融合相容粒理論的遙感圖像檢索

楊 萍， 李軼鯤， 胡玉璽， 楊樹文,4

(1.蘭州交通大學測繪與地理信息學院，蘭州 730070； 2.甘肅省地理國情監測工程實驗室，蘭州 730070；3.中煤地西安地圖制印有限公司，西安 710054； 4.甘肅省遙感重點實驗室，蘭州 730000)

融合相容粒理論的遙感圖像檢索

楊 萍1,2， 李軼鯤1,2， 胡玉璽3， 楊樹文1,2,4

(1.蘭州交通大學測繪與地理信息學院，蘭州 730070； 2.甘肅省地理國情監測工程實驗室，蘭州 730070；3.中煤地西安地圖制印有限公司，西安 710054； 4.甘肅省遙感重點實驗室，蘭州 730000)

為了提高遙感圖像檢索的效率和準確性，提出了一種融合相容粒計算模型的遙感圖像檢索方法。首先,根據相容粒理論定義了區域相容粒、圖像相容粒和區域相容粒信息表等相關概念，將遙感圖像?；?； 然后，計算出圖像區域相容粒的相似度； 最后，結合綜合區域匹配算法，提出融合相容粒理論的遙感圖像相似性度量算法，并利用IKONOS影像進行對比實驗。實驗結果表明，融合相容粒理論的檢索算法能夠提高遙感圖像檢索的查準率，與綜合區域匹配算法相比，本文算法查準率提高了12.08%，基本滿足用戶需求。

遙感圖像檢索； 相容粒理論； 綜合區域匹配算法； 相似性度量模型； 查準率

0 引言

近年來，隨著對地觀測系統的發展，遙感數據量快速增長，形成GB級，TB級和PB級的發展趨勢，常規遙感圖像的存儲、管理以及檢索方式已經不能滿足需要，導致用戶無法快速、準確查找到所需的遙感圖像，遙感圖像檢索成為國內外研究的熱點。傳統基于文本的圖像檢索方法主要是通過圖片的名稱、關鍵字來實現查詢功能[1]，把對圖像的檢索轉化為對文本的檢索，目前已經發展得相對成熟，但此方法需要耗費大量的人力資源對圖像進行人工標注，并且帶有一定的主觀性，無法滿足用戶的需求。20世紀90年代，Smeulders等[2]提出了基于內容的圖像檢索技術(content-based image retrieval，CBIR)，允許用戶給出示例圖像或目標的形狀、顏色和紋理等視覺特征，自動提取圖像庫的特征與之匹配進行檢索，成為了圖像檢索技術研究的重點。本研究提出的基于內容的圖像檢索算法擬依據粒計算相容粒理論來設計一個全新的相似性度量模型。

粒計算是人工智能領域興起的一種智能算法，是當前計算智能研究領域中模擬人類思維和解決復雜問題的新方法。國內外學者已利用該方法在圖像檢索領域進行了大量的研究，杜根遠[3]提出一種基于粒計算的相似性度量模型，為圖像檢索在粒計算理論中提供新思路； 李雙群等[4]結合Canny邊緣檢測算子提出一種基于相容粒模型的彩色圖像檢索算法，具有良好的檢索精度； Xu等[5]提出利用粒計算商空間理論對顏色特征進行多粒度劃分，實現圖像檢索，檢索效果比單特征檢索有明顯的提升； Ma等[6]利用粒計算貼近度理論提出一種基于顏色特征的圖像檢索算法，相比較于傳統的顏色直方圖算法更接近于人類的視覺要求； Fei等[7]利用粒計算商空間理論，提出一種分層的多粒度的唐卡圖像檢索方法，該方法有效地提高了檢索效率。但上述算法都是針對自然圖像，由于遙感圖像具有尺度大、主題不明確、多時相、語義豐富和海量存儲等特點，導致針對自然圖像的研究成果不能被直接應用于遙感圖像檢索中。

由于綜合區域匹配算法(integrated region matching，IRM)[8]具有旋轉和平移不變性，能夠有效地彌補圖像不準確分割造成的檢索錯誤。本文通過研究遙感圖像區域相容粒的相似度并結合IRM算法來構建融合相容粒理論模型的遙感圖像相似性度量算法，為遙感數據庫檢索提供一種基于粒計算的新方法，并利用同一幅影像進行對比實驗，驗證2種算法的檢索效果。

1 相容關系及相容粒定義

1)定義1： 集合上的相容函數τ[9-10]為

τ：U×U→[0，1]，

(1)

式中相容函數τ滿足下面性質

?x,y∈Uτ(x,x)=1且τ(x,y)=τ(y,x) 。

(2)

2)定義2： 對于一個閾值為p∈[0,1]的相容函數τ定義為[9-10]

τp={〈x,y〉|τ(x,y)≥p},

(3)

式中τp稱為參數化的相容關系。

3)定義3： 與τp相關的領域函數[9-10]定義為

nτp(u)={u′∈Uτp(u,u′)成立} 。

(4)

4)定義4： 一個相容粒度空間TS[9-10]定義為一個三元組，即

TS=〈U,τ,p〉,

(5)

式中：U為一個非空集，稱為TS的域；τ為集合U上的相容函數；p為相容參數，p∈[0,1]。

5)定義5： 相容粒度空間模型中的粒稱為相容粒，用一個三元組來描述[9-10]，即

G=(IG,EG,FG),

(6)

式中：IG為相容粒G的內涵；EG為相容粒G的外延；FG為內涵和外延之間的轉換函數。

2 基于圖像相容粒遙感圖像檢索算法

采用相容粒的粒化與粒的計算2大特征，將其應用到遙感圖像檢索領域，提出一種融合相容粒模型[11]的遙感圖像檢索算法。該算法包括2部分內容： ①定義了圖像的相容粒?；嚓P概念，主要包括基本粒、區域相容粒、圖像相容粒、相容粒知識庫、區域相容粒信息表和區域相容粒相似度等； ②構建圖像相容粒的相似性度量模型，在該模型中，首先根據區域相容粒等相關定義計算區域相容粒的相似度，然后結合IRM算法，計算出圖像相容粒的相似度，從而獲得最終的檢索結果。

2.1 相容粒粒化模型

定義遙感圖像規則分割之后的子圖像為不可分割的最小粒子，稱為基本粒； 根據子圖像提取的顏色特征進行聚類，聚類結果形成的區域粒子，稱為區域粒； 通過區域粒構成的整幅圖像為圖像粒。結合?；^程的相容粒理論定義如下。

1)定義6： 區域相容粒RG表示為

RG={IG,EG,FG},

(7)

IG=∪{vi}，

(8)

EG=O，

(9)

式中：IG為RG內涵；vi為基本粒；EG為RG外延；O表示圖像區域；FG為IG與EG之間的轉換函數，為非負整數值，其含義為vi在區域O中所占的面積比例。

2)定義7： 圖像相容粒DG表示為

(10)

(11)

(12)

3)定義8： 相容粒知識庫P[12]定義為三元組，即

P=(S,DS,RDS),

(13)

S={d1,d2,…,di,…dm}，

(14)

DS={DG1,DG2,…,DGi,…,DGm},

(15)

(16)

4)定義9： 區域相容粒信息表RS，給定圖像集合S，則RS定義為四元組，即

RS=(X,Y,U,f),

(17)

X={x1,x2,…,xN}，

(18)

Y=∪ai,(i=1,2,…,M)，

(19)

式中：X為所有區域相容粒外延的非空集合；xi(1≤i≤N)為圖像區域；N為區域相容粒外延的總數；Y為屬性集合；ai(ai∈Y)為一個基本粒；M為所有屬性的總數；U為屬性值的集合，表示某區域相容粒中近似擁有某屬性ai的程度；f為X×Y→U的映射函數，為一個數值函數。定義某特定基本粒ai(ai∈Y)在區域相容粒RG中的面積比例大小記為Val(RGi,ai)。

5)定義10： 區域相容粒的相似度SinRG計算公式表示為

(20)

式中：RG1和RG2分別為2個區域相容粒；Val(x1,ai)和Val(x2,ai)分別為在RS中區域RG1和RG2在屬性上ai的取值，i=1…M。

2.2 基于圖像相容粒相似性度量算法

為了計算圖像相容粒的相似性，首先根據RS屬性值，計算出SinRG，再結合IRM算法，得出圖像相容粒的相似度，從而獲得最終的檢索結果。

2.2.1 IRM算法

IRM算法通過綜合計算圖像中所有區域的相似度來確定圖像的整體相似度，該算法優勢在于對圖像可能存在的錯誤分割具有很強的魯棒性[8]。假設圖像1和圖像2分別由集合R1=(r1,r2,…,rl)和R2=(r′1,r′2,…,r′w)來表示，rz和r′v分別表示圖像的分割區域z和v的特征向量，1≤z≤l,1≤v≤w。記rz和r′v之間的距離為d(rz,r′v)，簡寫為dz,v。

計算區域集合R1和R2之間的距離d(R1,R2)時，先匹配2幅圖像中的所有區域，計算出所有區域之間的距離dz,v，并根據區域之間的顯著性因子Sz,v，給予相應的權重。Sz,v表示區域rz和r′v之間的匹配程度，則顯著性矩陣為

S={Sz,v,1≤z≤l,1≤v≤w}，

(21)

故2幅圖像之間的距離定義為

(22)

關于Sz，v及IRM算法的具體計算流程請參考文獻[8]。

2.2.2 基于圖像相容粒遙感圖像相似性度量算法

由于2幅圖像的相似度越大，距離越小，反之，相似度越小，距離越大，可將IRM算法與圖像相容粒理論融合構建遙感圖像相似性度量。設DG′和RG′i(i=1，2，…,N)分別為圖像d′的圖像相容粒和區域相容粒，DG和RGj(j=1，2，…,M)分別為知識庫中圖像d的圖像相容粒和區域相容粒，RG′i和RGj之間的距離DisRG(RG′i,RGj)表達式為

DisRG(RG′i,RGj)=1-SinRG(RG′i,RGj) 。

(23)

在IRM算法中，2幅遙感圖像之間的距離是由顯著性因子和區域之間的距離來確定的。根據式(22)，圖像相容粒的距離可表示為

(24)

3 實驗與結果分析

3.1 實驗設計

為了驗證本文算法的可行性，利用MATLAB語言編寫原型系統進行實驗。使用28張IKONOS多光譜衛星圖像，用藍光、綠光和紅光3個波段合成標準真彩色圖像，每一幅圖像被分割成256像素×256像素的子圖像，2幅子圖像的最大重復度為50%，數據庫中共保留12 000幅子圖像，共覆蓋近4萬km2的各種地表覆蓋類型，包含農田、巖石、城市、植被、水體和裸土等。

在對圖像進行?；瘯r，借鑒文獻[13]的研究方法，首先把遙感圖像分割成32像素×32像素的子圖像，即本文定義的基本粒，以子圖像的64維顏色直方圖作為低層特征向量，利用K-means算法依據顏色特征向量對子圖像進行聚類，形成區域粒，并將聚類結果作為特征數據存入特征數據庫。在檢索過程中，用戶提交一幅查詢圖像，系統會自動對查詢圖像進行相應的處理，獲得圖像的特征數據。然后，根據圖像相容粒相似性度量算法計算相似性，獲取檢索結果。檢索模型流程如圖1所示。

圖1 檢索模型流程Fig.1 Flow chart of retrieval model

數據庫中包含6種語義的圖像，對每種語義分別選取10幅查詢圖像進行檢索，取檢索結果的前10幅圖像計算準確率，以10次實驗的準確率平均值作為該語義最終檢索的查準率，并和IRM算法檢索結果進行對比。

3.2 實驗結果及分析

2種檢索算法的查準率如表1所示。在不同語義下，本文算法的查準率都高于IRM算法，并且本文算法平均查準率為0.79，比IRM算法提高了12.08%，由此可見，本文算法在遙感圖像檢索中查準率有了顯著提高。

表1 2種算法檢索結果查準率Tab.1 Precision of two retrieve algorithms (%)

以一幅植被影像為例，分別利用2種檢索算法，獲取相似度前10的檢索影像，如表2所示。

(a)查詢影像 (b)前10幅IRM算法檢索影像(c)前10幅本文算法檢索影像

圖22種檢索算法比較

Fig.2Comparisonoftworetrievalalgorithms

圖2中檢索結果按照相似度從左往右，從上往下排序。根據檢索結果可以發現，一幅植被影像的前10幅檢索結果中，雖然第一幅檢索結果均為正確影像，但在IRM算法檢索的其他9幅影像效果明顯差于本文算法，其檢索出了含有城市的錯誤影像，使得IRM算法的平均查準率較低，而本文算法較高。

4 結論

本文通過對相容粒理論與綜合區域匹配算法的研究，提出了一種融合相容粒模型的遙感圖像檢索算法。該算法首先定義了相容粒的有關概念并對遙感圖像的粒化過程進行闡述，然后在區域相容粒相似度計算的基礎上，結合綜合區域匹配算法，得到了圖像相容粒相似性度量算法，并通過實驗驗證，得出如下結論：

1)本文算法將相容粒理論成功地應用到遙感圖像檢索領域并取得了理想的效果，實驗結果也證明了該算法的有效性。

2)將相容粒理論和綜合區域匹配算法相結合，相較于綜合區域匹配算法，其檢索精度得到了明顯提高，平均查準率提升了12.08%。

3)本文算法也存在一定的局限性，僅對IKONOS遙感圖像庫進行了實驗驗證，若數據庫有其他空間分辨率不同、輻射特征不同的衛星圖像數據，查準率會不會有如此大的提升，還有待進一步驗證。在下一步工作中，將尋找其他高空間分辨率的衛星數據庫以及混合衛星數據庫進行實驗驗證，以進一步評價本文算法的檢索效果。

[1] Wang M,Song T Y.Remote sensing image retrieval by scene semantic matching[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(5):2874-2886.

[2] Smeulders A W M,Worring M,Santini S,et al.Content-based image retrieval at the end of the early years[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(12):1349-1380.

[3] 杜根遠.海量遙感圖像內容檢索關鍵技術研究[D].成都:成都理工大學,2011.

Du G Y.Study on the Key Technology of Large-Scale Content Based Remote Sensing Image Retrieval[D].Chengdu:Chengdu University of Technology,2011.

[4] 李雙群,徐久成,張靈均,等.基于相容粒的彩色圖像檢索算法[J].廣西師范大學學報(自然科學版),2011,29(3):173-178.

Li S Q,Xu J C,Zhang J L,et al.Color image retrieval based on tolerance granules[J].Journal of Guangxi Normal University(Natural Science Edition),2011,29(3):173-178.

[5] Xu X L,Zhang L B,Yu Z Z,et al.Image retrieval using multi-granularity color features[C]//Proceedings of International Conference on Audio,Language and Image Processing.Shanghai:IEEE,2008:1584-1589.

[6] Ma Y Y,Wang C,Xu J C.Image retrieval system based on color feature of granular computing[C]//Proceedings of the 2010 2nd International Workshop on Intelligent Systems and Applications.Wuhan:IEEE,2010:1-3.

[7] Fei X,Liu C S.Multi-granular method for retrieving Thangka images[C]//Proceedings of 2014 International Conference on Progress in Informatics and Computing(PIC).Shanghai:IEEE,2014:46-50.

[8] Wang J Z,Li J,Wiederhold G.SIMPLIcity:Semantics-sensitive integrated matching for picture libraries[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(9):947-963

[10] 孟 軍.相容粒計算模型及其數據挖掘研究[D].大連:大連理工大學,2012.

Meng J.Tolerance Granular Computing Model and Its Research on Data Mining[D].Dalian:Dalian University of Technology,2012.

[11] 鄭 征.相容粒度空間模型及其應用研究[D].北京:中國科學院研究生院(計算技術研究所),2006.

Zheng Z.Tolerance Granular Space and Its Applications[D].Beijing:Chinese Academy of Science(Institute of Computing Technology),2006.

[12] 劉 韜,李向軍,邱桃榮,等.一種基于相容粒計算模型的文章相似度計算方法[J].廣西師范大學學報(自然科學版),2010,28(3):135-139.

Liu T,Li X J,Qiu T R.An approach to computing similarity degree between Chinese articles based on tolerance granular computing model[J].Journal of Guangxi Normal University(Natural Science Edition),2010,28(3):135-139.

[13] Li Y K,Bretschneider T R.Semantic-sensitive satellite image retrieval[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(4):853-860.

Remotesensingimageretrievalbasedontolerancegranularcomputingtheory

YANG Ping1,2, LI Yikun1,2, HU Yuxi3, YANG Shuwen1,2,4

(1.FacultyofGeomatics,LanzhouJiaotongUniversity,Lanzhou730070,China; 2.GansuProvincialEngineeringLaboratoryforNationalGeographicStateMonitoring,Lanzhou730070,China; 3.Xi’anMappingandPrintingCompanyofARSC，Xi’an710054,China; 4.GansuProvinceKeyLaboratoryofRemoteSensing,Lanzhou730000，China)

In order to improve efficiency and accuracy of remote sensing image retrieval, this paper proposes a remote sensing image retrieval approach based on granular computing model. Firstly, according to the tolerance granular computing theory, a series of concepts are defined, such as region tolerance granule, image tolerance granule and regional tolerance granular information table, and remote sensing images are granulated. Secondly, the region tolerance granular similarity is calculated. Finally, the remote sensing image similarity model is built combining tolerance granular computing and image integrated region matching algorithm. Using IKONOS data, the authors verified the two retrieval algorithms. The experimental results show that the precision of proposed approach is increased by 12.08% in comparison with original integrated region matching algorithm. Therefore, it can be concluded that the proposed approach can meet the users’ requirements.

remote sensing image retrieval; tolerance granular computing; integrated region matching; similarity measure model; precision

10.6046/gtzyyg.2017.04.08

楊萍,李軼鯤,胡玉璽,等.融合相容粒理論的遙感圖像檢索[J].國土資源遙感,2017,29(4)：43-47.(Yang P,Li Y K,Hu Y X,et al.Remote sensing image retrieval based on tolerance granular computing theory[J].Remote Sensing for Land and Resources,2017,29(4)：43-47.)

TP 751.1

A

1001-070X(2017)04-0043-05

2016-04-12；

2016-06-16

甘肅省高等學?；究蒲袠I務費項目“基于空間關系敏感的高分辨率衛星圖像檢索技術研究”(編號： 213049)、甘肅省科技計劃項目“面向對象的高分辨率遙感影像滑坡自動提取方法研究”(編號： 1506RJZA070)、“基于GIS和RS的城市土地利用動態演化與模擬研究”(編號： 148RJZA028)、甘肅省高等學?？蒲许椖俊皣a高分辨率遙感影像高大地物陰影檢測算法研究”(編號： 2015A-049)、甘肅省遙感重點實驗室(寒旱所)開放基金項目“中國高分系列影像地物陰影檢測與補償算法研究”和蘭州市人才創新創業項目“蘭州市降雨誘發滑坡預警系統”(編號： 2015-RC-28)共同資助。

楊 萍(1993-),女,碩士研究生,主要從事遙感圖像檢索技術研究。Email： 1480319601@qq.com。

李軼鯤(1978-),男,博士,副教授,主要從事衛星圖像檢索領域的研究。Email: liyikun2003@hotmail.com。

(責任編輯：陳理)