论文部分内容阅读
随着遥感图像数据的快速增长,如何快速准确的从大型图像数据库中有效地检索出用户感兴趣的图像,已成为管理和利用遥感图像数据的需要。基于内容的图像检索(Content-Based Image Retrieval,CBIR)是较好的解决方法,已成为遥感应用研究领域的一个重要方向。检索的目的是要求寻找与查询图像相关或者相似的图像,也可以理解为寻找同一类图像,而目前遥感图像检索的初始结果是基于图像自身视觉信息检索所得的,这只考虑了查询图像与检索图像库中图像之间的关系,忽略了检索图像库中不同图像之间的内在联系。同时,当前遥感图像检索方法中已经较好的应用了卷积神经网络(Convolutional Neural Network,CNN)强大的特征提取能力,但大多数研究者忽视了 CNN在图像分类、识别等应用中显示出的强大分类能力。针对以上问题,本文提出一种基于卷积神经网络和蚁群算法的遥感图像检索方法。首先利用蚁群算法(Ant Colony Optimization,ACO)的正反馈性建立检索图像库中图像之间的语义网络,并用一个信息素矩阵来存储图像间的语义联系程度。其次,通过不断迭代,改善检索图像库中图像之间的语义相似度。最后,在查询图像检索过程中充分利用该图像之间的语义关系改善检索结果。另外,在检索时还利用CNN的分类能力、图像与图像类别间的距离应用于计算图像相似度,进一步提高检索性能。本文在两个公开的遥感数据集PatternNet和UCM_LandUse上进行实验,结果表明本文算法具有较好的鲁棒性,且提高了遥感图像检索精度,更好地完成检索任务。本文方法的主要创新点:(1)利用蚁群算法描述检索图像库中图像之间语义关系,并在检索过程中充分利用该语义关系提高遥感图像检索性能。(2)在检索过程中充分利用CNN的分类能力、带标签的样本包含的类别信息以及查询图像固有的类别信息融合提高遥感图像检索性能。