遥感图像存在大量语义对象,相同的语义对象视觉差异较大,针对卷积神经网络(CNN)提取的全局特征不能准确描述图像内容的问题,提出了一种使用区域注意力机制的遥感图像检索方法。首先去除CNN的全连接层,将高层特征作为区域注意力网络的输入;然后在遥感图像数据集上分别训练CNN和区域注意力网络,提取具有区域关注度的图像特征;最后构建了一种多距离相似性度量矩阵并采用扩展查询以提高检索性能。实验结果表明,相比基于全局特征的遥感图像检索方法,本方法能有效抑制遥感图像背景和不相关的图像区域,在两大遥感实验数据集上的检索性能更好。

基于内容的遥感图像检索存在着低层视觉特征与用户对图像理解的高层语义不一致、图像检索精度低以及单一的距离度量方法不能完全真实反映图像之间相似程度等问题。对此提出一种基于改进的模糊C均值聚类和卷积神经网络的遥感图像检索方法。该方法充分利用遥感图像的特性, 通过Retinex算法自适应处理遥感图像噪声, 运用自学习能力良好的卷积神经网络对遥感图像进行多层神经网络的监督学习, 提取遥感图像特征, 并运用改进的模糊C均值进行特征聚类分析。同时, 将快速排序算法与距离位置权重相结合的Top-k排序算法运用到实验当中, 提高遥感图像的检索精度。实验表明, 该方法可以显著提高遥感图像的检索性能。

提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先, 通过多层卷积神经网络对遥感图像进行卷积和池化处理, 得到每幅图像的特征图, 抽取高层特征构建图像特征库; 在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后, 借助Softmax分类器在图像检索阶段对查询图像引入类别反馈, 提高图像检索准确度, 并根据查询图像特征和图像特征库中特征向量之间的距离, 按相似程度由大到小进行排序, 得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验, 结果显示: 针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约984%, 增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%; 类别信息的引入有效提高了遥感图像的检索速度和准确度, 检索时间减少了约17.6%; 与颜色、纹理、词袋模型的对比实验表明, 利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。

针对高分辨率的遥感图像，提出了一种视觉词袋和Gabor 纹理融合的图像检索方法。遥感图像纹理信息丰富，局部关键点多，当图像存在较多相似纹理时，视觉词袋检索准确率下降。将视觉词袋和Gabor 纹理融合在一起结合了局部特征和全局特征以及中层词袋和底层纹理的优点，可以改进遥感图像的描述方式。实验结果表明，通过合理地分配视觉词袋和Gabor 纹理的权重，特征融合的检索性能与单一特征方法相比有较大提高，并优于传统的Gabor 纹理和颜色矩融合方法。因此，视觉词袋和Gabor 纹理融合在遥感图像检索领域是一种有效的方法。