基于多特征融合的高空间分辨率图像场景分类框架

为实现高空间分辨率（HSR）图像的高精度分类，本文提出一种新的基于多特征融合的场景分类框架（MF2SCF），通过融合HSR图像的局部、全局和颜色特征。具体而言，我们首先借助图像切片和稠密连接卷积网络（DenseNet）提取局部特征，其中微调后DenseNet-121模型中稠密块的输出被联合平均并拼接以描述局部特征。其次，从复杂网络（CN）的角度，我们基于像素距离、强度和梯度将HSR图像建模为无向图，并获得灰度图像（GSI）、图像梯度（GoI）以及三幅基于CN的特征图像以刻画全局特征。为使全局特征描述子抵抗旋转和光照的影响，我们分别对GSI、GoI和特征图像应用均匀局部二值模式（LBP），并通过拼接空间直方图生成最终的全局特征表示。第三，颜色特征基于归一化HSV直方图确定，其中HSV分别代表色调、饱和度和明度。最后，三个特征向量被联合拼接用于场景分类。实验结果表明，与最先进的基于LBP的方法和基于深度学习的方法相比，MF2SCF显著提高了分类精度。