基于FSFDP-BoV模型的遥感影像检索

第３２卷第１期　地理与地理信息科学　Ｇｅｏｇｒａｐｈｙ　ａｎｄ　Ｇｅｏ—Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　Ｖｏ１．３２　Ｎｏ．１　Ｊａｎｕａｒｙ　２０１６　２０１６年１月　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ　１６７２～０５０４．２０１６　０１．０１１　基于ＦＳＦＤＰ—ＢｏＶ模型的遥感影像检索　沈忱，祁昆仑，刘文轩，吴华意　（武汉大学测绘遥感信息工程国家重点实验室，湖北武汉４３００７９）　摘要：为提高遥感影像检索的精度，提出一种基于快速查找密度峰值聚类（Ｆａｓｔ　Ｓｅａｒｃｈ　ａｎｄ　Ｆｉｎｄ　ｏｆ　Ｄｅｎｓｉｔｙ　Ｐｅａｋｓ，　ＦＳＦＤＰ）的改进视觉词袋（Ｂａｇ　ｏｆ　Ｖｉｓｕａｌ　ｗｏｒｄ，ＢｏＶ）模型，该方法充分利用ＦＳＦＤＰ聚类算法分类精度高和聚类参数　易于选择等优点，增强ＢＯＶ模型特征量化的稳定性和可靠性。实验表明，与经典ＢＯＶ模型相比，ＦＳＦＤＰ－ＢｏＶ模型　能够得到更高的检索精度。　关键词：遥感影像；检索；ＢｏＶ；密度峰值聚类　中图分类号：ＴＰ７９　文献标识码：Ａ　文章编号：１６７２—０５０４（２０１６）０１一。Ｏ５５一Ｏ５　０引言　１基于ＢｏＶ模型的特征描述　随着遥感影像的数据源和数据量的快速增　ＢｏＶ模型在遥感影像检索中主要用于影像特征　长［２］，基于内容的图像检索　］成为当前遥感影像检　描述向量的生成［１３Ｊ。假设有一组图像，从中选出测　索的一个研究热点和难点＿３　］，提高遥感影像检索精　试样本和训练样本。首先，分别提取训练样本和测　度已成为基于内容的影像检索研究的必经之路。　试样本的底层特征，如ＳＩＦＴ（Ｓｃａｌｅ—Ｉｎｖａｒｉａｎｔ　Ｆｅａ—　视觉词袋（Ｂａｇ　ｏｆ　Ｖｉｓｕａｌ　ｗｏｒｄ，ＢｏＶ）模型是基　ｔｕｒｅ　Ｔｒａｎｓｆｏｒｍ）特征［１　、将图像刚性分割成多个块　于内容的图像检索中最热门的方法之一ｌ５］。ＢｏＶ模　提取的颜色特征、纹理特征等，则每个图像就由很多　型源于信息领域的词袋（Ｂａｇ　ｏｆ　Ｗｏｒｄｓ，ＢｏＷ）模型。　个底层的局部特征表示，这些特征就是视觉词汇向　对于一个文本，Ｂｏｗ模型忽略其词序和语法句法，　量。然后利用Ｋ－Ｍｅａｎｓ算法对训练样本的视觉词　仅仅将其看作是一个词集合，文本中每个词的出现　汇向量进行聚类，选择聚类中心作为视觉字典的基　都是独立的，不依赖于其他词是否出现，即在任意位　础词汇。再利用欧式距离计算测试样本的视觉词汇　置选择一个词汇都不受前面句子的影响。由于　向量与基础词汇的相似度，并用基础词汇表中的单　ＢｏＷ模型在特征描述方面有着独特的优势，因此将　词代替图像中的视觉词汇向量，统计出每一幅测试　ＢｏＷ模型的思想应用于图像的特征描述中，即ＢｏＶ　样本中基础词汇出现的次数，即统计直方图并作归　模型，当前已经广泛地应用于图像和视频的检索方　面　，川。　一化处理，得到每一幅影像的特征向量，最终应用于　影像的分类、检索等＿１　。　为提升ＢｏＶ模型在遥感影像检索中的精度和　ＢｏＶ模型描述遥感影像的流程主要包含特征提　效率，研究者对ＢｏＶ模型做出了改进［６－ｎ］，改进后　取、字典训练和特征量化３个阶段。传统ＢｏＶ模型　方法能够有效地提高检索的精度，但在特征量化时　的字典训练是采用Ｋ～Ｍｅａｎｓ聚类算法。为提高传　均没有考虑密度信息，无法满足地物繁多且目标复　统基于Ｋ—Ｍｅａｎｓ的ＢｏＶ模型描述影像特征的精度。　Ｚｈｏｎｇ等＿１　］提出球形Ｋ—Ｍｅａｎｓ聚类算法（Ｓｐｈｅｒｉｃａｌ　杂的高分辨率遥感影像检索的需求。　２０１４年Ｒｏｄｒｉｇｕｅｚ等提出了快速查找密度峰值　Ｋ－Ｍｅａｎｓ）来减弱局部特征高纬度和稀疏性对Ｋ＿　聚类（Ｃｌｕｓｔｅｒｉｎｇ　ｂｙ　Ｆａｓｔ　Ｓｅａｒｃｈ　ａｎｄ　Ｆｉｎｄ　ｏｆ　Ｄｅｎｓｉ—　Ｍｅａｎｓ聚类效果的影响。Ｂｏｌｏｖｉｎｏｕ等＿１　］进一步验　ｔｙ　Ｐｅａｋｓ，ＦＳＦＤＰ）Ｅ　算法，该聚类方法具有灵活性　证了该方法生成的聚类词典在表达能力上得到增　高、稳定性强、效率高等特点。基于此算法，本文提　强。Ｐｈｉｌｂｉｎ＿】　提出了近似Ｋ—Ｍｅａｎｓ（Ａｐｐｒｏｘｉｍａｔｅ　出了ＢｏＶ改进模型——ＦＳＦＤＰ＿ＢｏＶ模型，并将其　Ｋ—Ｍｅａｎｓ，ＡＫＭ），并将其应用于目标区域检索。　应用于遥感影像检索中。　Ｗａｎｇ等　。＿提出了快速近似Ｋ－Ｍｅａｎｓ聚类算法　收稿日期：２０１５—　６—１Ｏ；　修回Ｅｔ期：２Ｏ１５—１Ｏ一１４　基金项目：国家９７３计划项目（２０１２ＣＢ７１９９０６）　作者简介：沈　￣（１９９１－－），男，硕士，主要从事高分辨率遥感影像检索研究。Ｅ－－ｍａｉｌ：ＳｈｅｎＣｈｅｎ０４２５＠ｗｈｕｅｄｕ．ｃｎ　．第５６页　地理与地理信息科学　第３２卷　（Ｆａｓｔ　Ａｐｐｒｏｘｉｍａｔｅ　Ｋ—Ｍｅａｎｓ，Ｆ－ＡＫＭ）用于有效识　聚类中心个数。　别类簇之间交界处的数据点，减少了每轮迭代的计　（４）确定各个点的类别。聚类中心选好后，每个　算量，进一步加快了聚类收敛的塑封，提高了生成视　点属于距其最近的且比自身密度高的点所在的类　　觉词典的效率。此外，为提高高维直方图相似性度　别　直至昕有点都能划归到某一个类别。与Ｋ—Ｍｅａｎｓ相比，ＦＳＦＤＰ算法有如下优点：１）　量的有效性，ｗｕ等［２１］提出了一种基于直方图相交　核（Ｈｉｓｔｏｇｒａｍ　Ｉｎｔｅｒｓｅｃｔｉｏｎ　Ｋｅｒｎｅｌ，ＨＩＫ）Ｌ船　的Ｋ—　灵活性：算法可根据ｐ＊　的分布决定聚类中心个数　Ｍｅａｎｓ聚类方法生成视觉词典，并在目标识别实验　Ｋ。２）稳定性：在相同数据源和参数的条件下，聚类　中验证了该视觉词典的良好性能。文献１－２３３主要针　结果完全一致　不会出现多次聚类得到不同的结果　聚类流程只需一次即可完成，不　对视觉词汇表的改进进行了研究，并对近似Ｋ—　的情况。３）高效性：Ｍｅａｎｓ和分层Ｋ－Ｍｅａｎｓ两种方法进行了对比分析。　上述方法仅通过改进Ｋ－Ｍｅａｎｓ聚类来提升　ＢｏＶ模型在字典训练的精度和效率，且没有考虑到　视觉词汇空间下视觉单词的分布和密度因素，得到　的视觉字典无法很好地表达影像中的视觉单词，造　成较大的量化误差。ＦＳＦＤＰ聚类能够通过查找密　度峰值确定聚类中心，不仅有效地保证规则分布点　簇的完整性，而且与Ｋ－Ｍｅａｎｓ聚类算法相比，ＦＳ－　ＦＤＰ算法有聚类结果稳定、算法效率高等优点。本　文将基于ＦＳＦＤＰ聚类算法改进ＢｏＶ模型，以期提　高字典训练的精度和改进ＢｏＹ模型的影像特征量　化方法。　２基于ＦＳＦＤＰ—ＢｏＶ模型的遥感影像检索　２．１　ＦＳＦＤＰ聚类　ＦＳＦＤＰ聚类方法是基于局部密度分布判别各　个点类别的方法，该算法假设聚类中心由一些局部　密度比较低的点围绕，并且这些点距离其他高局部　密度的点的距离都较远，以保证聚类中心之间不属　于同一点集。找到聚类中心后，通过查找每个点临　近的高密度点来判断该点的类别，以保证算法对呈　规律分布的点群分类后的完整性。ＦＳＦＤＰ算法的　主要步骤如下：　（１）计算局部密度ｐ。点ｉ的局部密度为到点ｉ　的距离小于截断距离ｄ　的点的个数。　Ｐ　（比一　）　其中，若ｘ＜Ｏ，则　（　）＜０；若ｘ＞０，则　（ｚ）一１。　（２）计算　。　是指点ｉ到比自身局部密度大的　点的最小距离。如果点ｉ已经是局部密度最大的，　则　赋值为点ｉ到距自身最远的点的距离。即：　ｊ　ｐ　＾　（３）寻找聚类中心。由于成为聚类中心的点需　要Ｐ和　都优于其他点，也就是Ｄｅｎｓｉｔｙ　Ｐｅａｋｓ。本　文用作为选取聚类中心的标准。对所有点按ｌＤ＊　由大到小排序，前Ｋ个点作为聚类中心，其中Ｋ为　需要重复迭代。４）完整性：结果中呈规则分布的点　群能划分到同一类别，保证分类精度。　２．２　ＦＳＦＤＰ－ＢｏＶ模型　基于ＦＳＦＤＰ聚类算法提出ＦＳＦＤＰ—ＢｏＶ遥感　影像检索模型，利用ＦＳＦＤＰ算法搜索密度峰值找到　聚类中心并训练字典，在ＢｏＶ模型的特征量化上根　据局部密度逐点归类。该方法不仅在ＢｏＶ模型生　成字典的过程中充分考虑了点群密度分布情况，保　证聚类中心是高密度的点，而且在ＢｏＶ模型特征量　化的过程中利用局部密度归类量化生成直方图。　ＦＳＦＤＰ—ＢｏＶ模型具体流程如图１。　训练样本Ｂ　……一僬　黔………　■　…　■　…　ｌ　提取ｓＩＦｒ特征　ｌ　Ｉ　提取ｓＩＦ１特征　　ｌｔ　ｔ　ｔ　＋　＋　●　目…［≥　目．．目　目…目　目…目目…目　目…目　图１　ＦＳＦＤＰ－ＢｏＶ模型　Ｆｉｇ．１　Ｔｈｅ　ＦＳＦＤＰ－ＢｏＶ　ｍｏｄｅｌ　（１）局部特征提取。提取训练样本和候选样本　影像的ＳＩＦＴ特征作为ＢｏＶ模型的局部特征。每张　影像得到　个１２８维ＳＩＦＴ向量，其中　为ＳＩＦＴ点　数目，向量组成　＊１２８的矩阵称为样本的特征。　（２）基于ＦＳＦＤＰ聚类算法构建ＢｏＶ字典。分　别计算每个特征点的ｌ０和　，并对所有特征点按ｌＤ＊　从大到小排序，取前Ｋ个特征点作为聚类中心（Ｋ　为聚类个数），即字典中的基础词汇。　（３）生成统计直方图。生成待检索影像和候选　第１期　沈忱等：基于ＦＳＦＤＰ－ＢｏＶ模型的遥感影像检索　第５７页　样本库中的每张影像的统计直方图。经典的基于　是从候选样本库中随机抽取的１０张影像，待检索影　Ｋ－Ｍｅａｎｓ的ＢｏＶ模型是利用欧氏距离度量测试样　像Ｃ共有１００张影像。　本的特征向量和字典中基础词汇（聚类中心）之间相　实验首先用训练样本Ｂ训练ＢｏＶ模型的字典，　似度，而ＦＳＦＤＰ－ＢｏＶ模型是用特征向量的局部密　通过字典量化待检索影像Ｃ和候选样本库Ａ的特　度进行度量。首先将测试样本的特征向量置于训练　征向量；然后计算待检索影像Ｃ与候选样本库Ａ的　样本的向量集空间中，然后计算特征向量的局部密　相似度并排序；最后统计检索影像集Ｃ中所有影像　度，找最近并且比自身密度高的训练样本特征，若该　检索结果的准确率和召回率。　训练样本不是聚类中心，则继续找比该训练样本最　３．２参数选择　近的且比自身密度高的特征，直到找到聚类中心。　（１）截断距离ｄ　的选取。最佳ｄ　应使得特征集　最后统计每个样本基础词汇出现的次数，得到统计　直方图并进行归一化，得到的向量即为每幅影像的　ＦＳＦＤＰ－ＢｏＶ模型特征向量。　（４）相似度对比。计算待检索影像特征向量与　候选影像库的特征向量的余弦相似度，通过测量两　个向量内积空间的夹角的余弦值来度量其问的相似　性。０。角的余弦值是１，而其他任何角度的余弦值都　不大于１，并且其最小值是一１，由于向量直方图中数　值都不小于０，故实际最小值为０。方法如下（其中　Ｈ　、Ｈ　为两个直方图向量）：　删　㈣一　最后据相似度大小对候选影像排序并输出结果。　３实验与结果　３．１实验数据　本实验的数据来源于ＵＳＧＳ的ＵＣＭｅｒｃｅｄ—　ＬａｎｄＵｓｅ数据中的１０类典型地物样本，每类各１００　张影像，影像大小为２５６＊２５６，分辨率为０．３０４８　ＩＴＩ。　样本示例如图２所示。　图２样本示例　Ｆｉｇ．２　Ｉｌｌｕｓｔｒａｔｉｏｎ　ｏｆ　ｔｈｅ　ｓａｍｐｌｅｓ　（１）所有１０类样本作为候选样本库Ａ一（Ａ　，　Ａ：，…，Ａ　。），其中Ａ　有１００张影像。候选样本库共　有１　０００张影像。　（２）从中随机抽取的１０张影像的集合为Ｂ　，ｌ０　类Ｂｉ构成训练样本Ｂ一（Ｂ　，Ｂｚ，…，Ｂ　。）。训练样　本Ｂ共有１００张影像。　（３）待检索影像集Ｃ＿－（Ｃ　，Ｃ２，…，Ｃ　。），其中ｃ　合中平均每个点的邻居数为所有点数目的１　～　２　。首先取一个随机值ｄ，统计所有点的邻居数之　和，除以点的数目得到平均每个点的邻居数，再除以　所有点的数目。如果结果小于ｌ　，则扩大ｄ的值，　如果结果大于２　，则减小ｄ的值，当结果处于１　９／６～　２　的范围内时，取ｄ作为截断距离。　（２）聚类个数Ｋ的选取。聚类中心应是１０和　都比较大的点。为确定聚类个数Ｋ，需通过分析经　过排序的ｐ＊　曲线，找出曲线的拐点作为Ｋ的值。　步骤如下：１）统计每个点的ｌＤ和　并计算ｌＤ＊　。２）　对所有点按ｌＤ＊　值从大到小的顺序排序。３）根据　ｐ＊　值生成二维线性图表（图３），其中纵坐标为　』０＊　，横坐标为点的序号。４）根据特征点ｌ０＊　的分　布，找出ｐ＊　值与大部分点ｌＤ＊　值相差较大的点集　作为聚类中心。如图３，第一个点和第二个点之间　ｐ＊　间隔最大（由于原始点数量过大，将原始Ｐ＊　线　形图按５００间隔采样，即每个点代表５００个点），即　前５００个点的ｐ＊　值与后面的点差距较大，故聚类　中心数目Ｋ应取５００。　编号／５００　图３选取最佳Ｋ值　Ｆ唔３　Ｔｈｅ　ｂｅｓｔ　ｃｈｏｉｃｅ　ｏｆＫｖａｌｕｅ　３．３实验结果　用Ｋ—Ｍｅａｎｓ聚类的经典ＢｏＶ模型作对比实验。　图４为ｌＯ类地物的待检测样本召回率的平均值，由　此得到ＦＳＦＤＰ—ＢｏＶ模型和经典Ｋ—Ｍｅａｎｓ—ＢｏＶ模　型的准确率一召回率对比图。在遥感影像检索中ＦＳ—　ＦＤＰ－ＢｏＶ模型的准确率整体上要比经典ＢｏＶ模型　第５８页　地理与地理信息科学　第３２卷　高，尤其是在召回率为１０　的情况下更为明显。　表１为１Ｏ类地物在ＦＳＦＤＰ－ＢｏＶ模型和经典　Ｋ－Ｍｅａｎｓ—ＢｏＶ模型检索结果的对比。可以看出，基　于ＦＳＦＤＰ－ＢｏＶ模型在很多类别中检索精度均强于　罄　经典ＢｏＶ模型，尤其是高速公路、森林、中型住宅　区、天桥，检索结果优势较为明显。在高速公路类　别，当召回率为１０　时，ＦＳＦＤＰ－ＢｏＶ模型的准确率　要相对经典ＢｏＶ模型高。中型住宅区、森林、天桥　召回率　类别中，相同召回率的条件下，ＦＳＦＤＰ—ＢｏＶ模型的　图４总体结果　Ｆｉｇ．４　Ｔｈｅ　ｏｖｅｒａｌｌ　ｒｅｓｕｌｔ　检索结果准确率优于经典ＢｏＶ模型。　表１各类别准确率一召回率　Ｔａｂｌｅ１　Ａｃｃｕｒａｃｙ－ｒｅｃａｌｌ　ｏｆ　ｅａｃｈ　ｃａｔｅｇｏ￣　农业用地　ＦＳＦＤＰ　１００．Ｏ　１００．０　１００．０％　１００．０　１００．０　１００．０　８７．５　４５．２　５．９　Ｋ－ｍｅａｎｓ　１００．Ｏ　１００．０％　１００．Ｏ％　１００．０　１００，Ｏ％　９８．４　９３．３　１６．０Ｈ　５．８　建筑物　ＦＳＦ、ＤＰ　２Ｏ．８　１９．２　１６．４％　１８．０Ｈ　ｌ６．８％　１５．３％　１４．９　ｌ３．８％　１０．９％　Ｋ－ｍｅａｎｓ　１５．９　１５．５　１５．２　１４．３　１２．３　１２．１　１Ｏ．７　９．２　８．Ｏ　灌木丛　ＦＳＦＤＰ　１００．０　１００．０％　１００．０　１００．０　１００．Ｏ　９８．４　９８．６　９２．Ｏ　６４．７　Ｋ－ｍｅａｎｓ　１００．０％　１００．０　１００．０　１００．Ｏ　９８．０　９８．４　９８．６　９７．６　９５．７　森林　ＤＰ　１００．０％　１００．０　８８．２　６６．７　５８．１　５Ｏ．０Ｈ　３ｌ＿５　２６．１　１６．０　Ｋ－ｍｅａｎｓ　５２．６　６４．５　５５．６　４５．５　４６．３　３ｌ｜１　２６．６　１６．６　１Ｏ．７　高速公路　ＦＳＦＤＰ　９Ｏ．９　１９．６％　２１．１％　２２．１　２１．９　１８．８　１７．５　１６．Ｏ　１１．３　Ｋ—ｍｅａｎｓ　２０．Ｏ％　１８．Ｏ％　１６．５　１１．２　１０．４　８．９％　８．４　７．９　７．０Ｈ　港口　ＦＳＦＤＰ　１００．０％　１００．Ｏ　７１．４Ｚ　２８．４　１４．７％　１２．８％　１０．９％　１０．８％　９．６％　Ｋ—ｍｅａｎｓ　１００．０　５４．１　４７．６　３６．４　２５．６　ｌ４．７　１１．８　８．９　６．５　中型住宅区　ＦＳＦＤＰ　７６．９　５２．６　３８．５　２６．７　２４．５　２１．９　１８．６　１６．５　１２．７　Ｋ－ｍｅａｎｓ　４５．５　２９．４　２５．２　２７．２　２４．２　２３．３　２ｌ＿４　２１．４　１７．２　天桥　ＦＳＦＤＰ　４５．５　４３．５　４６．２　４１．７　３７．９％　３２．６　２９．５　２Ｏ．３％　１８．５　Ｋ—ｍｅａｎｓ　１３．７Ｚ　１４．６％　１３．７％　１２．６　１］．７％　ｌ１．３％　１１．３％　８．９％　７．８　停车场　ＦＳＦ‘ＤＰ　３０．３　２６．０　１８．８　ｌ２．８　ｌＯ．６　９．１　６．６％　６．５％　６．Ｏ％　Ｋ－ｍｅａｎｓ　２ｌ＿７　２２．Ｏ％　１９．１　１４．７　１２．３　８．９　６．６　５．９　５．５　机场跑道　ＦＳＦＤＰ　２７．８　１４．６％　１８．２　２１．６　２４．３　２３．５　２３．０　１５．９％　９．４　Ｋ－ｍｅａｎｓ　ｌ７．２　１４．１　１１．０　１０．０　１０．４　９．０　８．４　７．４　６．１　［３３　程起敏．基于内容的遥感影像库检索关键技术研究［Ｄ］．北京：　４结语　中国科学院研究生院，２００４　本文基于ＦｓＦＤＰ聚类算法对经典ＢｏＶ模型进　ｒ４］　李德仁，宁晓刚．一种新的基于内容遥感影像检索的图像分块　策略口］．武汉大学学报（信息科学版），２００６，３１（８）：６５９－－６６３．　行了改进，提出ＦＳＦＤＰ—ＢｏＶ模型并应用于遥感影　［５］　ＳＭＣ　Ｊ，ＺＩＳＳＥＲＭＡＮ　Ａ　Ｖｉｄｅｏ　ｇｏｏｇｌｅ：Ａ　ｔｅｘｔ　ｒｅｔｒｉｅｖａｌ　ａｐｐｒｏａｃｈ　ｔｏ　像检索。实验表明，该方法在遥感影像的分类检索　ｏｂｊｅｃｔ　ｍａｔｃｈｉｎｇ　ｉｎ￣ｄｅｏｓ［Ｊ］．ＩＣＣＶ，２００３（２）：１４７０—１４７７．　中能取得不错的检索精度，尤其在农业用地、灌木　［６］　周文罡．基于局部特征的视觉上下文分析及其应用［Ｄ］．合肥：　丛、港口类别中效果较好。ＦＳＦＤＰ－ＢｏＶ模型检索精　中国科学技术大学，２０１１．　度普遍优于经典ＢｏＶ模型，特别是在高速公路、森　［７］　李远宁，刘汀，蒋树强，等．基于“ｂａｇ　ｏｆ　ｗｏｒｄｓ”的视频匹配方法　口］．通信学报，２００７（１２）：１４７～１５１．　林、中型住宅区、天桥类别下，ＦＳＦＤＰ—ＢｏＶ模型的检　［８］　ＺＨＡＮＧ　Ｙ　Ｍ，ＪＩＡ　Ｚ　Ｙ，ＣＨＥＮ　Ｔ．Ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ｗｉｔｈ　ｇｅｏｍｅ～　索精度具有明显优势。　ｔｒｙ－ｐｒｅｓｅｒｖｉｎｇ　ｖｉｓｕａｌ　ｐｈｒａｓｅｓ［Ａ］．ＣＶＰＲ，２０１ｌ＿８Ｏ９～８１６．　［９］　ＰＨＩＬＢＩＮ　Ｊ，ＣＨＵＭ　Ｏ，ＩＳＡＲＤ　Ｍ，ｅｔ　ａ１．Ｏｂｊｅｃｔ　ｒｅｔｒｉｅｖａｌ　ｗｉｔｈ　参考文献：　ｌａｒｇｅ　ｖｏｃａｂｕｌａｒｉｅｓ　ａｎｄ　ｆａｓｔ　ｓｐａｔｉａｌ　ｍａｔｃｈｉｎｇ［Ａ］．ＣＶＰＲ，２００７．　［１Ｏ］　杨进，刘建波，戴芹．一种改进包模型的遥感影像检索方法　ｒ１］ＳＭＥＵＬＤＥＲＳ　Ａ　Ｗ　Ｍ，ＷＯＲＲＩＮＧ　Ｍ，ＳＡＮＴＩＮＩ　Ｓ，ｅｔ　ａ１．Ｃｏｎｔｅｎｔ－　ｒＪ］．武汉大学学报（信息科学版），２０１４（９）：１１０９—１１１３．　ｂａｓｅｄ　ｉｍａｇｅ　ｒｅｔｒｉｅｖａｌ　ａｔ　ｔｈｅ　ｅｎｄ　ｏｆ　ｔｈｅ　ｅａｒｌｙ　ｙｅａｒｓ［Ｊ－］．Ｐａｔｔｅｒｎ　Ａｎａｌ—　Ｅｎ］　ＷＵ　Ｊ，ＣＵＩ　Ｚ，ＺＨＡＯ　Ｐ，ｅｔ　ａ１．Ｖｉｓｕａｌ　ｖｏｃａｂｕｌａｒｙ　ｔｒｅｅ　ｃｏｎｓｔｒｕｃ—　ｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ，２０００，２２（１２）：　ｔｉｏｎ　ｒｅｓｅａｒｃｈ　ｕｓｉｎｇ　ａｄａｐｔｉｖｅ　Ｆｕｚｚｙ　Ｋ　Ｍｅａｎｓ　Ｃｌｕｓｔｅｒｉｎｇ［Ｊ］．　１３４９——１３８０．　Ａｄｖａｎｃｅｄ　Ｓｃｉｅｎｃｅ　Ｌｅｔｔｅｒｓ，２０１２，１１（１）：２５８—２６２．　［２］ＨＩＲＡＴＡ　Ｋ，ＫＡＴＯ　Ｑｕｅｒｙ　ｂｙ　Ｖｉｓｕｌａ　Ｅｘａｍｐｌｅ，Ｃｏｎｔｅｎｔ　Ｂａｓｅｄ　［１２３　Ｒ０ＤＲＩＧＵＥＺ　Ａ，Ｉ　Ａ１０　Ａ．Ｃｌｕｓｔｅｒｉｎｇ　ｂｙ　ｆａｓｔ　ｓｅａｒｃｈ　ａｎｄ　ｆｉｎｄ　Ｉｍａｇｅ　Ｒｅｔｒｉｅｖａｌ［Ｃ］．Ａｄｖａｎｃｅｓ　ｉｎ　Ｄａｔａｂａｓｅ　Ｔｅｃｈｎｏｌｏｇｙ，ＥＤＢＴ　ｏｆ　ｄｅｎｓｉｔｙ　ｐｅａｋｓ￣Ｊ］．Ｓｃｉｅｎｃｅ，２０１４，３４４（６１９１）：ｌ４９２—１４９６．　９２．Ｖｉｅｎｎａ，１９９２　［－１３］　柴玉梅，王宇．基于ＴＦＩＤＦ的文本特征选择方法［Ｊ］．微计算机　第１期　沈忱等：基于ＦＳＦＤＰ－ＢｏＶ模型的遥感影像检索　第５９页　信息，２００６，２４：２４—２６．　ＬＪ］．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，２０１３，４６（３）：１Ｏ３９—１０５３．　［１４］ＬＯＷＥ　Ｄ　Ｇ．Ｄｉｓｔｉｎｃｔｉｖｅ　ｉｍａｇｅ　ｆｅａｔｕｒｅｓ　ｆｒｏｍ　ｓｃａｌｅ－ｉｎｖａｒｉａｎｔ　ｋｅｙ　［１９］ＰＨＩＬＢＩＮ　Ｊ．Ｓｃａｌａｂｌｅ　Ｏｂｊｅｃｔ　Ｒｅｔｒｉｅｖａｌ　ｉｎ　Ｖｅｒｙ　Ｌａｒｇｅ　Ｉｍａｇｅ　ＣＯｌ—　ｐｏｉｎｔｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ，２００４，６０　ｌｅｃｔｉｏｎｓ［Ｄ］．Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｏｘｆｏｒｄ，２０１０．　（２）：９１一ｌ１Ｏ．　［２Ｏ］ＷＡＮＧ　Ｊ，ＷＡＮＧ　Ｊ，ＫＥ　Ｑ，ｅｔ　ａ１．Ｆａｓｔ　ａｐｐｒｏｘｉｍａｔｅ　Ｋ－ｍｅａｎｓ　０５］ＭＯＬＩＮＩＥＲ　Ｍ，ＬＡＡＫＳＯＮＥＮ　Ｊ，ＨＡＭＥ　Ｄｅｔｅｃｔｉｎｇ　ｍａｎ－　ｖｉａ　ｃｌｕｓｔｅｒ　ｃｌｏｓｕｒｅｓ［Ａ］．Ｍｕｌｔｉｍｅｄｉａ　Ｄａｔａ　Ｍｉｎｉｎｇ　ａｎｄ　Ａｎａｌｙｔ—　ｍａｄｅ　ｓｔｒｕｃｔｕｒｅｓ　ａｎｄ　ｃｈａｎｇｅｓ　ｉｎ　ｓａｔｅｌｌｉｔｅ　ｉｍａｇｅｒｙ　ｗｉｔｈ　ａ　ｃｏｎ—　ｉｃｓ［Ｍ］．Ｓｐｒｉｎｇｅｒ　Ｉｎｔｅｎｒａｔｉｏｎａｌ　Ｐｕｂｌｉｓｈｉｎｇ，２０１５．３７３—３９５．　ｔｅｎｔ－ｂａｓｅｄ　ｉｎｆｏｒｍａｔｉｏｎ　ｒｅｔｒｉｅｖａｌ　ｓｙｓｔｅｍ　ｂｕｉｌｔ　ｏｎ　ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ　［２１］ｗＵ　Ｊ，ＲＥＨＧ　Ｊ　Ｍ．Ｂｅｙｏｎｄ　ｔｈｅ　Ｅｕｃｌｉｄｅａｎ　ｄｉｓｔａｎｃｅ：Ｃｒｅａｔｉｎｇ　ｅｆ—　ｍａｐｓ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅｓ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，　ｆｅｃｔｉｖｅ　ｖｉｓｕａｌ　ｃｏｄｅｂｏｏｋｓ　ｕｓｉｎｇ　ｔｈｅ　ｈｉｓｔｏｇｒａｍ　ｉｎｔｅｒｓｅｃｔｉｏｎ　ｋｅｒ—　２００７，４５（４）：８６１—８７４．　ｎｅｌ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ，　［１６］李士进，仇建斌，於慧．基于视觉单词选择的高分辨率遥感影　２００９，３０（２）：６３Ｏ～６３７．　像飞机目标检测［Ｊ］．数据采集与处理，２０１４，２９（１）：６Ｏ一６５．　［２２３　ＯＤＯＮＥ　Ｆ，ＢＡＲＬＡ　Ａ，ＶＥＲＲＩ　Ａ．Ｂｕｉｌｄｉｎｇ　ｋｅｒｎｅｌｓ　ｆｒｏｍ　ｂｉｎａ—　［１７］ＺＨＯＮＧ　Ｓ　Ｅｆｆｉｃｉｅｎｔ　ｏｎｌｉｎｅ　ｓｐｈｅｒｉｃａｌ　Ｋ－ｍｅａｎｓ　ｃｌｕｓｔｅｒｉｎｇ［Ａ］．　ｒｙ　ｓｔｒｉｎｇｓ　ｆｏｒ　ｉｍａｇｅ　ｍａｔｃｈｉｎｇ［Ｊ］．Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，ＩＥＥＥ　Ｐｒｏｃ．ｏｆ　ｔｈｅ　２００５　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｎｅｕ—　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ，２００５，１４（２）：１６９—１８０．　ｒａｌ　Ｎｅｔｗｏｒｋｓ［ｃ１］．Ｍｏｎｔｒｅａｌ，Ｃａｎａｄａ，２００５．３１８ｏ一３１８５．　［２３］ＺＨＥＮＧ　Ｙ　Ｔ，ＺＨＡＯ　Ｍ，ＮＥＯ　Ｓ　Ｙ，ｅｔ　１ａ．Ｖｉｓｕａｌ　ｓｙｎｓｅｔ：Ｔｏｗａｒｄｓ　ａ　［１８］ＢＯＬＯＶＩＮＯＵ　Ａ，ＰＲＡＴＩＫＡＫＩＳ　Ｉ，ＰＥＲＡＮＴＯＮＩＳ　Ｓ　Ｂａｇ　ｏｆ　ｈｉｇｈｅｒ－ｌｅｖｅｌ　ｖｉｓｕａｌ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ［Ａ］．Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔ—　ｓｐａｔｉｏ－ｖｉｓｕａｌ　ｗｏｒｄｓ　ｆｏｒ　ｃｏｎｔｅｘｔ　ｉｎｆｅｒｅｎｃｅ　ｉｎ　ｓｃｅｎｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，２ｏｏ８［Ｃ］．ＣＶＰＲ　２００８，２００８．１—８．　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｍａｇｅ　Ｒｅｔｒｉｅｖａｌ　Ｒｅｓｅａｒｃｈ　Ｂａｓｅｄ　ｏｎ　ＦＳＦＤＰ＿ＢｏＶ　Ｍｏｄｅｌ　ＳＨＥＮ　Ｃｈｅｎ，ＱＩ　Ｋｕｎ—ｌｕｎ，ＬＩＵ　Ｗｅｎ—ｘｕａｎ，ＷＵ　Ｈｕａ—ｙｉ　（Ｓｔａｔｅ　Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｒ，［ｇｉｎｅｅｒｉｎｇ　ｉｎ　Ｓｕｒｖｅｙｉｎｇ，　Ｍａｐｐｉｎｇ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，Ｗｕｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ　４３００７９，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｒｅｔｒｉｅｖａｌ　ｏｆ　ｈｉｇｈ—ｒｅｓｏｌｕｔｉｏｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｓ　ａｎ　ｉｍ—　ｐｒｏｖｅｄ　Ｂａｇ　ｏｆ　Ｖｉｓｕａｌ　Ｗｏｒｄ（ＢｏＶ）ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｃｌｕｓｔｅｒｉｎｇ　ｂｙ　Ｆａｓｔ　Ｓｅａｒｃｈ　ａｎｄ　Ｆｉｎｄ　ｏｆ　Ｄｅｎｓｉｔｙ　Ｐｅａｋｓ（ＦＳＦＤＰ）．Ｔａｋｉｎｇ　ｔｈｅ　ａｄｖａｎｔａｇｅｓ　ｔｈａｔ　ｔｈｅ　ｒｅｓｕｌｔ　ｏｆ　ｃｌｕｓｔｅｒｉｎｇ　ｂｙ　ＦＳＦＤＰ　ｉｓ　ｈｉｇｈｌｙ　ａｃｃｕｒａｔｅ　ａｎｄ　ｔｈａｔ　ｔｈｅ　ｃｌｕｓｔｅｒｉｎｇ　ｐａｒａｍｅｔｅｒｓ　ａｒｅ　ｅａｓｙ　ｔｏ　ｃｈｏｏｓｅ，ｔｈｉｓ　ｍｏｄｅｌ　ｅｎｈａｎｃｅｓ　ｔｈｅ　ｓｔａｂｉｌｉｔｙ　ａｎｄ　ｒｅｌｉａｂｉｌｉｔｙ　ｏｆ　ｆｅａｔｕｒｅ　ｑｕａｎｔｉｆｉｃａｔｉｏｎ　ｉｎ　ＢｏＶ．　Ｋｅｙ　ｗｏｒｄｓ：ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ；ｒｅｔｒｉｅｖａｌ；Ｂａｇ　ｏｆ　Ｖｉｓｕａｌ　ｗｏｒｄｓ；ｄｅｎｓｉｔｙ　ｐｅａｋｓ　ｃｌｕｓｔｅｒｉｎｇ　（上接第３３页）　Ａｎ　Ａｄａｐｔｉｖｅ　Ｓｉｍｐｌｉｆｉｃａｔｉｏｎ　Ｍｅｔｈｏｄ　ｏｎ　Ｖｅｃｔｏｒ　Ｄａｔａ　Ｂａｓｅｄ　ｏｎ　ｅ－Ｖｏｒｏｎｏｉ　ＺＨＡＮＧ　Ｚｈｅｎ—ｘｉ　ｎ１，ＤＥＮＧ　Ｈａｏ　，Ｋ０Ｕ　Ｙｉ—ｄａｎ　，ＺＨＡＮＧ　Ｗｅｉ　，ＬＩＵ　Ｂｉ　（ｊ．Ｓｔａｔｅ　Ｋｅｙ　Ｌａｂｏｒａｔｏｒｙ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｓｃｉｅｎｃｅ，Ｓｃｈｏｏｌ　ｏｆ　Ｇｅｏｇｒａｐｈｙ　ａｎｄ　ＲＳ，Ｂｅｉｊｉｎｇ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，　Ｂｅｉｊｉｎｇ　１００８７５；２．Ｓｃｈｏｏｌ　ｏｆ　ｅＧｏｓｃｉｅｎｃｅｓ　ａｎｄ　Ｉｎｆｏ－Ｐｈｙｓｉｃｓ，Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ　４１００８３；　３．Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｄｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ　４１００８３，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ａｎ　ａｄａｐｔｉｖｅ　ｍｅｔｈｏｄ　ｔｈａｔ　ｐｅｒｆｏｒｍｓ　ｓｉｍｐｌｉｆｉｃａｔｉｏｎ　ｏｆ　ｖｅｃｔｏｒ　ｄａｔａ　ｕｓｉｎｇ　ｆｒａｍｅ　ｂｕｆｆｅｒ　ａｎｄ　ｑｕａｄ－ｔｒｅｅ　ｉｎｄｅｘ　ｉｓ　ｐｒｅｓｅｎｔｅｄ．Ｆｉｒｓｔｌｙ．ｉｎｄｉｃａｔｏｒｓ　ｔｏ　ｅｖａｌｕａｔｅ　ｖｅｃｔｏｒ　ｄａｔａ　ｄｅｎｓｉｔｙ　ａｒｅ　ｐｒｏｐｏｓｅｄ，ｔｈｅｎ　ｔｈｅ　ｔｏｌｅｒａｎｃｅ　ｐａｒａｍｅｔｅｒ（￡）ｏｆ￡一Ｖｏｒｏｎｏｉ　ｄｉａｇｒａｍ　ｉｓ　ｇｏｔｔｅｎ　ｂｙ　ｔｈｅ　ｖｅｃｔｏｒ　ｄａｔａ　ｄｅｎｓｉｔｙ　ａｎｄ　ｗｉｄｔｈ　ｏｆ　ｅａｃｈ　ｒｅｇｉｏｎ．Ｉｎ　ｔｈｅ　ｅｎｄ，ｔｈｅ　ｖｅｃｔｏｒ　ｄａｔａ　ｉｓ　ａｄａｐｔｉｖｅｌｙ　ｓｉｍｐｌｉｆｉｅｄ　ｗｉｔｈ　ｔｈｅ　ｔｅｃｈｎｏｌ—　ｏｇｙ　ｏｆ　ｆｒａｍｅ　ｂｕｆｆｅｒ．Ｔｈｅ　ｒｅｓｕｌｔ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔ　ｉｎｄｉｃａｔｅｓ　ｔｈａｔ　ｏｕｒ　ｍｅｔｈｏｄ　ｉｍｐｒｏｖｅｓ　ｔｈｅ　ｑｕａｌｉｔｙ　ｏｆ　ｓｉｍｐｌｉｆｉｃａｔｉｏｎ　ｑｕａｌｉｔｙ，ａｎｄ　ｐｒｏ—　ｖｉｄｅｓ　ｓｏｍｅ　ｂａｓｅｓ　ｆｏｒ　ｖｉｓｕａｌｉｚａｔｉｏｎ　ｏｆ　ｖｅｃｔｏｒ　ｄａｔａ．　Ｋｅｙ　ｗｏｒｄｓ：ｑｕａｄ－ｔｒｅｅ；ｆｒａｍｅ　ｂｕｆｆｅｒ；ａｄａｐｔｉｖｅ；ｓｉｍｐｌｉｆｉｃａｔｉｏｎ