專利名稱：一種遙感圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于遙感圖像分類技術(shù)領(lǐng)域，具體涉及一種利用排序直方譜特征對(duì)遙感圖像進(jìn)行分類的方法。
背景技術(shù)：
遙感圖像是按一定的比例尺，客觀真實(shí)地記錄和反映地表物體的電磁輻射的強(qiáng)弱信息，是遙感探測(cè)所獲得的遙感信息資料的一種表現(xiàn)形式。所以遙感技術(shù)的核心問(wèn)題是根據(jù)地物輻射電磁輻射強(qiáng)弱在遙感圖像上表現(xiàn)的特征，判讀識(shí)別地面物體的類屬及其分布特征。在遙感圖像技術(shù)的研究中，無(wú)論是專業(yè)信息提取，運(yùn)動(dòng)變化預(yù)測(cè)，還是專題地圖制作和遙感數(shù)據(jù)庫(kù)的建立等都離不開(kāi)分類，對(duì)照地面地物類型，便可以從圖像上地物的識(shí)別。隨著近年來(lái)計(jì)算機(jī)技術(shù)的飛速發(fā)展，計(jì)算機(jī)識(shí)別分類成了遙感技術(shù)應(yīng)用的一個(gè)重要組成部分。遙感圖像數(shù)據(jù)類別多，合混度大，如何解決多類別分類識(shí)別并滿足一定的分類精度，是當(dāng)前遙感圖像研究中的一個(gè)關(guān)鍵問(wèn)題，也是人們關(guān)注的焦點(diǎn)。
在目前的遙感圖像分類應(yīng)用中，用的較多的方法有共生矩陣，行程長(zhǎng)度，加博(Gabor)的一階二階矩。其中，共生矩陣和行程長(zhǎng)度由于只對(duì)圖像在空間域的特性進(jìn)行分析，而Gabor的一階二階矩的統(tǒng)計(jì)量過(guò)分簡(jiǎn)單，所以分類能力都非常有限。

發(fā)明內(nèi)容
本發(fā)明的目的在于，提供一種遙感圖像分類方法，該方法能達(dá)到分類的高準(zhǔn)確率。
本發(fā)明按照以下步驟完成(1)在參考遙感圖像上截取若干小塊作為訓(xùn)練樣本；(2)設(shè)計(jì)加博(Gabor)濾波器組，將頻率域分解至S個(gè)尺度和T個(gè)角度，使用濾波器組對(duì)所有訓(xùn)練樣本進(jìn)行濾波，得到訓(xùn)練樣本的濾波圖像集合，記為P；(3)從P中提取基于不同尺度的濾波圖像集合，通過(guò)分別計(jì)算該集合中濾波圖像最小值和最大值的平均值，得到該集合對(duì)應(yīng)的直方圖統(tǒng)計(jì)范圍[Qmin(l)，Qmax(l)](l＝1，2，...，S)，將該范圍平均分成小區(qū)間，得到相應(yīng)的直方圖區(qū)間劃分方式[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，...，c)其中，range=Qmax(l)-Qmin(l)c,]]>c為區(qū)間個(gè)數(shù)；(4)按照以下步驟提取每個(gè)訓(xùn)練樣本基于不同尺度的排序直方譜特征向量(4.1)從P中提取一個(gè)訓(xùn)練樣本基于某尺度的濾波圖像集合，根據(jù)基于該尺度的濾波圖像集合的直方圖區(qū)間劃分方式，得到其對(duì)應(yīng)的直方圖集合和特征值集合；(4.2)對(duì)直方圖集合里的元素按照特征值集合里對(duì)應(yīng)元素的值的大小進(jìn)行排序，得到訓(xùn)練樣本基于該尺度的排序直方譜特征向量；(4.3)按照步驟(4.1)-(4.2)的方式，遍歷所有訓(xùn)練樣本和尺度，得到每個(gè)訓(xùn)練樣本基于不同尺度的排序直方譜特征向量；(5)使用χ2統(tǒng)計(jì)距離，根據(jù)步驟(4)得到的排序直方譜特征向量對(duì)訓(xùn)練樣本進(jìn)行聚類，得到最佳分類尺度；(6)將待分類圖像分成小塊，按照步驟(4.1)-(4.2)的方式計(jì)算每個(gè)小塊基于最佳分類尺度的排序直方譜特征向量；根據(jù)排序直方譜特征向量，使用分類器依次對(duì)小塊分類并標(biāo)記，最終得到整幅圖像的分類結(jié)果。
本發(fā)明同時(shí)對(duì)空間域和頻率域進(jìn)行分析，能夠獲取更多有助于分類的圖像紋理信息；計(jì)算排序直方譜特征向量，并將其作為本發(fā)明所需統(tǒng)計(jì)量，使得分類結(jié)果更為精確。


圖1為本發(fā)明的總體流程圖；圖2為提取每個(gè)訓(xùn)練樣本基于不同尺度的排序直方譜特征向量流程圖；圖3為提取訓(xùn)練樣本基于不同尺度的排序直方譜特征向量的示例圖
其中，圖3a為農(nóng)田訓(xùn)練樣本；圖3b為該訓(xùn)練樣本在第4個(gè)尺度下的6個(gè)直方圖；圖3c為該訓(xùn)練樣本在第4個(gè)尺度下的排序直方譜；圖4為本發(fā)明對(duì)待分類圖像分類的流程圖；圖5為本發(fā)明關(guān)于遙感大圖子塊劃分方式的示意圖；圖6為本發(fā)明與一般方法的分類準(zhǔn)確率比較圖。
具體實(shí)施例方式
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做詳細(xì)說(shuō)明。
(1)截取訓(xùn)練樣本。
假定待分類遙感圖像有M類區(qū)域需要?jiǎng)澐?。在參考遙感圖像上，分別在每個(gè)類型所屬區(qū)域中截取若干小圖作為訓(xùn)練樣本，令第m類事物的第n個(gè)訓(xùn)練樣本為Imn。要求每一類的訓(xùn)練樣本能夠體現(xiàn)該類區(qū)域的所有基本特征。從理論上說(shuō)，各訓(xùn)練樣本大小可以不相同，但是為了編制程序的方便和達(dá)到更穩(wěn)定的分類效果，本發(fā)明建議使用大小相同的小圖，本發(fā)明取小圖大小為50像素*50像素。
(2)使用加博(Gabor)濾波器組得到濾波圖像集合。
(2.1)設(shè)計(jì)Gabor濾波器組。
濾波器組的設(shè)計(jì)必須滿足設(shè)計(jì)的濾波器組能夠覆蓋頻率域。設(shè)計(jì)將頻率域分解至S個(gè)尺度和T個(gè)角度的Gabor濾波器組，則該濾波器組一共有S*T個(gè)濾波器，令第l個(gè)尺度，第r個(gè)角度的Gabor濾波器為Glr。一般采用4個(gè)尺度和6個(gè)角度。例如，采用4個(gè)尺度，其對(duì)應(yīng)的中心頻率分別為0.05，0.1，0.2和0.4，6個(gè)角度分別為0，30，60，90，120，150度，一共24個(gè)濾波器。
(2.2)得到訓(xùn)練樣本的濾波圖像集合。
對(duì)應(yīng)于每一個(gè)訓(xùn)練樣本和每一個(gè)濾波器，可以得到一幅濾波圖像。例如，對(duì)于訓(xùn)練樣本Imn和濾波器Glr，通過(guò)卷積運(yùn)算，得到濾波后的圖像Fm,nl,r=con(Inm*Glr).]]>利用Gabor濾波器組對(duì)所有訓(xùn)練樣本進(jìn)行濾波，得到包括A*S*T(A為訓(xùn)練樣本總數(shù))幅濾波圖像的濾波圖像集合，記為P。
(3)獲取基于不同尺度的濾波圖像集合，計(jì)算其對(duì)應(yīng)的直方圖區(qū)間劃分方式。
通過(guò)不同尺度的Gabor濾波器，可以得到差異很大的濾波圖像。一幅濾波圖像的區(qū)間分布就叫做這幅濾波圖像的直方圖，任何一幅圖像通過(guò)一組濾波器，都可以得到一組濾波圖像，以及相應(yīng)的一組直方圖。
從P中提取基于不同尺度的濾波圖像集合，對(duì)每個(gè)集合中的濾波圖像采用相同的統(tǒng)計(jì)區(qū)間計(jì)算直方圖，步驟如下(3.1)確定基于不同尺度的濾波圖像集合的直方圖統(tǒng)計(jì)范圍。
令Qmin(l)=1A*QΣm=1Σn=1Σr=1min(Fm,nl,r),]]>Qmax(l)=1A*QΣm=1Σn=1Σr=1max(Fm,nl,r),]]>[Qmin(l)，Qmax(l)](l＝1，2，...，S)為基于第l個(gè)尺度的濾波圖像集合的直方圖統(tǒng)計(jì)范圍。
(3.2)確定基于不同尺度的濾波圖像集合的直方圖統(tǒng)計(jì)區(qū)間。
將步驟(3.1)得到的直方圖統(tǒng)計(jì)范圍均勻分成c個(gè)區(qū)間(一般取c為10)，則第l個(gè)尺度對(duì)應(yīng)的直方譜區(qū)間長(zhǎng)度range=Qmax(l)-Qmin(l)c,]]>其第z個(gè)直方譜統(tǒng)計(jì)區(qū)間是[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，...，c)。
(4)提取每個(gè)訓(xùn)練樣本基于不同尺度的排序直方譜特征向量。
訓(xùn)練樣本Imn在第l個(gè)尺度下提取排序直方譜特征向量，按照以下步驟完成(4.1)計(jì)算訓(xùn)練樣本Imn基于第l個(gè)尺度的濾波圖像直方圖集合。
定義濾波圖像Fm，nl，r的直方圖為Hm,nl,r=(Hm,nl,r(1),Hm,nl,r(2),...,Hm,nl,r(c)),]]>其中Hm,nl,r(z)=sum(Qmin(l)+range*(z-1)<Fm,nl,r(x,y)<Qmin(l)+range*z)(z=1,2,...,c).]]>同時(shí)，定義Um,nl,r=max{Hm,nl,r(z),z=1,2...,c}]]>為Hm，nl，r的特征值。
訓(xùn)練樣本Imn通過(guò)第l個(gè)尺度下不同角度的濾波器濾波后，可以得到T幅濾波圖像的集合為{Fm，nl，1，F(xiàn)m，nl，2，...，F(xiàn)m，nl，T}，這些濾波圖像相應(yīng)的直方圖的集合為{Hm，nl，1，Hm，nl，2，...，Hm，nl，T}，對(duì)應(yīng)的特征值的集合為{Um，nl，1，Um，nl，2，...，Um，nl，T}。
(4.2)對(duì)集合內(nèi)的直方圖進(jìn)行排序。
由步驟(4.1)，得到訓(xùn)練樣本Imn在第l個(gè)尺度下的直方圖的集合為{Hm，nl，1，Hm，nl，2，Hm，nl，T}。對(duì)集合內(nèi)的所有直方圖依據(jù)其特征值由大到小依次排序(由小到大也有效)，得到訓(xùn)練樣本Imn在第l個(gè)尺度下的排序直方譜特征向量Pm,nl=Order{Hm,n,l,1Hm,n,......,l,2Hm,nl,T},]]>如圖3所示，圖3a為截取的農(nóng)田類型的訓(xùn)練樣本；在第4個(gè)尺度下，可以得到6個(gè)濾波圖像直方圖的集合，如圖3b所示；將這些直方圖按照特征值大小進(jìn)行排序得到排序直方譜特征向量，如圖3c所示。
按照步驟(4.1)-(4.2)，遍歷所有訓(xùn)練樣本和尺度，得到每個(gè)樣本在每個(gè)尺度下的排序直方譜特征向量，如圖2所示。
(5)選擇最佳分類尺度分別在每個(gè)尺度下，使用χ2統(tǒng)計(jì)距離，對(duì)訓(xùn)練樣本進(jìn)行聚類。得到最高分類正確率的尺度即為本發(fā)明使用的最佳分類尺度。
(6)對(duì)待分類遙感圖像進(jìn)行分類，如圖4所示。
(6.1)提取待分類遙感圖像的排序直方譜特征向量。
將待分類的遙感圖像分成子塊，如圖5所示。使用步驟(5)中得到的最佳分類尺度，按照步驟(4.1)-(4.2)計(jì)算每個(gè)子塊小圖的排序直方譜特征向量。
(6.2)使用分類器分類使用適當(dāng)?shù)姆诸惼?，根?jù)每個(gè)子塊小圖的排序直方譜特征向量得到所有小圖的分類結(jié)果。還原到大圖，最終得到整個(gè)遙感圖像的分類結(jié)果。可以使用的分類器有KNN，SVM，Adaboost以及神經(jīng)網(wǎng)絡(luò)等，本發(fā)明推薦使用χ2距離的1NN分類器。
下面將詳細(xì)描述描述本發(fā)明的一個(gè)實(shí)施例。
在該實(shí)施例中，待分類遙感圖像有三類區(qū)域需要?jiǎng)澐志用駞^(qū)，農(nóng)田區(qū)，植被區(qū)。在參考遙感圖像上，分別截取這三種區(qū)域類型各100幅小圖作為訓(xùn)練樣本，樣本大小為50象素*50象素。
設(shè)計(jì)將頻率域分解至4個(gè)尺度和6個(gè)角度的Gabor濾波器組。采用4個(gè)尺度，其對(duì)應(yīng)的中心頻率分別為0.05，0.1，0.2，0.4，6個(gè)角度分別為0，30，60，90，120，150度，一共24個(gè)濾波器。
將所有訓(xùn)練樣本與濾波器組卷積，得到濾波圖像集合。根據(jù)步驟(3.1)中公式進(jìn)行計(jì)算，分別得到4個(gè)基于不同尺度的直方圖范圍。將每個(gè)尺度對(duì)應(yīng)的直方譜范圍均勻分為10個(gè)區(qū)間，統(tǒng)計(jì)每個(gè)濾波圖像的直方圖，并選擇其中最大的一維作為它的特征值。一個(gè)訓(xùn)練樣本在每個(gè)尺度下有6個(gè)直方圖。將這些直方圖按其特征值由大到小排序，從而得到訓(xùn)練樣本在該尺度下的排序直方譜特征向量。
分別在每個(gè)尺度下，使用χ2統(tǒng)計(jì)距離，對(duì)訓(xùn)練樣本進(jìn)行聚類，得到最佳分類尺度為第4個(gè)尺度。將待分類的遙感圖像分成子塊，使用第4個(gè)尺度，計(jì)算每個(gè)子塊的排序直方譜特征向量，然后使用χ2距離的1NN分類器對(duì)子塊分類，得到字塊分類結(jié)果。對(duì)每個(gè)子塊重復(fù)上述步驟，得到所有小圖的分類結(jié)果，最終得到整個(gè)遙感圖像的分類結(jié)果。
使用同樣的樣本和分類器，得到的分類準(zhǔn)確率如圖6所示，從中可以看出，與一般方法相比，本發(fā)明有著更精確的分類結(jié)果。
還應(yīng)理解，因?yàn)楦綀D中所述的某些方法步驟可以軟件形式來(lái)實(shí)現(xiàn)，所以過(guò)程步驟之間的實(shí)際連接可能有所不同，具體視本發(fā)明的編程方式而定?；诖颂幪岢龅谋景l(fā)明原理，相關(guān)領(lǐng)域的普通專業(yè)人員可以設(shè)想本發(fā)明的這些以及類似實(shí)施方案。
權(quán)利要求
1.一種遙感圖像分類方法，其特征是，該方法包括以下步驟(1)在參考遙感圖像上截取若干小塊作為訓(xùn)練樣本；(2)設(shè)計(jì)加博(Gabor)濾波器組，將頻率域分解至S個(gè)尺度和T個(gè)角度，使用濾波器組對(duì)所有訓(xùn)練樣本進(jìn)行濾波，得到訓(xùn)練樣本的濾波圖像集合，記為P；(3)從P中提取基于不同尺度的濾波圖像集合，通過(guò)分別計(jì)算該集合中濾波圖像最小值和最大值的平均值，得到該集合對(duì)應(yīng)的直方圖統(tǒng)計(jì)范圍[Qmin(l)，Qmax(l)](l＝1，2，…，S)，將該范圍平均分成小區(qū)間，得到相應(yīng)的直方圖區(qū)間劃分方式[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，…，c)其中，range=Qmax(l)-Qmin(l)c,]]>c為區(qū)間個(gè)數(shù)；(4)按照以下步驟提取每個(gè)訓(xùn)練樣本基于不同尺度的排序直方譜特征向量(4.1)從P中提取一個(gè)訓(xùn)練樣本基于某尺度的濾波圖像集合，根據(jù)基于該尺度的濾波圖像集合的直方圖區(qū)間劃分方式，得到其對(duì)應(yīng)的直方圖集合和特征值集合；(4.2)對(duì)直方圖集合里的元素按照特征值集合里對(duì)應(yīng)元素的值的大小進(jìn)行排序，得到訓(xùn)練樣本基于該尺度的排序直方譜特征向量；(4.3)按照步驟(4.1)-(4.2)的方式，遍歷所有訓(xùn)練樣本和尺度，得到每個(gè)訓(xùn)練樣本基于不同尺度的排序直方譜特征向量；(5)使用χ2統(tǒng)計(jì)距離，根據(jù)步驟(4)得到的排序直方譜特征向量對(duì)訓(xùn)練樣本進(jìn)行聚類，得到最佳分類尺度；(6)將待分類圖像分成小塊，按照步驟(4.1)-(4.2)的方式計(jì)算每個(gè)小塊基于最佳分類尺度的排序直方譜特征向量；根據(jù)排序直方譜特征向量，使用分類器依次對(duì)小塊分類并標(biāo)記，最終得到整幅圖像的分類結(jié)果。
全文摘要
一種遙感圖像分類方法，其步驟為①在參考遙感圖像上，分別在不同類型的區(qū)域中，截取小圖作為訓(xùn)練樣本；②設(shè)計(jì)加博(Gabor)濾波器，將頻率域分解至不同的尺度與角度，對(duì)訓(xùn)練樣本進(jìn)行濾波，得到濾波圖像集合；③計(jì)算每個(gè)訓(xùn)練樣本在不同尺度下的排序直方譜特征向量；④通過(guò)對(duì)訓(xùn)練樣本進(jìn)行聚類，得到最佳分類尺度；⑤將待分類遙感圖像分成子塊，使用④中得到的尺度，計(jì)算子塊的排序直方譜特征向量；⑥使用分類器依次對(duì)子塊進(jìn)行分類，最終得到待分類遙感圖像的分類結(jié)果。本發(fā)明能對(duì)遙感圖像有效分類，操作簡(jiǎn)便，分類效率高。
文檔編號(hào)G01S17/00GK101067659SQ20071005241
公開(kāi)日2007年11月7日 申請(qǐng)日期2007年6月8日 優(yōu)先權(quán)日2007年6月8日
發(fā)明者曹治國(guó), 范繹, 卓問(wèn), 肖陽(yáng) 申請(qǐng)人:華中科技大學(xué)