基于PLSA和BoW的高分遙感影像小型港口檢測(cè)

畢 奇,童 心,張濟(jì)勇,許 凱， 張 涵， 秦 昆

1.武漢大學(xué)遙感信息工程學(xué)院，武漢430079

2.北京洛斯達(dá)數(shù)字遙感技術(shù)有限公司中南分公司，武漢430070

3.國(guó)網(wǎng)經(jīng)濟(jì)技術(shù)研究院有限公司,北京102209

4.中國(guó)地質(zhì)大學(xué)（武漢）信息工程學(xué)院，武漢430070

遙感技術(shù)在環(huán)境監(jiān)測(cè)、應(yīng)急響應(yīng)和重要場(chǎng)所監(jiān)管等諸多領(lǐng)域應(yīng)用廣泛.其中，對(duì)港口等主要運(yùn)輸場(chǎng)所的監(jiān)管關(guān)系到港口利用、經(jīng)濟(jì)發(fā)展和國(guó)家安全[1-3].相比于大型港口，對(duì)漫長(zhǎng)水岸線上分布的眾多小型港口的管理往往受到人力限制，很難實(shí)現(xiàn)有效監(jiān)管.另外，港口環(huán)境復(fù)雜、港口特征難以描述，港口目標(biāo)的自動(dòng)檢測(cè)至今仍是難點(diǎn)[4].

常見(jiàn)的大中型港口檢測(cè)方法包括形態(tài)學(xué)[5]、基于邊緣線特征[6]和基于紋理特征等方法[7].數(shù)據(jù)日益豐富的高分辨率遙感影像為小型港口監(jiān)測(cè)提供了有效的數(shù)據(jù)源.目前利用高分影像進(jìn)行港口檢測(cè)的方法主要包括視覺(jué)注意機(jī)制、概率潛在語(yǔ)義分析模型（probabilistic latent semantic analysis,PLSA）和詞袋模型（bag of words,BoW）.其中，視覺(jué)注意機(jī)制可將底層特征抽象為高級(jí)知識(shí)，提高港口的檢測(cè)精度，但對(duì)特征的隱含信息挖掘不夠充分，模型適應(yīng)性不足[8-9]；PLSA 和BoW 模型則可充分挖掘隱含信息，橫跨語(yǔ)義鴻溝.針對(duì)PLSA 對(duì)視覺(jué)單詞的空間分布考慮不足這一問(wèn)題，文獻(xiàn)[10]使用不變量特征描述目標(biāo)，利用PLSA 模型提取隱含語(yǔ)義信息作為特征輸入，使用SVM 分類器獲取分類模型，從而提高了港口檢測(cè)的精度.文獻(xiàn)[11]構(gòu)建了一種基于多尺度不變特征的BoW 模型用于遙感影像港口分類，但港口識(shí)別中的視覺(jué)詞匯多義性問(wèn)題仍未得到有效解決.

本文研究了一種基于PLSA 和BoW 的高分遙感影像小型港口檢測(cè)方法.首先提取歸一化差分水體指數(shù)（normalized differential water index,NDWI）和分形維數(shù)特征，基于GrabCut分割方法得到水岸線，縮小搜索范圍；然后將灰度直方圖統(tǒng)計(jì)、NDWI、分形維數(shù)紋理特征引入PLSA 模型生成特征描述集，同時(shí)將加速魯棒特征（speeded up robust features,SURF）引入BoW 模型生成視覺(jué)詞典；進(jìn)而根據(jù)以上特征描述集，基于小型港口樣本庫(kù)訓(xùn)練SVM分類器；最后在待檢測(cè)影像上實(shí)現(xiàn)高分影像小型港口的高精度檢測(cè).

1 基本原理

1.1 小型港口特征描述

小型港口常沿江沿湖分布，相比于大中型港口，面積小、幾何形狀不規(guī)則，常缺少防波堤和倉(cāng)庫(kù)等設(shè)施.文獻(xiàn)[12]指出，小型港口所具有的穩(wěn)定特征是其輪廓特征點(diǎn)比非港口區(qū)域密集.因此高分遙感影像上小型港口的主要特征包括：1）位于水陸交界處，水岸線是其存在的前提.受水岸本身和港口建筑物、船舶等影響，水岸線一帶往往形狀不規(guī)則且紋理信息豐富.2）包括水體和陸地背景.影像中往往水域灰度較低、陸地灰度較高.3）由船舶、建筑物等目標(biāo)組成，目標(biāo)間的空間信息豐富.4）少見(jiàn)防波堤等大型港口設(shè)施.

針對(duì)這些特點(diǎn)，本文選用分形維數(shù)、歸一化差分水體指數(shù)NDWI、灰度直方圖和SURF點(diǎn)特征來(lái)描述小型港口.

1）分形維數(shù)

該特征旨在定量描述不規(guī)則集合目標(biāo)的形狀復(fù)雜度.考慮到港口幾何形態(tài)復(fù)雜，水岸線和陸地部分紋理信息豐富，水域部分紋理信息匱乏，該特征可有效描述港口紋理信息復(fù)雜的水岸線.本文選用圖像處理領(lǐng)域常用的盒子維數(shù)計(jì)算方法[13].

2）NDWI

NDWI 是描述水體最常見(jiàn)方法[14]，定義為

式中，pGreen和pNIR分別為綠光波段和近紅外波段的光譜反射率.

由于陸地區(qū)域（包括房屋群和植被群等）NDWI 值較低，因此NDWI 在描述港口水體部分的同時(shí)，可有效突出港口區(qū)域的光譜特征.

3）灰度直方圖

影像灰度直方圖描述像素灰度值在各灰度級(jí)的分布，一般將影像灰度級(jí)由小到大展開(kāi)，并依次統(tǒng)計(jì)像素灰度在各個(gè)灰度級(jí)上出現(xiàn)的頻率，其計(jì)算公式為

式中，rk表示灰度值為k的所有像素，N為像素總數(shù)，nk是灰度值為k的像素?cái)?shù).

港口位于水陸交界處，影像具有水域灰度較低、陸地灰度較高的特點(diǎn).灰度直方圖可有效描述港口區(qū)域的光譜特征.

4）SURF 點(diǎn)特征

SURF 算子是對(duì)SIFT 算子的改進(jìn)[15]，增強(qiáng)了對(duì)光照變化以及噪聲干擾的魯棒性.該算子生成步驟主要包括：

步驟1利用Hessian 構(gòu)造影像金字塔；

步驟2非極值點(diǎn)抑制初步確定特征點(diǎn)；

步驟3極值點(diǎn)精確定位；

步驟4興趣點(diǎn)主方向確定；

步驟5SURF 特征描述.

使用SURF 特征點(diǎn)加上簡(jiǎn)單的聚類操作，很容易在BoW 模型下描述港口中船舶、建筑物等目標(biāo)，估計(jì)港口中豐富的上下文信息.

1.2 PLSA 與BoW 模型原理

1.2.1 PLSA 原理

PLSA 的核心思想是對(duì)目標(biāo)描述特征出現(xiàn)次數(shù)進(jìn)行統(tǒng)計(jì)，降低描述向量維數(shù)，提取隱含主題信息.其理論基礎(chǔ)牢固，魯棒性較強(qiáng)，應(yīng)用廣泛.

假定得到一組特征集F={f1,f2,··· ,fM}，描述的目標(biāo)O={o1,o2,··· ,oN}，并由此組成N ×M的特征頻率矩陣N=(n(oi,fj))ij,n(oi,fj)表示特征fj在目標(biāo)oi中出現(xiàn)的頻率.每一對(duì)(oi,fj)與一組潛在成分主題Z={z1,z2,··· ,zK}相對(duì)應(yīng)，K為任意給定的常數(shù).PLSA 的本質(zhì)就是描述目標(biāo)與隱含信息之間的聯(lián)合概率函數(shù)P(oi,fj,zk).文獻(xiàn)[16]給出了相應(yīng)的理論與推導(dǎo).

1.2.2 BoW 原理

BoW 最早應(yīng)用于文本分類，其基本思想是通過(guò)統(tǒng)計(jì)文本中關(guān)鍵詞w1,w2,··· ,wn的頻率直方圖來(lái)構(gòu)建文本描述集D.具體原理和公式推導(dǎo)見(jiàn)文獻(xiàn)[10].

由于原理簡(jiǎn)單且處理效率高，BoW 模型得到廣泛應(yīng)用.圖像關(guān)鍵詞提取與文本關(guān)鍵詞的一個(gè)主要差異是其通常在提取點(diǎn)特征后聚類生成圖像詞匯.其中聚類方法尤以K 均值聚類算法使用廣泛，具體步驟如下：

習(xí)近平總書(shū)記指出：“青年興則國(guó)家興，青年強(qiáng)則國(guó)家強(qiáng)。青年一代有理想、有本領(lǐng)、有擔(dān)當(dāng)，國(guó)家就有前途，民族就有希望?！?/p>

步驟1隨機(jī)選取k個(gè)初始中心；

步驟2確定每個(gè)特征點(diǎn)與聚類中心的距離，并將該特征點(diǎn)歸并于與其距離最近的聚類中心；

步驟3對(duì)完成聚類操作的數(shù)據(jù)重新生成聚類中心；

步驟4重復(fù)步驟2 和3，直到結(jié)果收斂為止.

該算法可有效將高相似度的詞匯降維，構(gòu)建較完善的視覺(jué)詞典.統(tǒng)計(jì)出各個(gè)單詞在詞典中出現(xiàn)的頻率并構(gòu)建統(tǒng)計(jì)直方圖向量后，使用合適的分類器即可識(shí)別.

2 檢測(cè)方法

本文將PLSA 和BoW 模型相結(jié)合對(duì)小型港口目標(biāo)進(jìn)行檢測(cè)，流程如圖1所示，包括預(yù)處理、特征提取、生成PLSA 和BoW 模型、訓(xùn)練分類器等步驟.

2.1 預(yù)處理

將水岸線提取作為預(yù)處理環(huán)節(jié)，能有效縮小港口檢測(cè)范圍，提高檢測(cè)效率.本文水岸線提取基于分形維數(shù)特征和NDWI，包括超像素分割、統(tǒng)計(jì)超像素特征、設(shè)置水域模板、GrabCut分割方法提取水域范圍和形態(tài)學(xué)后處理共5 個(gè)步驟.圖2給出了一個(gè)水岸線提取的實(shí)例.

2.1.1 超像素分割

SLIC 超像素分割算法由Achanta 等提出[17].該算法首先將RGB 顏色模型的影像轉(zhuǎn)換到CIELAB 空間，然后利用迭代聚類獲取分割后的圖像集合.該算法處理速度快，對(duì)目標(biāo)的邊界保持效果較好，能生成特征相似、大小近似均勻的超像素集合，且使用時(shí)只需設(shè)置超像素大小即可.經(jīng)預(yù)實(shí)驗(yàn)，超像素大小取30 時(shí)可得最佳分割結(jié)果，圖2(a)子圖即為一組實(shí)例.

2.1.2 統(tǒng)計(jì)超像素特征

將超像素作為影像的最小基元，計(jì)算其分形維數(shù)紋理特征和NDWI特征.在橫坐標(biāo)為NDWI值、縱坐標(biāo)為分形維數(shù)特征值的特征空間中，水域特征往往集中在右下角；非水域特征則較分散，僅有少量與水域相重合.圖2(b)是一個(gè)示例.其中紅色五角星表示屬于水域的超像素，綠色五角星表示非水域超像素.

2.1.3 設(shè)置水域模板

統(tǒng)計(jì)超像素的分形維數(shù)紋理（fractal dimension texture,FDT）特征和NDWI 特征后，根據(jù)統(tǒng)計(jì)結(jié)果并按照如下規(guī)則集將影像中超像素劃分為4 種可能的區(qū)域類型.

圖1 基于PLSA 和BoW 的港口檢測(cè)流程圖Figure1 Flowchart of harbor detection based on PLSA and BoW

1）若NDWI 特征值小于0.4 或FDT 特征值大于3.5，則可能為陸地；

2）若NDWI 特征值小于0.3 或FDT 特征值大于4.4，則一定為陸地；

3）若NDWI 特征值大于0.42 且小于0.58 或FDT 特征值大于1.6 且小于2.6，則為水域；

4）其他情況均可能為水域。

根據(jù)上述特征值的4 種可能性，基于NDWI 和分形維數(shù)特征可確定對(duì)應(yīng)區(qū)域.圖2(c)是該示例區(qū)域的水域模板圖.

2.1.4 圖像分割

GrabCut 方法能夠通過(guò)較少交互甚至零交互，將前景目標(biāo)從復(fù)雜的背景層中提取出來(lái).該方法分割效果理想，被廣泛使用[18].圖2(d)是基于以上特征使用GrabCut 圖像分割算法提取的水域結(jié)果示例，白色區(qū)域檢測(cè)為水域.

2.1.5 形態(tài)學(xué)后處理

對(duì)上一步的水域檢測(cè)結(jié)果進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹操作，然后使用canny 算子提取邊緣，得到港口檢測(cè)候選區(qū).圖2(e)的示例中結(jié)構(gòu)元素大小為300×300，邊緣由紅線標(biāo)出.

圖2 水岸線提取示例Figure2 Example of coastline extraction

2.2 特征提取

相比于建筑物、植被、水體等常見(jiàn)地物，港口位于水陸交界處，包含船舶建筑物等目標(biāo)，紋理信息豐富.選擇合適的特征對(duì)港口識(shí)別精度至關(guān)重要.

選取灰度統(tǒng)計(jì)直方圖、分形維數(shù)、NDWI 3 種特征的統(tǒng)計(jì)直方圖描述樣本.為方便特征直方圖統(tǒng)計(jì)并使得灰度特征、紋理特征的變化趨勢(shì)保持一致，將分形維數(shù)特征線性拉伸至0～255，將NDWI 線性拉伸至0～255 并取反.由此得到的正樣本的特征直方圖具有明顯的雙波峰特征.由于特征維數(shù)高，可使用PLSA對(duì)特征直方圖有效降維，挖掘隱含信息.

為描述港口豐富的上下文信息，選用基于SURF 描述子的BoW 模型.相比于常用的SIFT 描述子，該算子采用卷積方式提取特征，不需要構(gòu)建DOG 尺度空間.在保持SIFT 算子縮放和旋轉(zhuǎn)不變等優(yōu)勢(shì)的同時(shí)，SURF 算子具有仿射不變和運(yùn)算性能高等優(yōu)點(diǎn)，可有效保證港口目標(biāo)特征的可區(qū)分性，抵抗光照和傳感器視角等多種外界因素干擾.

2.3 基于PLSA 和BoW 生成特征模型

2.3.1 PLSA 模型生成

將遙感影像的灰度直方圖、分形維數(shù)和NDWI 特征作為特征集F={f1,f2,··· ,fM}；影像數(shù)量相當(dāng)于描述的目標(biāo)集O={o1,o2,··· ,oN}，其中N為影像數(shù).每一對(duì)可視數(shù)據(jù)(oi,fj)與一組潛在成分主題Z={z1,z2,··· ,zK}相關(guān)，本文設(shè)定常數(shù)K=20，即以上高維特征通過(guò)PLSA 模型降維變?yōu)?0 個(gè)主題.

采用隨機(jī)法對(duì)P(fj|zk)和P(zk|oi)進(jìn)行初始化.隨后使用EM 算法至迭代收斂，此時(shí)所提取的目標(biāo)參數(shù)即為所需的隱含信息主題.由此得到的特征向量可作為SVM 分類器的特征輸入值.

2.3.2 BoW 模型生成

關(guān)鍵點(diǎn)提取是一種有效的影像特征提取方法.本文選擇SURF 特征向量來(lái)描述港口目標(biāo).引入BoW 模型后，影像相當(dāng)于BoW 模型中的“文本”，SURF 特征向量相當(dāng)于“單詞”.利用K均值進(jìn)行單詞聚類，并構(gòu)建視覺(jué)詞典.

對(duì)于待處理的影像，同樣進(jìn)行SURF 特征提取，并將其與視覺(jué)詞典進(jìn)行特征匹配，從視覺(jué)詞典中判別出與該特征最相似的單詞并統(tǒng)計(jì)其出現(xiàn)的頻率，用該頻率統(tǒng)計(jì)直方圖作為描述子.

將以上兩種模型的特征描述集一起作為輸入，訓(xùn)練SVM 分類器.

2.4 訓(xùn)練SVM 分類器

為訓(xùn)練分類器，首先需要建立小型港口樣本庫(kù).正樣本即小型港口目標(biāo)，負(fù)樣本包括水體、建筑物、道路等常見(jiàn)的非港口目標(biāo).樣本質(zhì)量的好壞直接影響模型的泛化能力.一般來(lái)說(shuō)，用于訓(xùn)練的正負(fù)樣本比例應(yīng)在1:2 至1:3 之間.

使用SVM 分類器旨在將目標(biāo)與背景進(jìn)行分離，其中核函數(shù)的選擇至關(guān)重要.核函數(shù)將低維空間中線性不可分的問(wèn)題轉(zhuǎn)化到線性可分的高維空間中，通過(guò)更復(fù)雜的分類模型將目標(biāo)從背景中提取出來(lái).常見(jiàn)的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基函數(shù)等.本文選擇徑向基函數(shù)作為核函數(shù).

分類器的使用分為訓(xùn)練過(guò)程和測(cè)試過(guò)程.使用經(jīng)過(guò)PLSA 和BoW 生成的特征描述集對(duì)所有訓(xùn)練樣本進(jìn)行訓(xùn)練；使用同樣的描述集對(duì)測(cè)試樣本進(jìn)行測(cè)試.通過(guò)交叉驗(yàn)證獲取分類模型的最優(yōu)參數(shù).最后將待檢測(cè)影像以同樣方式進(jìn)行描述集提取，基于分類模型可以得到港口檢測(cè)結(jié)果.

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文基于融合后的快鳥(niǎo)影像沿長(zhǎng)江分布的小型港口構(gòu)建樣本庫(kù).該樣本庫(kù)包括500 個(gè)正樣本（圖3）和1 000 個(gè)負(fù)樣本（圖4）.正樣本為小型港口目標(biāo)，負(fù)樣本包括建筑物、植被、道路、裸地等.

根據(jù)訓(xùn)練的SVM 分類器，重點(diǎn)對(duì)湖北境內(nèi)的長(zhǎng)江沿線港口開(kāi)展檢測(cè)實(shí)驗(yàn).另收集22 幅空間分辨率為0.6 m、大小為2 000×2 000 像素的快鳥(niǎo)遙感影像并開(kāi)展實(shí)驗(yàn)分析，以驗(yàn)證本文方法的有效性.以上影像不與樣本庫(kù)中任何樣本所在位置重復(fù).選用查準(zhǔn)率、查全率、錯(cuò)誤率和耗時(shí)4 個(gè)評(píng)價(jià)指標(biāo)考察識(shí)別精度和算法效率.其中，查準(zhǔn)率（precision rate,PR）、查全率（recall rate,RR）和錯(cuò)誤率（error rate,ER）計(jì)算公式分別為

式中，TC為正確識(shí)別的港口數(shù)，F(xiàn)A為識(shí)別為港口的總數(shù).TA為真港口影像數(shù).TF為港口誤判定為非港口的數(shù)目，F(xiàn)T為非港口誤判定為港口的數(shù)目，NA為總港口數(shù).

圖3 港口識(shí)別正樣本（500 個(gè)）Figure3 Positive samples for harbor detection (500)

圖4 港口識(shí)別負(fù)樣本（1 000 個(gè)）Figure4 Negative samples for harbor detection (1 000)

3.2 結(jié)果與分析

本文利用構(gòu)建的樣本庫(kù)進(jìn)行SVM 分類器的訓(xùn)練和測(cè)試，采用交叉驗(yàn)證的方式得到最優(yōu)參數(shù)，即懲罰系數(shù)c取80，核函數(shù)中γ值取4.4.基于以上分類器參數(shù)，對(duì)這22 幅影像進(jìn)行港口檢測(cè)實(shí)驗(yàn).所有實(shí)驗(yàn)均先進(jìn)行水岸線提取，縮小檢測(cè)范圍提高檢測(cè)效率.本文以紅色矩形框的形式標(biāo)出港口目標(biāo)，若出現(xiàn)相鄰邊界，則對(duì)矩形框進(jìn)行合并處理.

為驗(yàn)證本文所選特征（SURF+BoW+gray+texture+NDWI+PLSA）的有效性，在使用PLSA 前提下，設(shè)置灰度直方圖（gray+PLSA）、分形維數(shù)（texture+PLSA）、歸一化差分水體指數(shù)（NDWI+PLSA）和三者結(jié)合（gray+texture+ NDWI+PLSA）這4 組特征描述對(duì)比實(shí)驗(yàn)；為說(shuō)明PLSA 模型在港口目標(biāo)識(shí)別中的作用，開(kāi)展對(duì)以上3 種特征直接輸入SVM 訓(xùn)練（gray+texture+NDWI）和使用PLSA 降維后再輸入SVM 訓(xùn)練（gray+texture+NDWI+PLSA）的對(duì)比實(shí)驗(yàn)；為證明BoW 和PLSA 模型結(jié)合進(jìn)行港口目標(biāo)檢測(cè)的優(yōu)勢(shì)，開(kāi)展基于SURF 特征的BoW 模型（SURF+BoW）、基于以上3 種特征的PLSA 模型（gray+texture+NDWI+PLSA）和對(duì)以上兩種特征描述集進(jìn)行合并處理（gray+texture+NDWI+PLSA+SURF+BoW）的對(duì)比實(shí)驗(yàn).

表1為其中3 幅實(shí)驗(yàn)結(jié)果.影像黑色區(qū)域?yàn)樗毒€提取算法判定的非檢測(cè)區(qū)域.

由以上結(jié)果可知：

1）本文研究的PLSA 與BoW 相結(jié)合的方法識(shí)別準(zhǔn)確率較高，效果顯著.

2）本文水岸線提取這一預(yù)處理環(huán)節(jié)在保證小型港口目標(biāo)不被誤剔除的前提下，縮小了檢測(cè)范圍，可有效提高檢測(cè)效率和檢測(cè)精度.

3）常見(jiàn)的單一特征難以對(duì)小型港口進(jìn)行全面準(zhǔn)確的描述，錯(cuò)檢、漏檢現(xiàn)象明顯.例如，SURF+BoW 算法易將船只以及水岸線周圍的非港口區(qū)域誤判為港口（表1第4 行）.

4）相比于單特征，多特征與PLSA 結(jié)合進(jìn)行檢測(cè)時(shí)準(zhǔn)確率提高顯著（表1第9 行）.PLSA模型可在挖掘隱含的主題信息且正樣本不全面的情況下，仍然能夠達(dá)到較好的港口目標(biāo)識(shí)別效果.

22 幅影像的平均精度評(píng)價(jià)結(jié)果如表2所示.分析可知：

1）本文方法查準(zhǔn)率達(dá)82%，錯(cuò)誤率僅為8.6%，為以上方法中最佳；查全率為91.1%，與最佳查全率相當(dāng).該方法通過(guò)結(jié)合灰度直方圖、分形維數(shù)和NDWI 特征，并使用PLSA 模型挖掘的上述特征的隱含主題信息，避免了樣本不足導(dǎo)致的查全率偏低等問(wèn)題；同時(shí)通過(guò)結(jié)合SURF+BoW 算法考慮了目標(biāo)的SURF 點(diǎn)特征信息，有效提高了檢測(cè)精度，且耗時(shí)較少.

2）在單特征方面，所有方法查準(zhǔn)率均低于60%，查全率最高僅達(dá)81%.此外，單獨(dú)使用分形維數(shù)特征的方法耗時(shí)最長(zhǎng)，因?yàn)閱为?dú)使用紋理特征結(jié)合PLSA模型進(jìn)行迭代優(yōu)化時(shí)，容易出現(xiàn)難以收斂的情況.

3）在多特征方面，將光譜、灰度和紋理特征直接輸入分類器的方法查準(zhǔn)率較高，但查全率低.在此基礎(chǔ)上結(jié)合PLSA 模型，可將查全率和查準(zhǔn)率提高至80%.

4 結(jié) 論

小型港口檢測(cè)目前研究較少，但具有重要的研究意義.本文研究了一種基于PLSA 和BoW 的高分辨率遙感影像小型港口檢測(cè)方法，其特征描述集可有效描述小型港口.此外，預(yù)先進(jìn)行的水岸線提取可有效縮小檢測(cè)范圍，提高檢測(cè)精度.相比于常見(jiàn)的單一特征和只使用PLSA 或BoW 生成特征描述集，本文方法可在耗時(shí)較少的前提下，大幅提高小型港口的檢測(cè)精度，具有較好的應(yīng)用前景.

表1 不同分類模型的港口檢測(cè)對(duì)比實(shí)驗(yàn)結(jié)果Table1 Comparison experiment results of harbor detection under different classification models

表2 精度評(píng)定Table2 Accuracy evaluation

結(jié)合有關(guān)實(shí)驗(yàn)和討論，未來(lái)的研究可從以下3 方面開(kāi)展：

1）使用PLSA 和BoW 模型需人工設(shè)置的參數(shù)較多，可研究一種自適應(yīng)參數(shù)取值方法，以增強(qiáng)本文方法的通用性.

2）分形維數(shù)等特征復(fù)雜度高，利用PLSA 模型進(jìn)行隱含主題信息提取時(shí)計(jì)算量大，耗時(shí)長(zhǎng).后期可研究復(fù)雜度較小的隱含主題信息提取算法.

3）使用SURF 算子容易導(dǎo)致建筑物與港口混淆，可研究更佳的描述子來(lái)生成BoW 模型.