmax表示列向量中最大值，表示第i行归一化后的列向量。如果列向量中最大值等于最小值xmax＝xmin，则列向量值不变
所述步骤5中中心化处理，是指变量减去其数学期望值：对于样本 数据，是指将样本变量的每个观测值减去该样本变量的样本的平均值，具体算法如下：
其中，i对应样本，j对应变量，M表示样本总数。
所述步骤6中，在建模阶段利用k-fold交叉验证法获得最高识别精度来确定湿地生态***生境场景核主成分数。
所述步骤7中，在推断湿地生态***生境场景的语义归属信息时，采用马哈拉诺比斯度量法估计样本在高维空间中的相似度。
所述步骤7中，在推断湿地生态***生境场景的语义归属信息时，大间隔最邻近算法特征语义相似个数的参数由用户自行选择设定或者由***推荐。
多模态湿地生态生境场景核空间溯源方法的溯源装置，包括成像装置、移动闪存装置、CF读卡器和PC机，成像装置用于采集湿地生态***生境场景影像样本并存储至移动闪存装置，CF读卡器用于将移动闪存装置内的湿地生态***生境场景影像样本导入至PC机；所述成像装置采用可变焦高分辨率互补性氧化金属半导体器件静态成像装置。
本发明与现有的方法相比，本发明利用空频域中最优分辨率配置下空间网罗法提取湿地生态***生境场景全局语义特征，消除非正交多尺度滤波器的频带交叠造成的冗余特征输出的影响和部分细节特征信息在滤波频带交叠处被覆盖的影响；利用尺度不变特征变换方法检测和定位稳定的湿地生态生境场景影像中特征极值点，根据指定特征点方向参数生成湿地生态生境场景局部特征描述子；使用归一化处理方法去除空间网罗特征和尺度不变特征变换特征量纲的影响；使用数据中心化处理方法消除空间网罗特征和尺度不变特征变换特征均值漂移的影响；用核主成分分析法将预处理后的非线性异质特征投影到高维核特征空间线性化，在同构的高维线性空间中对多源异构湿地生态生境特征进行线性耦合；使用大间隔最邻近法将耦合特征映射高维核特征空间中进行语义相似度计算，在高维核特征空间中消除溯源算法在计算样本之间语义相 似度时由于特征因子的非线性性造成的相似度偏差的影响，最后根据用户指定的或者由***推荐生成的样本语义相似参数的在高维核特征语义空间中定位湿地生态***生境特征的归属，进而确定湿地生态***生境场景的语义归属，提升了湿地生态***生境场景的溯源精度。
附图说明
图1是本发明方法的流程图；
图2是本发明方法实现示意图。其中，符号“■”表示尺度不变特征变换特征，符号“▲”表示空间网罗特征，符号“●”表示盐城湿地耦合特征，符号“◆”表示若尔盖湿地耦合特征，符号表示东寨港湿地耦合特征。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图对本发明进一步详细说明。
本发明利用空频域中最优分辨率配置下空间网罗法提取湿地生态***生境场景全局语义特征；利用尺度不变特征变换方法生成湿地生态生境场景局部特征描述子；使用归一化处理方法去除空间网罗特征和尺度不变特征变换特征量纲的影响；使用数据中心化处理方法消除空间网罗特征和尺度不变特征变换特征均值漂移的影响；用核主成分分析法将预处理后的非线性异质特征投影到高维核特征空间线性化，在同构的高维线性空间中对多源异构湿地生态生境特征进行线性耦合；使用大间隔最邻近法将耦合特征映射高维特征空间中进行语义相似度计算，在高维特征空间中消除溯源算法在计算样本之间语义相似度时由于特征因子的非线性性造成的相似度偏差的影响，最后根据用户指定的或者由***推荐生成的样本语义相似参数的在高维特征语义空间中定位湿地生态***生境特征的归属，进而确定湿地生态***生境场景的语义归属。
图1是本发明方法的流程图，图2是本发明方法的实现示意图，如图1和图2所示，一种多模态湿地生态生境场景核空间溯源方法及装置包括以下几个步骤：
步骤1，采用可变焦高分辨率互补性氧化金属半导体器件静态成像 装置获取不同类别的湿地生态***生境场景影像样本，将影像样本存储到大容量移动闪存装置中；
步骤2，通过CF读卡器，将步骤1中大容量移动闪存装置中的生态***生境场景影像样本导入到PC机中的大容量磁盘介质中，建立湿地生态***生境场景影像样本数据库。其中，所溯源湿地生态***生境影像样本为3类中国有代表性的湿地生态***对象，包括：江苏盐城滨海滩涂湿地、四川若尔盖高原高寒湿地和海南东寨港海岸红树林湿地。
步骤3，将所有真彩的RGB图像转换成强度值在0～255之间的灰色尺度的图像，转换公式为：
gray＝0.2989R+0.5870G+0.1140B (1)
其中：R表示红光强度，G表示绿光强度，B表示蓝光强度。
步骤4，抽取给定最优分辨率配置下多尺度滤波器的湿地生态***生境场景全局空间网罗特征；其中，所述滤波器采用正弦调制的二维的带通2D Gabor函数，其表达式为：
其中，σx和σy是在空间域中高斯函数的带宽，u0是余弦函数的调制频率；其Fourier域表达式为：
其中，u和v为空间频率变量；σu＝1/2πσx，σv＝1/2πσy和λ＝2πσxσy。上述2D-Gabor函数是可容许小波，但它并不会产生正交分解。因此基于2D-Gabor函数的小波变换后的图像中会有冗余信息。
本发明利用一种“菊花状”的最优多分辨率2D-Gabor滤波器，该滤波器组是近似正交的，从而保证在空间频率域的上半峰幅值可以相互接触但又不互相重叠，使得多分辨率下的Gabor滤波器的输出冗余量最小。把函数g(x,y)作为母小波，通过适当的尺度和旋转变换构建自相似的滤波器组：
g′mn(x,y)＝τmg(x′,y′) (4)
其中，x′＝τm(xcosθ+ysinθ)，y′＝τm(-xsinθ+ycosθ)，θ＝nπ/K，n∈[0,1,...,N]，N为旋转的方向总数。m∈[0,1,...M]，M为在同一旋转方向上的尺度总数。
τ为尺度因子，可以通过如下公式计算：
其中，Umax和Umin分别为最大和最小径向中心频率。变换后的频率坐标可用下式计算(u′,v′)＝(ucosθ+vsinθ,-usinθ+vcosθ)。方程中的Fourier域中的尺度参数σu和σv可以按如下公式计算：
将的图像按4×4的网格分成16块，计算每一块图像在不同方向不同尺度上的滤波响应的均值统计直方图，其中滤波其方向数为N＝8个，尺度数为M＝4个，最终获得描述湿地生态***生境场景信息的自然度、开放度、粗糙度、膨胀度、险峻度等的512维语义特征向量。
步骤5，抽取给定湿地生态***生境影像局部尺度不变特征变换特征；其中，所述抽取给定湿地生态***生境影像局部特征方法的主要步骤包括:检测和定位尺度空间极值点、指定特征点方向参数和生成特征点描述子。算法中尺度空间L由图像I与高斯核卷积得到:
算法采用了高斯差分尺度空间来检测稳定的特征点：
D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ) (8)
式中：k为常数，利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使算子具备旋转不变性。
然后计算像素(x,y)处梯度的模值m(x,y)和方向H(x,y)：
式中，fx(x,y)＝L(x+1,y)-L(x-1,y)，fy(x,y)＝L(x,y+1)-L(x,y-1)。所述算法将图像的坐标轴旋转至特征点的主方向，以特征点为中心取16×16像素大小的窗口,再将此窗口均匀地分为4×4个子窗口。在每一个4×4的子窗口内计算出8个方向的梯度方向直方图，并统计每个梯度方向的累计值，得到一个种子点。每个特征点由4×4个种子点构成，每个种子点会有8个方向的向量值，这样就形成了128维的特征向量。
步骤6，对提取到的空频域中最优分辨率配置下的空间网罗特征和尺度不变特征变换特征分别进行归一化处理,去除异构特征量纲影响。把每一个样本的特征归一化到[-1,1]范围内的处理算法如下：
式中，xj表示第j列待归一化特征向量，xmin表示列向量中最小值，xmax表示列向量中最大值，表示第j行归一化后的列向量。如果列向量中最大值等于最小值xmax＝xmin，则列向量值不变
步骤7，使用中心化处理算法消除空间网罗特征和尺度不变特征变换特征均值漂移的影响。对于样本数据，是指将一个变量的每个观测值 减去该变量的样本平均值，具体算法如下：
其中，i对应样本，j对应变量，M表示样本总数。
步骤8，使用核主成分分析法将归一化处理后的异质特征投影到高维核特征空间进行耦合；
所述算法将输入空间中纯量特征X＝(x1,x1,...,xm)(其中xi,i＝1,2,...,m 是d维向量，m是数据集中的总样本数)通过特征函数φ将数据映射到高维(甚至无限维)的希尔伯特空间Γ：
在映射的特征空间计算特征函数φ协方差矩阵：
通过定义其特征方程：
Cν＝λv (13)
其中，和λ分别对应协方差矩阵的特征向量和特征值。通过特征值分解及可求解张程系数α。
最后，对于任何一个测试样本x可求其核主成分：
步骤9，使用大间隔最邻近法推断湿地生态影像的归属信息。其中，所述大间隔最邻近法第一个优化的目标是实现输入样本xi与其目标近邻的平均距离的最小化：
式中，M是半正定矩阵。
第二个优化的目标是使输入样本xi到其目标邻居的距离与其到入侵近邻的距离至少保持1个单位的间隔：
因此，该优化问题可以综合表达为：
最后，根据每一个输入样本邻近的k个目标的核空间间距来确定样本的归属。
实施例
目前，本发明软件数据库中有900个包含江苏盐城滨海滩涂湿地、四川若尔盖高原高寒湿地和海南东寨港海岸红树林湿地场景影像样本，中每类样本各300个。数据集被随机划分为建模和预测集两部分，其中每类样本建模集包含240个样本，溯源集包含60个样本。
整个过程可以分为学习和溯源两个阶段，其中学习阶段的步骤为：使用最优分辨率配置下的空间网罗特征法提取数据库中512维的表述湿地生态***生境场景的自然度、开放度、粗糙度、膨胀度、险峻度等的全局语义特征；使用尺度不变特征变换方法进行检测和定位稳定的湿地生态生境场景影像中特征极值点，根据指定特征点方向参数生成128维的湿地生态生境场景局部特征描述子；将提取到的空间网罗特征和尺度不变特征变换特征进行归一化法和和中心化处理；使用核主成分分析法将预处理后的异质特征投影到核特征空间进行耦合，其中核空间映射采用径向高斯基核函数，利用建模集中获的最高识别精度来确定湿地生态***生境场景核主成分数；使用大间隔最邻近法将耦合特征映射高维核特征空间中进行语义相似度计算，消除由于特征的非线性性造成的影响，最后在高维特征空间中划分湿地生态***生境特征的语义归属。建模数据集的模型预测精度使用k-fold验证法来估计，获得的建模集混淆矩阵计算结果如表1所示。用户可以根据返回的预测精度来了解数据库样本建模置信度。
表1建模集混淆矩阵
在溯源阶段，分别提取512维的湿地生态生境影像的空间网罗特征和128维的图像尺度不变特征变换特征；将提取到的空间网罗特征和尺度不变特征变换特征进行归一化法和和中心化处理；使用核主成分分析法计算归一化串联特征核主成分；再将提取的核主成分映射到高维核特征空间中湿地生态***生境场景数据库特征类中，计算溯源场景特征与数据库样本特征的语义相似度，然后将场景语义相似度值进行排序，最后根据最大相似度值输出用户设定的前N个相应的湿地生态***生境场景数据库中影像，其中根据样本种类中次数出现最多的类型作为溯源样本的参考类别，溯源集混淆矩阵计算结果如表2所示。
表2溯源集混淆矩阵
把建模集和溯源集混淆矩阵中主对角线上所有元素取平均，即可以获得相应的总的多模态湿地生态生境场景核空间建模和溯源模型的精度，计算结果分别为75.6％和70.0％，结果列表3所示，计算结果比单模态湿地生态生境场景核空间溯源方法获得的建模集和溯源集的精度71.8％和69.4％分别提升了3.8和0.6个百分点。
表3单模态与多模态建模集和溯源集精度
从上面的例子可以看出，本发明与现有的方法相比，它的显著优势在于其在核空间中有效融合异构模态湿地生态生境非线性特征信息，充 分利用湿地生态场景全局属性特征同时充分考虑相关局部细节信息，使用大间隔最邻近算法进一步消除高维耦合特征的非线性特性的影响，进而提高湿地生态生境场景的溯源精度和鲁棒性。该方法的提出有效地理解了异构模态湿地生态生境场景之间的耦合关系，与传统的湿地生态***生态生境场景溯源方法比较，本发明表现出更广泛的运用前景和更大的市场价值。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种多模态湿地生态生境场景核空间溯源方法，其特征在于，该方法包括如下步骤：
步骤1，采用成像装置获取不同类别的湿地生态***生境场景影像样本，将影像样本存储到移动闪存装置中；
步骤2，通过CF读卡器，将步骤1移动闪存装置中存储的湿地生态***生境场景影像样本导入到PC机的磁盘介质中，建立湿地生态***生境场景数据库；
步骤3，采用空频域中最优分辨率配置下空间网罗法提取湿地生态***生境场景全局空间网罗特征；
步骤4，采用尺度不变特征变换法提取湿地生态***生境场景局部尺度不变特征变换特征；
步骤5，将步骤3和4中提取到的湿地生态***生境场景全局空间网罗特征和局部尺度不变特征变换特征分别进行归一化和中心化处理；
步骤6，使用核主成分分析法将步骤5处理后的全局空间网罗特征和局部尺度不变特征变换特征投影到高维核特征空间线性化，并对这两类不同模态的特征进行线性耦合；
步骤7，使用大间隔最邻近算法将步骤6所述高维核特征空间中线性耦合的湿地生态***生境场景特征映射到高维核特征空间中，在高维核特征空间中划分数据库样本的语义场景归属；
步骤8，对于待溯源的湿地生态***生境场景，依次使用步骤3-7对待溯源样本进行特征提取、特征预处理和核空间中生态信息耦合，然后映射到先验场景的高维核特征空间中，在高维核特征空间中计算待溯源的湿地生态***生境场景与步骤7所述湿地生态***生境场景中先验场景特征之间耦合的语义相似度，进而推断出湿地生态***生境场景影像的语义归属信息。
2.根据权利要求1所述的多模态湿地生态生境场景核空间溯源方法，其特征在于，所述步骤1中，湿地生态***生境场景的对象指：江苏盐城滨海滩涂湿地、四川若尔盖高原高寒湿地和海南东寨港海岸红树林湿地。
3.根据权利要求1所述的多模态湿地生态生境场景核空间溯源方法，其特征在于，所述步骤2中，建立湿地生态***生境场景数据库包括3类湿地生态生境场景影像集：江苏盐城滨海滩涂湿地影像集、四川若尔盖高原高寒湿地影像集和海南东寨港海岸红树林湿地影像集。
4.根据权利要求1所述的多模态湿地生态生境场景核空间溯源方法，其特征在于，所述步骤3中，使用空频域中最优分辨率配置下空间网罗法提取湿地生态***生境场景的语义特征；所述空频域中最优分辨率配置下的空间网罗方法的滤波器采用“菊花状”的空间频率域近似正交的多分辨率2D-Gabor滤波器组。
5.根据权利要求1所述的多模态湿地生态生境场景核空间溯源方法，其特征在于，所述步骤4中，尺度不变特征变换方法采用Gaussian差分尺度空间法进行检测和定位稳定的湿地生态生境场景影像中特征极值点，根据指定特征点方向参数生成湿地生态生境场景局部特征描述子。
6.根据权利要求1所述的多模态湿地生态生境场景核空间溯源方法，其特征在于，所述步骤5中，通过归一化处理，把数据映射到[-1,1]范围内处理，归一化处理算法为：
其中，xi表示第i列待归一化特征向量，xmin表示列向量中最小值，xmax表示列向量中最大值，表示第i行归一化后的列向量， 如果列向量中最大值等于最小值xmax＝xmin，则列向量值不变
所述步骤5中中心化处理，是指变量减去其数学期望值：对于样本数据，是指将样本变量的每个观测值减去该样本变量的样本的平均值，具体算法如下：
其中，i对应样本，j对应变量，M表示样本总数。
7.根据权利要求1所述的多模态湿地生态生境场景核空间溯源方法，其特征在于，所述步骤6中，在建模阶段利用k-fold交叉验证法获得最高识别精度来确定湿地生态***生境场景核主成分数。
8.根据权利要求1所述的多模态湿地生态生境场景核空间溯源方法，其特征在于，所述步骤7中，在推断湿地生态***生境场景的语义归属信息时，采用马哈拉诺比斯度量法估计样本在高维空间中的相似度。
9.根据权利要求1所述的多模态湿地生态生境场景核空间溯源方法，其特征在于，所述步骤7中，在推断湿地生态***生境场景的语义归属信息时，大间隔最邻近算法特征语义相似个数的参数由用户自行选择设定或者由***推荐。
10.一种基于权利要求1所述的多模态湿地生态生境场景核空间溯源方法的溯源装置，其特征在于包括成像装置、移动闪存装置、CF读卡器和PC机，成像装置用于采集湿地生态***生境场景影像样本并存储至移动闪存装置，CF读卡器用于将移动闪存装置内的湿地生态***生境场景影像样本导入至PC机；所述成像装置采用可变焦高分辨率互补性氧化金属半导体器件静态成像装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510190900.1A CN106156787B (zh) | 2015-04-21 | 2015-04-21 | 多模态湿地生态生境场景核空间溯源方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510190900.1A CN106156787B (zh) | 2015-04-21 | 2015-04-21 | 多模态湿地生态生境场景核空间溯源方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106156787A CN106156787A (zh) | 2016-11-23 |
| CN106156787B true CN106156787B (zh) | 2019-08-13 |
Family
ID=58058949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510190900.1A Expired - Fee Related CN106156787B (zh) | 2015-04-21 | 2015-04-21 | 多模态湿地生态生境场景核空间溯源方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106156787B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229478B (zh) * | 2017-06-30 | 2020-12-29 | 深圳市商汤科技有限公司 | 图像语义分割及训练方法和装置、电子设备、存储介质和程序 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100447808C (zh) * | 2007-01-12 | 2008-12-31 | 郑文明 | 人脸表情图像的分类及语义评判量化方法 |
| CN102889987A (zh) * | 2012-07-20 | 2013-01-23 | 华南理工大学 | 一种齿轮故障诊断平台及齿轮故障诊断方法 |
-
2015
- 2015-04-21 CN CN201510190900.1A patent/CN106156787B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN106156787A (zh) | 2016-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ramola et al. | Study of statistical methods for texture analysis and their modern evolutions | |
| Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
| Alsmadi et al. | Fish recognition based on robust features extraction from size and shape measurements using neural network | |
| Kurnianggoro et al. | A survey of 2D shape representation: Methods, evaluations, and future research directions | |
| CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
| Metre et al. | An overview of the research on texture based plant leaf classification | |
| Ding et al. | DCU-Net: a dual-channel U-shaped network for image splicing forgery detection | |
| CN102332084B (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
| Wang et al. | Review of image low-level feature extraction methods for content-based image retrieval | |
| Huang et al. | Local binary patterns and superpixel-based multiple kernels for hyperspectral image classification | |
| CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
| Fang et al. | Image classification with an RGB-channel nonsubsampled contourlet transform and a convolutional neural network | |
| CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
| Gangwar et al. | Deepirisnet2: Learning deep-iriscodes from scratch for segmentation-robust visible wavelength and near infrared iris recognition | |
| Nguyen et al. | Completed statistical adaptive patterns on three orthogonal planes for recognition of dynamic textures and scenes | |
| Wang et al. | Robust and effective multiple copy-move forgeries detection and localization | |
| CN104376312B (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
| CN104463091B (zh) | 一种基于图像lgbp特征子向量的人脸图像识别方法 | |
| Park et al. | Unified convolutional neural network for direct facial keypoints detection | |
| Diwan et al. | Unveiling copy-move forgeries: Enhancing detection with SuperPoint keypoint architecture | |
| Deng et al. | Attention-aware dual-stream network for multimodal face anti-spoofing | |
| Bendjoudi et al. | Palmprint identification performance improvement via patch-based binarized statistical image features | |
| Nanni et al. | Ensemble of shape descriptors for shape retrieval and classification | |
| CN110555406B (zh) | 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法 | |
| Dhar et al. | Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190813 Termination date: 20210421 |