图12-29 杭州某城区影像
对于颜色直方图，提取时将影像的RGB三个颜色通道分别量化为32个bin(颜色区间)，后串联组合即可得到颜色直方图特征向量，特征维度为96；对于LBP纹理，提取时设置圆形邻域的半径为1，圆上等间距分布的像素数为8，计算旋转不变的uniform模式，特征维度为10。对于卷积神经网络，选取AlexNet网络作为预训练CNN提取第二个全连接层特征进行检索，特征维度为4096。
1.UC Merced影像库检索结果
表12-1采用ANMRR、mAP和P＠k(返回影像数目为k时的查准率)三种评价指标，给出了颜色直方图、LBP纹理与卷积神经网络对UC Merced影像库的检索结果。从表12-1可以看出，CNN特征的检索效果远好于颜色直方图和LBP特征，这是因为CNN特征是通过深层的网络结构学习的特征，能更好地描述遥感影像。
表12-1 手工特征与CNN特征对UC Merced影像库检索效果
2.城市停车场和居民区检索实例(www.xing528.com)
图12-30给出了颜色直方图、LBP纹理和卷积神经网络对奥林匹克公园区域的停车场的检索结果，其中第一行、第二行和第三行分别表示颜色直方图、LBP纹理和卷积神经网络的检索结果，各行第一幅影像为查询影像，后四幅影像为按照相似度大小由高到低返回的相似影像。从图中可以看出，CNN特征和颜色直方图返回的前5幅影像中前4幅均包含停车场，而LBP特征返回的前5幅影像中前3幅均包含停车场，检索效果比CNN特征和颜色直方图稍差，这是由于包含停车场的多数影像纹理并不连续。
图12-30 停车场检索实例
图12-31给出了颜色直方图、LBP纹理和卷积神经网络对杭州某城区居民区的检索结果，其中第一行、第二行和第三行分别表示颜色直方图、LBP纹理和卷积神经网络的检索结果，各行第一幅影像为查询影像，后四幅影像为按照相似度大小由高到低返回的相似影像。从图中可以看出，颜色直方图、LBP特征和CNN特征均取得了很好的检索效果，返回的前5幅影像均为居民区。通过比较LBP特征对停车场和居民区的检索结果可知，LBP特征对居民区的检索效果好于对停车场的检索效果，这是因为居民区纹理连续使得LBP能准确地描述影像内容。
图12-31 居民区检索实例
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
