基于上下文敏感的貝葉斯網(wǎng)絡(luò)及方向關(guān)系的遙感圖像檢索

胡玉璽， 李軼鯤， 楊萍

(1.中煤地西安地圖制印有限公司,西安 710054； 2.蘭州交通大學(xué)測繪與地理信息學(xué)院,蘭州 730070；3.甘肅省地理國情監(jiān)測工程實(shí)驗(yàn)室,蘭州 730070)

基于上下文敏感的貝葉斯網(wǎng)絡(luò)及方向關(guān)系的遙感圖像檢索

胡玉璽1,2,3， 李軼鯤2,3， 楊萍2,3

(1.中煤地西安地圖制印有限公司,西安 710054； 2.蘭州交通大學(xué)測繪與地理信息學(xué)院,蘭州 730070；3.甘肅省地理國情監(jiān)測工程實(shí)驗(yàn)室,蘭州 730070)

如何在遙感圖像數(shù)據(jù)庫中快速、準(zhǔn)確地找出目標(biāo)圖像，是檢索系統(tǒng)的核心所在?；趯ι舷挛恼Z境敏感的貝葉斯網(wǎng)絡(luò)(content-sensitive Bayesian network,CSBN)，建立了含有方向關(guān)系的檢索模型，并根據(jù)城市區(qū)域的特點(diǎn)，提出了適合城市區(qū)域檢索的方法。首先，通過貝葉斯網(wǎng)絡(luò)對圖像進(jìn)行檢索； 然后，依據(jù)圖像的平均高頻信號強(qiáng)度(average high frequency signal strength,AHFSS)對候選圖像進(jìn)行篩選； 最后，得到含有城市區(qū)域這一高級語義特征的最終檢索結(jié)果。為了確定圖像內(nèi)部的方向關(guān)系，采用東北、西北、東南和西南4個(gè)區(qū)域的方向描述圖像的8種方向關(guān)系，有效降低了算法的時(shí)間復(fù)雜度。實(shí)驗(yàn)結(jié)果表明，該方法可有效地描述圖像的場景語義，并具有較高的查準(zhǔn)率和檢索效率，可滿足用戶的需求。

圖像檢索； 上下文敏感的貝葉斯網(wǎng)絡(luò)(CSBN)； 方向關(guān)系； 平均高頻信號強(qiáng)度(AHFSS)； 雙重語義檢索

0 引言

由于圖像空間分辨率的不斷提高，遙感圖像海量數(shù)據(jù)管理、訪問及應(yīng)用的難度變得越來越大，因此，如何在大型數(shù)據(jù)庫中進(jìn)行高效的圖像檢索成為研究的難點(diǎn)[1-2]。基于內(nèi)容的圖像檢索，是指用戶提交樣本圖像，借助色調(diào)、紋理和形狀等低層特征，在數(shù)據(jù)庫中檢索出具有相同或相似內(nèi)容圖像的過程[3]； 但由于人類與計(jì)算機(jī)對圖像的理解方式存在差異，造成了人類視覺對圖像理解的“語義相似”和機(jī)器視覺理解的“特征相似”之間存在著難以逾越的“語義鴻溝”(semantic gap)[4]。經(jīng)驗(yàn)表明，采用早期的基于內(nèi)容的圖像檢索(content based image retrieval,CBIR)系統(tǒng)，通過提取圖像的全局特征進(jìn)行檢索時(shí)，對于有顯著目標(biāo)存在的圖像來說，由于全局特征無法準(zhǔn)確描述圖像內(nèi)容，會對檢索精度造成影響。為解決這一問題，有學(xué)者提出了基于區(qū)域的圖像檢索(region based image retrieval,RBIR)，使圖像檢索技術(shù)得到了空前的發(fā)展[5]。近年來在圖像檢索中，貝葉斯網(wǎng)絡(luò)常被用來進(jìn)行語義挖掘。Datcu等[6]建立了一個(gè)5層結(jié)構(gòu)的貝葉斯學(xué)習(xí)模型，進(jìn)行圖像的視覺特征到高層語義特征的挖掘。林明澤等[7]借助圖像類與語義概念之間多對多的關(guān)系，建立代碼和語義概念之間鏈接的模型，采用簡單貝葉斯網(wǎng)絡(luò)(simple Bayesian network,SBN)推斷圖像的語義信息，該方法的查全率較高、但查準(zhǔn)率偏低。Li等[8-9]則認(rèn)為簡單的貝葉斯網(wǎng)絡(luò)不足以描述復(fù)雜的圖像信息，建立了基于對上下文語境敏感的貝葉斯網(wǎng)絡(luò)(content-sensitive Bayesian network,CSBN)，其最主要的特征是通過綜合相鄰區(qū)域的特征推斷圖像的語義特征，有效地提高了圖像檢索的查準(zhǔn)率。但在這些檢索方法中，缺少對圖像方向關(guān)系的描述，無法詳細(xì)地描述圖像的場景語義。本文在對CSBN進(jìn)行研究的基礎(chǔ)上，針對城市區(qū)域的特點(diǎn)，提出了以平均高頻信號強(qiáng)度(average high frequency signal strength,AHFSS)作為城市區(qū)域語義特征的衡量方法，并利用區(qū)域間的方向關(guān)系描述圖像的場景語義，以有效地彌補(bǔ)“語義鴻溝”，更加深入地描述圖像所包含的語義信息。

1 基于貝葉斯網(wǎng)絡(luò)的圖像檢索

1.1 CSBN語義推斷

1.1.1 數(shù)學(xué)模型

為了進(jìn)行語義推斷，圖像It與語義概念SCk的相關(guān)程度通過CSBN由后驗(yàn)概率P(SCk|It)來測度。CSBN如圖1所示。

圖1 對上下文敏感的貝葉斯網(wǎng)絡(luò)(CSBN)

CSBN的后驗(yàn)概率計(jì)算公式為

(1)

其中

(2)

(3)

(4)

部的鄰接區(qū)域，則有

(5)

式(5)可以防止計(jì)算P(SCk|It)時(shí)偏向那些有著更多鄰接區(qū)域的區(qū)域。

(6)

1.1.2 編碼共生矩陣

為了使P(SCk|It)的計(jì)算更加簡單，定義編碼對重要度，并生成編碼共生矩陣。編碼對(u，v)和語義SCk之間的關(guān)聯(lián)程度通過編碼對重要度函數(shù)CPIk()反映，故可通過SCk的先驗(yàn)概率確定編碼對(u,v)的重要度，其計(jì)算方法為

(7)

式中u,v分別為碼本中的編碼，并構(gòu)成編碼共生矩陣Mk。

根據(jù)Mk并假設(shè)先驗(yàn)概率P(SCk)服從一致分布，式(6)可化簡為

1.1.3 語義得分函數(shù)

(9)

根據(jù)區(qū)域語義得分函數(shù)，圖像語義得分函數(shù)SIk()可定義為

(10)

圖像語義得分函數(shù)SIk()用于測度圖像It與語義概念SCk的相關(guān)程度。如果SCk(It)大于預(yù)定義的閾值，那么圖像It就被認(rèn)為至少包含語義概念SCk。根據(jù)式(8)和(10)可以證明

P(SCk|It)∝SIk(It)。

(11)

值得注意的是，這個(gè)結(jié)論是式(2)的特殊形式。因此圖像語義得分函數(shù)與CSBN是一致的。

1.2 基于方向關(guān)系的語義推斷

在前文描述的CSBN模型中，沒有包含圖像的方向關(guān)系，不利于詳細(xì)描述圖像的語義信息； 而在基于貝葉斯網(wǎng)絡(luò)的檢索系統(tǒng)中，對圖像編碼時(shí)可以依據(jù)區(qū)域在圖像中所處的位置記錄下每一個(gè)編碼區(qū)域所在的位置。因此，借助柵格圖像的方向關(guān)系，可以描述出圖像詳細(xì)的語義。本文根據(jù)編碼所在的位置，描述圖像中地物類型的方向關(guān)系。

在柵格圖像中，傳統(tǒng)的方向被描述為9種方向(圖像分為9塊，居中的為中，四鄰接的4塊為東、南、西、北，剩余的4塊為東南、西南、東北和西北)，對方向關(guān)系的描述較為精細(xì)，但應(yīng)用到檢索系統(tǒng)中，時(shí)間復(fù)雜度會較高?？紤]到檢索系統(tǒng)的檢索效率，結(jié)合人們在觀看圖像時(shí)對上北下南、左西右東的方向認(rèn)知習(xí)慣，本文將圖像分為西北、東北、西南和東南4個(gè)區(qū)域，并用這4個(gè)區(qū)域的方向描述圖像的8種方向關(guān)系。用這種方法描述圖像的方向關(guān)系雖不及傳統(tǒng)描述方法準(zhǔn)確，但在檢索過程中時(shí)間復(fù)雜度會降低，且可滿足用戶對圖像內(nèi)容的認(rèn)知和檢索需求。

雙重語義檢索，即檢索具有2種語義的圖像。在CSBN圖像檢索中，可使用2組樣本圖像分別進(jìn)行檢索，然后取2次檢索結(jié)果的交集作為最終的檢索結(jié)果。在考慮到圖像的方向關(guān)系時(shí)，當(dāng)系統(tǒng)判定編碼屬于檢索目標(biāo)時(shí)，先計(jì)算編碼所處的區(qū)域位置，若滿足檢索語義中的方向關(guān)系，則作為結(jié)果圖像，否則舍去。也可以使用1組樣本進(jìn)行檢索，使編碼對包含2種語義信息。

使用2組樣本圖像檢索的數(shù)學(xué)描述如下：

(12)

為了保證檢索系統(tǒng)的查全率，通常將上述閾值設(shè)置為0。

1.3 AHFSS計(jì)算

對城市區(qū)域內(nèi)的地物光譜信息進(jìn)行統(tǒng)計(jì)分析后發(fā)現(xiàn)，在城市區(qū)域集中出現(xiàn)的建筑物邊緣及陰影、水泥屋頂?shù)鹊匚锒际歉哳l信號較強(qiáng)的地物，故城市區(qū)域的圖像在頻率域內(nèi)呈現(xiàn)高頻信號強(qiáng)的特點(diǎn)。高通濾波具有保留圖像高頻信息、消除圖像低頻成份的作用。故先對圖像進(jìn)行高通濾波處理，然后計(jì)算圖像的AHFSS，作為城市區(qū)域檢索排序時(shí)的一個(gè)特征向量。通過實(shí)驗(yàn)研究，本文采用理想型高通濾波器，濾波器的截止頻率為5。整個(gè)圖像的變換(DFT)和(IDFT)反變換過程為

f(x,y)→DFT→F(u,v)→F(u,v)H(u,v)→G(u,v)→IDFT→g(x,y),

(13)

式中：f(x,y)為原始圖像；F(u,v)為圖像的傅里葉變換；H(u,v)為濾波器變換函數(shù)；g(x,y)為變換后圖像。

在對圖像進(jìn)行高通濾波處理之后，為了確定圖像中高頻信息的含量，定義g(x,y)的平均值為AHFSS，其計(jì)算方法為

(14)

式中M和N分別為圖像的行數(shù)和列數(shù)。

2 檢索實(shí)驗(yàn)結(jié)果及分析

2.1 城市區(qū)域檢索實(shí)驗(yàn)

本文實(shí)驗(yàn)中用到的數(shù)據(jù)庫由多光譜衛(wèi)星圖像分割而成，每景圖像大小為256像元×256像元，共20 000景，涵蓋了積雪(1 150)、農(nóng)田(752)、城市(7 473)、水體(4 692)、森林(5 715)、云(605)、裸土(1 816)和巖石(2 214)等8種地物類型。括號中的數(shù)字表示與相應(yīng)的語義概念相關(guān)聯(lián)的圖像數(shù)量，其中，1景圖像可能對應(yīng)多個(gè)語義概念。數(shù)據(jù)庫中所用到的圖像為IKONOS或WorldView2圖像，每景圖像分別覆蓋65 536 m2或262 144 m2的地物，1景圖像最多對應(yīng)4種語義信息、最少對應(yīng)1種語義信息。

在特征提取時(shí)，把圖像分割成32像元×32像元的子圖像，以圖像的顏色直方圖作為底層特征向量，并對圖像進(jìn)行編碼(共300個(gè)碼)。

本文采用局部的AHFSS值衡量圖像的城市語義，按照提出的4方向關(guān)系，取每一景圖像中4個(gè)方向區(qū)域中AHFSS最大值作為圖像的AHFSS值，其目的是為了有效避免圖像中其他地物對城市區(qū)域的影響。倘若圖像由單一地物構(gòu)成，則選用全局的AHFSS值來衡量圖像； 但如果圖像由多種地物構(gòu)成，則不宜使用整景圖像的AHFSS值來衡量圖像。由于其他地物的存在，會使圖像中城市區(qū)域圖像的AHFSS值降低； 而選擇4個(gè)方向區(qū)域中AHFSS最大值來衡量圖像，則可有效避免這個(gè)問題。

本文分2組實(shí)驗(yàn)與文獻(xiàn)[7]提出的SBN和CSBN在城市區(qū)域檢索中的效果進(jìn)行對比。實(shí)驗(yàn)中以圖像檢索的查準(zhǔn)率、查全率和F1測度值衡量檢索系統(tǒng)。由于查準(zhǔn)率和查全率之間存在著復(fù)雜的關(guān)系，且單獨(dú)使用查準(zhǔn)率或查全率無法準(zhǔn)確描述圖像，為了綜合考慮2方面的情況，有的學(xué)者在查準(zhǔn)率和查全率的基礎(chǔ)上提出了F1測度值，其計(jì)算方法為

F1=2ηrηp/(ηr+ηp),

(15)

式中：ηr為查全率；ηp為查準(zhǔn)率。

2.1.1 實(shí)驗(yàn)一

選取圖像庫中的1組城市區(qū)域圖像(共25景)作為訓(xùn)練樣本進(jìn)行檢索實(shí)驗(yàn)，分別比較SBN,CSBN和以AHFSS做篩選后的檢索結(jié)果。選取的閾值為10，保留AHFSS大于閾值的圖像作為檢索結(jié)果，實(shí)驗(yàn)結(jié)果見表1。

表1 貝葉斯網(wǎng)絡(luò)城市區(qū)域檢索結(jié)果比較

2.1.2 實(shí)驗(yàn)二

選取圖像庫中的單景圖像作為訓(xùn)練樣本進(jìn)行檢索實(shí)驗(yàn)，共檢索5次，取查準(zhǔn)率和查全率的平均值作為實(shí)驗(yàn)結(jié)果(表2)。

表2 單一訓(xùn)練樣本貝葉斯城市區(qū)域檢索結(jié)果比較

2.2 檢索結(jié)果分析

2.2.1 SBN和CSBN

從實(shí)驗(yàn)結(jié)果可以看出，在碼本為300碼時(shí)(表1)，CSBN檢索查準(zhǔn)率較高，而SBN查全率較高。使用相同的訓(xùn)練樣本進(jìn)行檢索，相較于SBN檢索方法，CSBN檢索方法檢索出的圖像減少了7 304景，查準(zhǔn)率提高了14.67%，查全率降低了31.92%，F(xiàn)1測度值降低了0.71%。這主要是因?yàn)榛诰幋a的檢索具有更高的準(zhǔn)確性，而基于單個(gè)編碼的檢索具有更高的查全率。同時(shí)，由于在實(shí)驗(yàn)數(shù)據(jù)庫中，城市區(qū)域的圖像大約占37.36%，如果檢索中返回?cái)?shù)據(jù)庫中的全部圖像，檢索的查準(zhǔn)率也會有37.36%。各類型圖像分布的不均勻也會對檢索結(jié)果造成一定的影響，本文中暫未考慮這一影響。

2.2.2 SBN+AHFSS和CSBN+AHFSS

從表1可以看出，選用一組訓(xùn)練樣本進(jìn)行檢索實(shí)驗(yàn)，相較于SBN檢索方法，SBN+AHFSS檢索方法檢索出的圖像總數(shù)減少了3 851景，查準(zhǔn)率提高了10.72%，查全率降低了8.83%，F(xiàn)1測度值升高了6.14%。相較于CSBN檢索方法，CSBN+AHFSS檢索方法檢索出的圖像總數(shù)減少了1 005景，查準(zhǔn)率提高了6.51%，查全率降低了2.67%，F(xiàn)1測度值升高了1.67%。這是由于城市區(qū)域圖像的AHFSS值相對較高，使用AHFSS結(jié)合閾值進(jìn)行圖像篩選能顯著降低初次檢索中的檢索錯(cuò)誤，有效提高了檢索系統(tǒng)的查準(zhǔn)率。

從表2可以看出，相較于SBN檢索方法，SBN+AHFSS檢索方法使查準(zhǔn)率提高了6.49%，查全率降低了1.81%，F(xiàn)1測度值降低了0.05%。相較于CSBN檢索方法，CSBN+AHFSS檢索方法檢索出的圖像總數(shù)使查準(zhǔn)率提高了3.28%，查全率降低了0.27%，F(xiàn)1測度值降低了0.26%。這是由于在這些單景圖像檢索實(shí)驗(yàn)中，由于檢索查準(zhǔn)率原本就很高，故對檢索結(jié)果影響不是很明顯，但也使查準(zhǔn)率有了相應(yīng)的提高。由于圖像檢索的查準(zhǔn)率和查全率之間具有互逆性，本文增加了檢索的限制條件，故降低了查全率，使查準(zhǔn)率變高。

2.3 雙重語義檢索實(shí)驗(yàn)

雙重語義檢索結(jié)果較大程度地受到所使用的數(shù)據(jù)庫和選取的訓(xùn)練樣本的影響。本文使用查準(zhǔn)率較高的CSBN進(jìn)行實(shí)驗(yàn)，檢索一邊是城市、另一邊是水體的圖像。采用單一圖像組成的訓(xùn)練樣本進(jìn)行檢索實(shí)驗(yàn)，檢索結(jié)果(前10景)如圖2所示。

(a)查詢圖像 (b)第1景(c)第2景(d)第3景(e)第4景(f)第5景(g)第6景(h)第7景(i)第8景(j)第9景(k)第10景

圖2雙重語義檢索結(jié)果(前10景)

Fig.2Resultsofdouble-semanticretrieval(top10cences)

從圖2可以看出，檢索出的前10景圖像均與檢索語義相符合。由于檢索結(jié)果圖像中城市區(qū)域范圍較大(尤其在1,2,3和10這4景圖像中)，按照本文定義的方向關(guān)系，城市區(qū)域占了全部的方位，故檢索精度還有待提高。

3 結(jié)論

本文根據(jù)城市區(qū)域集中出現(xiàn)邊緣、建筑物陰影和水泥屋頂?shù)雀哳l信號較強(qiáng)地物的特點(diǎn)，提出了一種基于上下文敏感的貝葉斯網(wǎng)絡(luò)(CSBN)進(jìn)行圖像檢索，并結(jié)合平均高頻信號強(qiáng)度(AHFSS)對初次檢索結(jié)果進(jìn)行篩選的遙感圖像數(shù)據(jù)庫城市區(qū)域檢索方法。同時(shí)，針對已有的CSBN檢索模型中缺失方向關(guān)系的不足，提出圖像簡單的方向關(guān)系模型。通過實(shí)驗(yàn)得出如下結(jié)論：

1)簡單貝葉斯網(wǎng)絡(luò)(SBN)系統(tǒng)具有較高的查全率，CSBN系統(tǒng)具有較高的查準(zhǔn)率。這主要是由于CSBN比SBN系統(tǒng)有更多的限制條件，故查準(zhǔn)率較高。

2)編碼區(qū)域在圖像中所在的位置可以利用方向關(guān)系模型很明確地計(jì)算出來，故利用區(qū)域間的方向關(guān)系可有效描述圖像的語義信息。

3)利用AHFSS可以提高貝葉斯檢索系統(tǒng)的查準(zhǔn)率。

然而，本文方法也存在一定的不足之處，在圖像篩選階段，閾值只由經(jīng)驗(yàn)判斷得出； 而在整個(gè)圖像數(shù)據(jù)庫中，各類地物分布不均，這會對檢索結(jié)果造成一定的影響，文中暫未考慮這一點(diǎn)。在今后進(jìn)一步的工作中，將著重研究如何根據(jù)圖像自動生成閾值。

[1] Zhang B.Intelligent remote sensing satellite system[J].Journal of Remote Sensing,2011,15(3):415-431.

[2] Li Y K.Semantic-Sensitive Remote Sensing Imagery Retrieval[M].Beijing:China Environmental Science Press,2014:1-7.

[3] 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.

[4] Datta R,Joshi D,Li J,et al.Image retrieval:Ideas,influences,and trends of the new age[J].ACM Computing Surveys,2008,40(2):Article No.5.

[5] Belloulata K,Belallouche L,Belalia A,et al.Region based image retrieval using shape-adaptive DCT[C]//Proceedings of 2014 IEEE China Summit and International Conference on Signal and Information Processing(ChinaSIP),Xi’an,China:IEEE,2014:470-474.

[6] Datcu M,Seidel K.Human-centered concepts for exploration and understanding of earth observation images[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(3):601-609.

[7] 林明澤,李軼鯤,安新磊,等.簡單貝葉斯網(wǎng)絡(luò)的遙感圖像檢索[J].云南民族大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,19(1):67-70. Lin M Z,Li Y K,An X L,et al.Remote sensing image retrieval based on the simple Bayesian network[J].Journal of Yunnan University of Nationalities(Natural Sciences Edition),2010,19(1):67-70.

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

[9] Li Y K,Yang S W,Liu T,et al.Comparative assessment of semantic-sensitive satellite image retrieval:Simple and context-sensitive Bayesian networks[J].International Journal of Geographical Information Science,2012,26(2):247-263.

[10]李軼鯤,閆浩文,孫建國.分步式衛(wèi)星圖像檢索[J].測繪科學(xué),2009,34(6):53-55. Li Y K,Yan H W,Sun J G.Stepwise satellite image retrieval[J].Science of Surveying and Mapping,2009,34(6):53-55.

(責(zé)任編輯：劉心季)

Retrievingofremotesensingimagesbasedoncontent-sensitiveBayesiannetworksanddirectionrelations

HU Yuxi1,2,3， LI Yikun2,3， YANG Ping2,3

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

Retrieving the required remote sensing images effectively and accurately is the kernel of a remote sensing retrieval system. In this paper, the authors proposed a direction based retrieval model based on context-sensitive Bayesian network(CSBN). In addition, an approach was also proposed that is suitable to retrieving urban area images according to the characteristics of urban areas. Initially, the proposed approach retrieved the candidate images based on CSBN. Then, the proposed approach obtained the final retrieval result containing the high level semantic concept “urban area” according to the average high frequency signal strength(AHFSS)of the candidate images. In order to make sure the direction relationships inside the image, the authors used the four directions of northeast, northwest, southeast and southwest to describe eight kinds of directions, which effectively reduced the time complexity of the algorithm. The experimental results show that the proposed approach can effectively describe the semantic concepts of the stored remote sensing images, and thus has higher retrieval precision and efficiency than the original context-sensitive Bayesian network based approach, thus proving that the proposed approach can meet the users’ requirements.

image retrieval； context-sensitive Bayesian network(CSBN)； direction relations； average high frequency signal strength(AHFSS)； double-semantic retrieval

10.6046/gtzyyg.2017.03.10

胡玉璽,李軼鯤,楊萍.基于上下文敏感的貝葉斯網(wǎng)絡(luò)及方向關(guān)系的遙感圖像檢索[J].國土資源遙感,2017,29(3)：70-76.(Hu Y X,Li Y K,Yang P.Retrieving of remote sensing images based on content-sensitive Bayesian networks and direction relations[J].Remote Sensing for Land and Resources,2017,29(3)：70-76.)

2016-02-01；

2016-03-27

國家自然科學(xué)基金地區(qū)基金項(xiàng)目“面向空間方向關(guān)系查詢的多模型復(fù)合方法研究”(編號： 41561090)、甘肅省財(cái)政廳基本科研業(yè)務(wù)費(fèi)項(xiàng)目“群組目標(biāo)空間方向關(guān)系計(jì)算模型研究”(編號： 214146)、甘肅省高等學(xué)?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目“基于空間關(guān)系敏感的高分辨率衛(wèi)星圖像檢索技術(shù)研究”(編號： 213049)和中國博士后科學(xué)基金資助項(xiàng)目“基于高分辨率遙感影像的滑坡自動提取方法研究”(編號： 2014M552558XB)共同資助。

胡玉璽(1990-),男,碩士研究生,主要從事遙感圖像檢索技術(shù)研究。Email： 598021029@qq.com。

李軼鯤(1978-),男,博士,副教授，主要從事遙感圖像檢索技術(shù)研究。Email： liyikun2003@hotmail.com。

TP 751.1

： A

： 1001-070X(2017)03-0070-07