專利名稱：一種可調(diào)節(jié)的光譜和空間特征混合分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)遙感圖像處理與模式識(shí)別技術(shù)領(lǐng)域，是一種新的利用多尺度背景和多分辨率分析提取影像空間特征，并可調(diào)節(jié)分類器中光譜與空間信息比例的分類方法。
背景技術(shù)：
近年來，空間技術(shù)的發(fā)展使我們可以獲得較高空間分辨率的遙感數(shù)據(jù)，該影像的特點(diǎn)在于(1)相鄰像元具有高度的相關(guān)性；(2)類內(nèi)的光譜差異增大，類間的光譜差異減小；(3)影像的空間關(guān)系變得更加復(fù)雜，同譜異質(zhì)、同質(zhì)異譜的現(xiàn)象廣泛存在。所以，不同類別地物的光譜信息存在較大重疊，傳統(tǒng)的光譜方法在高分辨率影像的解譯上面臨困難。要解決這個(gè)問題必須利用影像的紋理和空間信息，從基于像元的特征提取轉(zhuǎn)向基于上下文的鄰域特征提取。這一點(diǎn)已在國(guó)際上達(dá)成共識(shí)，有關(guān)空間紋理特征提取的各種方法是當(dāng)前研究的熱點(diǎn)，以下簡(jiǎn)述當(dāng)前研究較多的典型方法。
利用空間自相關(guān)可以提取反復(fù)性紋理特征，自相關(guān)函數(shù)可以用來表示紋理的粗糙和光滑，反映紋理基元的空間大小，基元較大表示紋理粗糙，自相關(guān)函數(shù)隨窗口移動(dòng)下降速度較慢；基元較小，則自相關(guān)函數(shù)隨窗口移動(dòng)下降速度較快。相關(guān)文獻(xiàn)有Myint.S.W.，N.S.N.Lam，J.Tylor.An Evaluation of four different waveletdecomposition procedures for spatial feature discrimination within and aroundurban areas.Transactions in GIS，2002，6(4)403～429。
利用分形方法可以表征圖像的灰度曲面和自然形狀，分形中的分維數(shù)最直接的意義就是代表了表面的起伏程度。由于地學(xué)自然分形在一定尺度范圍內(nèi)呈現(xiàn)統(tǒng)計(jì)分形，因此，在遙感領(lǐng)域分維估值法應(yīng)用較多。文獻(xiàn)如Myint.S.W.Fractal approachestexture analysis and classification of remotely sensed data.InternationalJournal of Remote Sensing，2003，24(9)1925～1947。
灰度共生矩陣是一種常用的紋理統(tǒng)計(jì)方法，它利用影像灰度級(jí)之間的聯(lián)合條件概率密度來計(jì)算紋理，通過一些紋理統(tǒng)計(jì)量來描述灰度共生空間，從而達(dá)到提取空間特征的目的，其參考文獻(xiàn)有Yun Zhang.Optimisation of building detection insatellite images by combining multispectral classification and texturefiltering.ISPRS Journal of Photogrammetry and Remote Sensing，1999，54(8)50～60；R.M.Haralick.Statistical and structural approaches to texture.Proceeding of IEEE，1979，67786-804。
馬爾可夫隨機(jī)場(chǎng)方法利用上下文像素值的內(nèi)在聯(lián)系，用馬爾可夫模型來描述這種關(guān)系，并用提取的模型參數(shù)作為影像的空間特征。如Y.Dong，A.K.Milne，and B.C.Forster，“Segmentation and classification of vegetated areas usingpolarimetric SAR image data，”IEEE Transactions on Geoscience and RemoteSensing，vol.39，pp.321-329，2001。
小波是80年代中期發(fā)展起來的應(yīng)用數(shù)學(xué)理論，由于具有良好的時(shí)頻局部化特征、尺度變化特征和方向性特征，使其在圖像處理等領(lǐng)域得到了廣泛的應(yīng)用。為了提高遙感影像的解譯精度，已有學(xué)者提出基于小波變換的影像紋理特征提取算法。有關(guān)文獻(xiàn)Zhu C，Yang X.Study of remote sensing image texture analysis and classificationusing wavelet.International Journal of Remote Sensing，1998，13(6)3167～3187；朱長(zhǎng)青，楊曉梅，具有更佳分辨率小波分解的遙感影像紋理分類，地理研究，1997，16(1)53-59；倪玲，張劍清，姚巍，基于小波的SAR影像紋理分析，武漢大學(xué)學(xué)報(bào)信息科學(xué)版，2004，29(4)367-370。這些方法的特點(diǎn)是利用小波分解不同頻帶的特點(diǎn)，用能量值測(cè)度提取每個(gè)子帶的特征值，然后輸入分類器進(jìn)行分類。
總結(jié)以上這些方法發(fā)現(xiàn)一、各種空間特征提取算法雖然原理各不相同，但都不可避免的出現(xiàn)窗口操作，也就無(wú)法避免影像處理中著名的窗口效應(yīng)(window-size effect)，提出相關(guān)問題的文獻(xiàn)有M.E.Hodgson.What size window for image classification？A cognitiveperspective.Photogrammetric Engineering and Remote Sensing，1998，64(8)797～807。這種窗口效應(yīng)是由固定的滑動(dòng)窗口造成的，采取的窗口越大，該效應(yīng)越明顯，具體表現(xiàn)為處理過后在地物的交界處產(chǎn)生帶狀邊緣，寬度約為窗口大小的一半。窗口問題是遙感圖像處理和空間特征提取的一個(gè)關(guān)鍵技術(shù)，也是亟待解決的重要問題。現(xiàn)有的解決方法是利用樣本測(cè)試的方式，對(duì)多個(gè)不同大小的窗口進(jìn)行實(shí)驗(yàn)，找到最佳的尺寸。相關(guān)文獻(xiàn)有張錦水，何春陽(yáng)，潘耀忠等，基于SVM的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究，遙感學(xué)報(bào)，2006，10(1)49-57；何春陽(yáng)，曹鑫，史培軍，李京，基于Landsat7 ETM+全色數(shù)據(jù)紋理和結(jié)構(gòu)信息復(fù)合的城市建筑信息提取。必須指出，這種窗口選擇只是實(shí)際處理的一種折衷方案，由于影像地物表現(xiàn)出的多尺度特性，使得一種窗口尺度很難對(duì)其進(jìn)行有效的表達(dá)和描述。
二、現(xiàn)有的小波方法能有效識(shí)別某些紋理特征，但其不足之處在于(1)沒有解決上文敘述的窗口問題，算法采用較大的固定窗口操作，往往只能探測(cè)較大范圍的紋理(如大范圍地貌)，無(wú)法應(yīng)用到實(shí)際的遙感影像識(shí)別中；(2)小波多分辨率分析將產(chǎn)生高維空間特征，這些特征存在大量的信息冗余，有些特征已被證明是無(wú)益于模式識(shí)別的，因此有必要對(duì)大量的小波子頻帶能量值進(jìn)行特征提??；(3)沒有把小波紋理特征和光譜信息結(jié)合起來，尤其是在高分辨率遙感影像中，光譜和紋理信息的復(fù)合對(duì)于影像的分類是至關(guān)重要的。

發(fā)明內(nèi)容
針對(duì)上述問題，本發(fā)明提出一種可調(diào)節(jié)的光譜和空間特征混合分類方法，基于多尺度背景、小波多分辨率分析，避免了窗口的選擇問題，能更準(zhǔn)確地表達(dá)各種不同大小和尺度地物的特征，提高解譯的精度，人工干預(yù)少，適用于中高分辨率遙感影像的自動(dòng)分類，可有效提高該類影像的分類精度和效率。
本發(fā)明的技術(shù)方案是一種可調(diào)節(jié)的光譜和空間特征混合分類方法，其特征在于包括下列步驟①、用圍繞中心像元的一系列多尺度窗口來描述該像元的空間特征，構(gòu)造目標(biāo)像元所處不同尺度的背景金字塔；②、用Mallat小波變換處理每個(gè)背景窗口，構(gòu)造每個(gè)多尺度窗口的多分辨率金字塔，小波分解的級(jí)數(shù)由窗口大小和影像分辨率確定，每個(gè)窗口的每次小波分解都將產(chǎn)生4個(gè)小波子頻帶，分別是低頻、水平高頻、垂直高頻和對(duì)角高頻子帶；③、用熵函數(shù)測(cè)度求取每個(gè)背景窗口多分辨率子影像的特征值，并用小波低頻子影像和其它三個(gè)方向子影像特征值之和的比值，構(gòu)造該窗口尺度的空間旋轉(zhuǎn)不變特征量，同時(shí)減少空間特征的維數(shù)；④、根據(jù)小波變換的特點(diǎn)，對(duì)不同大小的背景窗口采用不同的小波變換階數(shù)，采用根窗口的方法，即不同尺度的背景窗口進(jìn)行多分辨率分析的最小窗口，以此來確定小波分解的階數(shù)；⑤、用戶只需要根據(jù)實(shí)際情況自行選擇背景窗口的配置，當(dāng)多尺度窗口選擇之后，便自動(dòng)計(jì)算和生成分類所需的空間特征；⑥、在分類器的構(gòu)造中，除了考慮待分類模式和樣本均值的光譜距離外，還同時(shí)加入它們的空間距離；⑦、用樣本的均值向量和方差向量求得空間特征的偏離度向量，減弱偏離度較高的特征參數(shù)對(duì)分類的影響；⑧、光譜距離和空間距離在分類器中所占的比例可根據(jù)實(shí)際情況由用戶自行調(diào)節(jié)。
如上所述的可調(diào)節(jié)的光譜和空間特征混合分類方法，其特征是根窗口取2×2或4×4。
本發(fā)明的基本原理是一、根據(jù)具體的情況和用戶的需要設(shè)置中心像元的一系列多尺度窗口，這是為了模擬人眼觀測(cè)目標(biāo)的多尺度聚焦特性；二、用Mallat變換建立每個(gè)窗口的多分辨率分析，小波分解的級(jí)數(shù)由窗口大小和影像分辨率確定；三、對(duì)每個(gè)窗口的每一次Mallat分解，都可以得到4個(gè)小波子頻帶，求取這4個(gè)子頻帶的信息熵測(cè)度，并用這4個(gè)值構(gòu)造一個(gè)旋轉(zhuǎn)不變的空間特征，消除方向的影響，同時(shí)減少空間信息的維數(shù)；四、經(jīng)過以上步驟以后，分類器所使用的空間特征也就隨之確定，整個(gè)過程只需要用戶在一開始根據(jù)具體情況選擇多窗口的配置；
五、根據(jù)先驗(yàn)知識(shí)在遙感圖像上選擇相應(yīng)類別的樣本，根據(jù)樣本的光譜和空間信息，用均值和方差測(cè)度構(gòu)造偏離度向量，對(duì)不同的空間特征進(jìn)行特征加權(quán)，限制不穩(wěn)定的特征在分類器中的權(quán)重；六、用戶可選擇光譜和空間特征在分類中所占的比例，可根據(jù)先驗(yàn)知識(shí)和影像特點(diǎn)預(yù)先判斷，也可以根據(jù)分類后的結(jié)果進(jìn)行調(diào)整。
本發(fā)明的有益效果通過圍繞中心像元的一系列背景窗口提取多尺度的空間信息，避免了單一窗口操作的局限性，由小到大的窗口避免了窗口的選擇問題，因?yàn)榈匚锸嵌喑叨鹊慕y(tǒng)，單一的窗口設(shè)置可能適合于某些地物，但不可能找到一個(gè)尺度能適用于所有地物的特點(diǎn)，一種有效的方法是模擬人眼觀察物體的多尺度聚焦方式，這樣能更準(zhǔn)確地表達(dá)各種不同大小和尺度地物的特征，提高解譯的精度；通過Mallat多分辨率分析能有效配合多尺度窗口方法，不同尺度的多分辨率分析能進(jìn)一步體現(xiàn)分層聚焦的原理，提取的方向性紋理特征能有效描述地物的空間分布特性，在各個(gè)背景的不同分辨率等級(jí)上構(gòu)造合適的空間特征；通過旋轉(zhuǎn)不變空間特征的構(gòu)造，避免了小波紋理特征的方向性問題，同時(shí)也減少了空間特征的維數(shù)，因?yàn)椴⒎敲總€(gè)小波子頻道都是有利于分類的特征；用樣本數(shù)據(jù)統(tǒng)計(jì)構(gòu)造了偏離度矢量，限制了對(duì)分類貢獻(xiàn)不大且分布不穩(wěn)定的空間特征在分類器中所占的比重；采用可調(diào)節(jié)因子控制分類器中光譜信息和空間特征的比例，使分類特征的選擇更為靈活，避免了光譜或者空間信息在決策中的決定性影響。本發(fā)明計(jì)算簡(jiǎn)便、程序運(yùn)行效率高，人工干預(yù)少，適用于中高分辨率遙感影像的自動(dòng)分類，可有效提高該類影像的分類精度和效率。


圖1為本發(fā)明的主程序運(yùn)行流程圖。
圖2為多尺度多分辨率分析流程圖。
圖3為空間紋理特征提取算法的流程。
圖4為可調(diào)節(jié)的光譜-空間分類方法。
具體實(shí)施例方式
1、理論基礎(chǔ)本發(fā)明使用的基本理論主要包括(1)利用小波變換構(gòu)造像元的空間參數(shù)。2維影像f(x，y)在分辨率2′下的小波系數(shù)可按下式計(jì)算cm,n(j)=Σl,kφk-2mφl-2nfk,lj-1,wm,n(j,h)=Σl,kφk-2mψl-2nfk,lj-1]]>
wm,n(j,v)=Σl,kφk-2mφl-2nfk,lj-1,wm,n(j,d)=Σl,kψk-2mψl-2nfk,lj-1]]>cm，n(j)、wm，n(j，h)、wm，n(j，v)和wm，n(j，d)分別表示低頻、水平高頻、垂直高頻和對(duì)角高頻子影像的小波系數(shù)，j為分解階數(shù)，ψ(x)為一維小波函數(shù)，具有高通濾波的作用；φ(x)為一維尺度函數(shù)，具有低通濾波的作用。選用合適的小波基，求出各個(gè)子影像的小波系數(shù)，經(jīng)過線性映射便可得到小波分解的各個(gè)子圖像。
(2)傳統(tǒng)的最小距離分類器dwi=Σj=1p||ij-lw,j||,]]>其中，dwi指的是像元i到w類的光譜距離，ij表示像元i在波段j的光譜值，p為傳感器的波段數(shù)，lw＝[lw，1，lw，2，lw，3，…lw，p]，其中l(wèi)w，j為第w類地物樣本在波段j上的平均光譜值，j＝1，2，3…p。那么像元i的類別為w*=minw(dwi).]]>2、空間特征的構(gòu)造以往用小波變換提取像元的空間特征，往往局限于固定的窗口和尺度，研究人員關(guān)心的是各種尺度對(duì)特征提取的差異和比較。事實(shí)上，人的大腦和視覺對(duì)物體的觀察和理解是基于連續(xù)的尺度，用連續(xù)且不斷擴(kuò)大的背景來確定被觀察物體的空間位置和關(guān)系。為了模擬人類識(shí)別目標(biāo)的特性，本發(fā)明對(duì)一系列不同中心窗口進(jìn)行小波變換，構(gòu)造像元的空間特征參數(shù)，把單一的窗口和尺度擴(kuò)展為多窗口和多尺度，提取像元的多尺度空間信息。附圖1表示本發(fā)明的空間信息提取特點(diǎn)，用兩種金字塔分析目標(biāo)像元的空間特征，一種是目標(biāo)像元所處的不同尺度的背景，如多窗口64×64、32×32、16×16和8×8；另一種是對(duì)每個(gè)背景窗口采用Mallat金字塔。設(shè)原始窗口為I，設(shè)I經(jīng)過第i階小波變換得到低頻、垂直、水平和對(duì)角方向子影像分別為AP_i，VD_i，HD_i，DD_i，i＝1，2，3。用熵Entropy(簡(jiǎn)記為ENT)作為每個(gè)子影像的特征值，公式如下ENT＝-∑∑Q(i，j)*log(Q(i，j))；Q(i,j)=|P(i,j)|2Σi,j|P(i,j)|2]]>其中，P(i，j)為小波系數(shù)。設(shè)子影像AP_i，VD_i，HD_i，DD_i的特征值分別為E(AP_i)、E(VD_i)、E(HD_i)和E(DD_i)。如果用每個(gè)子影像的特征值組合成一個(gè)n維的特征向量(n＝3i+1)，那么過多的空間參數(shù)會(huì)減少分類特征中的光譜含量，而且空間特征和光譜特征的評(píng)價(jià)尺度不同，會(huì)造成混合分類特征的扭曲。所以本發(fā)明將同一階小波分解的子影像特征值進(jìn)行組合，構(gòu)造新的空間特征參數(shù)，C1，C2，C3，C4…Cm，其中m為空間特征的維數(shù)。對(duì)于某個(gè)窗口而言，每進(jìn)行一次小波分解將產(chǎn)生4個(gè)新的特征值，本文用這4個(gè)值構(gòu)造1個(gè)新的歸一化特征值Cj，這樣，該窗口每進(jìn)行一次小波分解就得到1個(gè)新的空間參數(shù)Cj，其計(jì)算方法如下，式中j＝1，2，3…m，i為小波分解階數(shù)
Cj=E(AP_i)E(VD_i)+E(HD_i)+E(DD_i)]]>3、實(shí)現(xiàn)過程(1)、根據(jù)具體情況和用戶需要選擇多尺度背景窗口的配置，可供選擇的背景窗口有64×64、32×32、16×16和8×8，選擇的依據(jù)是地物的特點(diǎn)和影像空間分辨率。這種多窗口配置的原理是基于人眼觀測(cè)目標(biāo)的多尺度多背景聚焦特性，而且也符合影像地物多尺度統(tǒng)一的分布特點(diǎn)。在具體操作時(shí)，可以選擇其中的一個(gè)窗口(此時(shí)就是傳統(tǒng)的單窗口操作)，也可以同時(shí)選擇多個(gè)窗口的組合。
(2)、對(duì)影像中每個(gè)像元都按照第一步所確定的多尺度窗口進(jìn)行Mallat小波多分辨率分析，本發(fā)明使用Daubechies緊密支集正交小波，可供選擇的小波基有db1，db2，db3，db4，和db8。分析過程中提出根窗口的概念，即多分辨率分析的最小窗口(默認(rèn)為4×4窗口，為了提高實(shí)用性，還有2×2的根窗口可供選擇)，即64×64窗口進(jìn)行4階小波變換，32×32窗口進(jìn)行3階小波變換，16×16窗口進(jìn)行2階變換，8×8進(jìn)行一階變換。和現(xiàn)有算法通常采用固定窗口相比，4×4作為變換的根窗口在很大程度上減少了窗口效應(yīng)(window-size effect)，使得小波紋理特征能應(yīng)用于實(shí)際遙感影像的分類，解決了算法的實(shí)用性問題。同時(shí)因?yàn)楦翱谑怯奢^大窗口變換得到的，所以也同時(shí)具有大尺度的優(yōu)勢(shì)，在提高大面積紋理識(shí)別精度的同時(shí)，也能顧及到細(xì)節(jié)特征的表達(dá)。
(3)、以多背景窗口的Mallat變換結(jié)果為依據(jù)，構(gòu)造中心像元的小波紋理特征序列，每一個(gè)背景窗口的每一次小波變換都將增加1維空間特征，空間特征的構(gòu)造方法詳見上一節(jié)。該空間參數(shù)的優(yōu)點(diǎn)有1)降低了空間特征向量的維數(shù)，保持了分類信息中光譜含量和空間含量的平衡，解決了空間特征參數(shù)的歸一化問題；2)有效補(bǔ)充了光譜信息在遙感解譯中的缺陷；3)用金字塔式的背景窗口模擬人的視覺，避免了傳統(tǒng)的單窗口小波方法的弊端；4)對(duì)每個(gè)背景窗口采用多分辨率分析，提取地物的多尺度空間特征。
(4)、以上步驟完成后，影像中每個(gè)像素的光譜和空間特征都已經(jīng)確定，整個(gè)過程只需要用戶選擇背景窗口的配置，所以該方法具備良好的實(shí)用性和可操作性。
(5)、根據(jù)影像的地物特點(diǎn)和先驗(yàn)知識(shí)選擇訓(xùn)練樣本，并根據(jù)樣本的均值和方差統(tǒng)計(jì)計(jì)算偏離度矢量，對(duì)分類器中的空間特征進(jìn)行加權(quán)傳統(tǒng)的最小距離分類器為dwi=Σj=1p||ij-lw,j||]]>其中，dwi指的是像元i到w類的光譜距離，ij表示像元i在波段j的光譜值，p為傳感器的波段數(shù)，lw＝[lw，1，lw，2，lw，3，…lw，p]，其中l(wèi)w，j為第w類地物樣本在波段j上的平均光譜值，j＝1，2，3…p。像元i的類別為
w*=minw(dwi)]]>在分類器中加入空間特征參數(shù)，可得dwis=Σk=1mhw,i,k×||si,k-sw,k||]]>其中，dwis表示像元i到w類地物的空間距離，hw，i，k是像元i相對(duì)于w類地物的第k個(gè)空間參數(shù)的權(quán)重，即對(duì)每一個(gè)空間特征分量自適應(yīng)加權(quán)，設(shè)像元i與w類地物相應(yīng)的權(quán)值向量為hw，i＝[hw，i，1，hw，i，2，hw，i，3…h(huán)w，i，m]，我們用樣本最基本的兩個(gè)統(tǒng)計(jì)量——方差和均值來確定每個(gè)特征分量的權(quán)hw，i，k，其計(jì)算涉及5個(gè)向量1)像元i的空間特征向量si＝[si，1，si，2，si，3…si，m]，其中m為空間特征維數(shù)；2)假設(shè)第w類地物有n個(gè)訓(xùn)練樣本，q＝1，2，3…n，其第q個(gè)樣本的空間特征向量為sw，q＝[sw，q，1，sw，q，2，sw，q，3…si，q，m]；3)由第w類地物的訓(xùn)練樣本可得該類空間特征向量的均值向量sw＝[sw，1，sw，2，sw，3…sw，m]；4)由第w類地物樣本可得該類空間特征向量的方差向量為vw＝[vw，1，vw，2，vw，3…vw，m]；5)由以上4個(gè)向量計(jì)算得到xi相對(duì)于w類地物的的偏離矢量dw，i＝[dw，i，1，dw，i，2，dw，i，3…dw，i，m]，其中sw,k=1nΣq=1nsw,q,j]]>vw,k=1n-1Σq=1n(sw,q,k-sw,k)2]]>n為w類的樣本數(shù)，k＝1，2，3，…m，且dw,i,k=1vw,k×|si,k-sw,k|]]>把dw，i，k歸一化得到hw，i，khw,i,k=dw,i,kΣk=1mdw,j,k]]>hw，i，k的設(shè)置是為了減弱偏離度較高的特征參數(shù)對(duì)分類的影響，因?yàn)槠x度較高意味著該特征值對(duì)地物空間特征描述能力不強(qiáng)，導(dǎo)致空間參數(shù)的不穩(wěn)定，因此需要用hw，i，k削弱這種參數(shù)對(duì)分類的影響。
(6)、在訓(xùn)練樣本選擇和空間特征加權(quán)完成后，便可以把混合特征輸入到分類器中?；旌戏诸惼鞯脑O(shè)計(jì)需要考慮兩個(gè)問題，一是分類器必須在決策過程中同時(shí)顧及光譜特征和空間信息，二是光譜和空間特征的度量單位不同，歸一化方式不同，所以如何控制兩者在分類器中的比重是一個(gè)重要問題。本發(fā)明設(shè)計(jì)了一種比例可調(diào)節(jié)的融合光譜和空間特征的分類器，以解決上述問題，在決策過程中不僅考慮待分模式和樣本均值的光譜距離，同時(shí)加入模式與樣本的空間距離，并設(shè)置比例系數(shù)調(diào)節(jié)兩者在分類器中所起的作用，其公式如下w*=minw(dwi×(1-a)+dwis×a×b)]]>a是調(diào)節(jié)參數(shù)，控制分類器中空間參數(shù)和光譜信息之間的比例，b是位移參數(shù)，它的設(shè)置會(huì)影響具有最佳分類效果的a值，使具有最好分類效果的a值產(chǎn)生偏移，這一點(diǎn)將在附圖中進(jìn)行說明。這樣，通過比例系數(shù)的設(shè)置，一方面解決了光譜和空間特征量綱不統(tǒng)一的問題，另一方面，兩者對(duì)分類的貢獻(xiàn)可以根據(jù)先驗(yàn)知識(shí)和分類效果進(jìn)行人為的調(diào)整。
權(quán)利要求
1.一種可調(diào)節(jié)的光譜和空間特征混合分類方法，其特征包括以下步驟①、用圍繞中心像元的一系列多尺度窗口來描述該像元的空間特征，構(gòu)造目標(biāo)像元所處不同尺度的背景金字塔；②、用Mallat小波變換處理每個(gè)背景窗口，構(gòu)造每個(gè)多尺度窗口的多分辨率金字塔，小波分解的級(jí)數(shù)由窗口大小和影像分辨率確定，每個(gè)窗口的每次小波分解都將產(chǎn)生4個(gè)小波子頻帶，分別是低頻、水平高頻、垂直高頻和對(duì)角高頻子帶；③、用熵函數(shù)測(cè)度求取每個(gè)背景窗口多分辨率子影像的特征值，并用小波低頻子影像和其它三個(gè)方向子影像特征值之和的比值，構(gòu)造該窗口尺度的空間旋轉(zhuǎn)不變特征量，同時(shí)減少空間特征的維數(shù)；④、根據(jù)小波變換的特點(diǎn)，對(duì)不同大小的背景窗口采用不同的小波變換階數(shù)，采用根窗口的方法，即不同尺度的背景窗口進(jìn)行多分辨率分析的最小窗口，以此來確定小波分解的階數(shù)；⑤、用戶只需要根據(jù)實(shí)際情況自行選擇背景窗口的配置，當(dāng)多尺度窗口選擇之后，便自動(dòng)計(jì)算和生成分類所需的空間特征；⑥、在分類器的構(gòu)造中，除了考慮待分類模式和樣本均值的光譜距離外，還同時(shí)加入它們的空間距離；⑦、用樣本的均值向量和方差向量求得空間特征的偏離度向量，減弱偏離度較高的特征參數(shù)對(duì)分類的影響；⑧、光譜距離和空間距離在分類器中所占的比例可根據(jù)實(shí)際情況由用戶自行調(diào)節(jié)。
2.如權(quán)利要求1所述的可調(diào)節(jié)的光譜和空間特征混合分類方法，其特征是根窗口取2×2或4×4。
全文摘要
一種可調(diào)節(jié)的光譜和空間特征混合分類方法，基于多尺度背景、小波多分辨率分析，設(shè)置中心像元的一系列多尺度窗口，用Mallat變換建立每個(gè)窗口的多分辨率分析，小波分解的級(jí)數(shù)由窗口大小和影像分辨率確定；對(duì)每個(gè)窗口的每一次Mallat分解，都可以得到4個(gè)小波子頻帶，求取這4個(gè)子頻帶的信息熵測(cè)度，并用這4個(gè)值構(gòu)造一個(gè)旋轉(zhuǎn)不變的空間特征，同時(shí)減少空間信息的維數(shù)；選擇相應(yīng)類別的樣本，根據(jù)樣本的光譜和空間信息，用均值和方差測(cè)度構(gòu)造偏離度向量，對(duì)不同的空間特征進(jìn)行特征加權(quán)；選擇光譜和空間特征在分類中所占的比例。本發(fā)明避免了窗口的選擇問題，能更準(zhǔn)確地表達(dá)各種不同大小和尺度地物的特征，提高解譯的精度，人工干預(yù)少，適用于中高分辨率遙感影像的自動(dòng)分類，可有效提高該類影像的分類精度和效率。
文檔編號(hào)G06K9/00GK1916935SQ20061012449
公開日2007年2月21日 申請(qǐng)日期2006年9月11日 優(yōu)先權(quán)日2006年9月11日
發(fā)明者黃昕, 張良培, 李平湘 申請(qǐng)人:武漢大學(xué)