專利名稱：一種高分辨率遙感圖像場(chǎng)景粗分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于遙感圖像處理領(lǐng)域，具體涉及一種對(duì)高分辨率遙感圖像進(jìn)行場(chǎng)景分 類的方法，用于為遙感圖像的目標(biāo)識(shí)別提供上下文信息。
背景技術(shù)：
高分辨率遙感圖像一般指Im 5m的可見(jiàn)光航空遙感圖像，高分辨率遙感圖像 的數(shù)據(jù)量很大，如果直接對(duì)其進(jìn)行特征表達(dá)、特征聚類及分割的方法進(jìn)行目標(biāo)識(shí)別，將 耗費(fèi)大量的計(jì)算資源，導(dǎo)致處理效率低下。因此，提出大尺度下對(duì)遙感圖像進(jìn)行場(chǎng)景粗 分類的思想，將一幅圖像分割為跟我們所感興趣的目標(biāo)相關(guān)聯(lián)的有限區(qū)域，然后根據(jù)目 標(biāo)的性質(zhì)在具有依賴關(guān)系的區(qū)域中提取目標(biāo)。這樣可以提高目標(biāo)提取的效率和精度。這 就是場(chǎng)景分類的目的所在。遙感圖像分類包含特征計(jì)算方法和分類方法兩大主干。特征計(jì)算有多種方法。 文獻(xiàn)表明，當(dāng)前應(yīng)用較為廣泛的有統(tǒng)計(jì)方法、隨機(jī)場(chǎng)模型方法和信號(hào)處理方法。統(tǒng)計(jì)方 法特征計(jì)算的計(jì)算量大、分割精度差，受到噪聲影響較大；隨機(jī)場(chǎng)模型對(duì)大尺寸、灰度 級(jí)較多的圖像分割計(jì)算量是極大的，不滿足快速處理的需求。而信號(hào)處理中的小波變換 方法具有多尺度特性，可以對(duì)圖像進(jìn)行不同分辨率上的處理，在遙感圖像處理中應(yīng)用成 熟?，F(xiàn)有的分類技術(shù)大都應(yīng)用于針對(duì)圖像的單個(gè)像素進(jìn)行分類，強(qiáng)調(diào)像素級(jí)分類的 精度。這在小尺度目標(biāo)分類中具有實(shí)際意義。但遙感圖像在小尺度上不具備語(yǔ)義上的 意義，因?yàn)榈匚飯?chǎng)景通常都是大尺度區(qū)域，因此像素級(jí)分類無(wú)論是在效率上還是精度上 都不符合實(shí)際需求。因此一種可以對(duì)大尺度對(duì)象進(jìn)行分類的方法對(duì)遙感圖像分類比較有 效。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種高分辨率遙感圖像的場(chǎng)景粗分類方法，為基于遙感 圖像的目標(biāo)識(shí)別提供上下文信息。為實(shí)現(xiàn)本發(fā)明的目的所采用的具體技術(shù)方案為一種高分辨率遙感圖像的場(chǎng)景粗分類方法，包括如下步驟1.圖像初始分割圖像初始分割包含特征提取、特征數(shù)據(jù)聚類以及圖像標(biāo)號(hào)。特征提取采用基于小波分解的Laws紋理算子法，首先對(duì)圖像進(jìn)行二維離散小波 分解，得到多組小波系數(shù)矩陣，再利用Laws算子對(duì)得到的小波系數(shù)矩陣進(jìn)行平滑處理， 得到表征圖像每個(gè)像素點(diǎn)的特征數(shù)據(jù)。接著，采用模糊C均值聚類方法對(duì)特征數(shù)據(jù)進(jìn)行類別劃分，計(jì)算出隸屬度矩陣 和聚類中心點(diǎn)并保存數(shù)據(jù)。最后，采用最大化隸屬度矩陣的準(zhǔn)則對(duì)圖像的每個(gè)像素點(diǎn)進(jìn)行類別標(biāo)記，由此
4得到初始分割結(jié)果。采用小波分解進(jìn)行特征描述是基于遙感圖像的數(shù)據(jù)量較大而產(chǎn)生的計(jì)算效率低 下的考慮，因?yàn)樾〔ǚ纸庵苯咏档土藞D像的分辨率。同時(shí)由于遙感圖像表現(xiàn)出來(lái)的紋理 特性，采用Laws算子則正好體現(xiàn)了紋理信息在遙感圖像特征提取中的應(yīng)用。采用模糊C 均值聚類方法有兩個(gè)目的一是對(duì)特征進(jìn)行聚類；二是計(jì)算出隸屬度矩陣可以作為后面 的上下文分類處理的輸入。2.上下文分類首先，將步驟1中利用模糊C均值聚類計(jì)算所得到的隸屬度矩陣作為初始后驗(yàn)概 率；再利用概率松弛迭代算法對(duì)每個(gè)像素8鄰域內(nèi)的中心點(diǎn)做概率更新，直至收斂，得 到最終的后驗(yàn)概率；最后，根據(jù)最終的后驗(yàn)概率，采用最大化后驗(yàn)概率準(zhǔn)則對(duì)圖像的每 個(gè)像素點(diǎn)進(jìn)行類別標(biāo)記，得到調(diào)整后的分割結(jié)果，即完成對(duì)圖像的上下文分類。其中，概率更新的公式定義如下
權(quán)利要求
1.一種高分辨率遙感圖像的場(chǎng)景粗分類方法，用于為遙感圖像的目標(biāo)識(shí)別提供上下 文信息，其特征在于，該方法包括如下步驟(1)圖像初始分割首先對(duì)遙感圖像進(jìn)行二維離散小波分解，得到多組小波系數(shù)矩陣，再利用Laws算子 對(duì)得到的小波系數(shù)矩陣進(jìn)行平滑處理，得到表征圖像每個(gè)像素點(diǎn)的特征數(shù)據(jù)；接著，采用模糊C均值聚類方法對(duì)所述特征數(shù)據(jù)進(jìn)行類別劃分，計(jì)算出隸屬度矩陣 和聚類中心點(diǎn)并保存數(shù)據(jù)；最后，采用最大化隸屬度矩陣準(zhǔn)則對(duì)遙感圖像的每個(gè)像素點(diǎn)進(jìn)行類別標(biāo)記，由此得 到初始分割結(jié)果。(2)上下文分類首先，將步驟(1)中得到的所述隸屬度矩陣作為初始后驗(yàn)概率，再利用概率松弛迭 代算法對(duì)每個(gè)像素8鄰域內(nèi)的中心點(diǎn)做概率更新，直至收斂，得到最終的后驗(yàn)概率；最 后，根據(jù)最終的后驗(yàn)概率，采用最大化后驗(yàn)概率準(zhǔn)則對(duì)圖像的每個(gè)像素點(diǎn)進(jìn)行類別標(biāo) 記，得到調(diào)整后的分割結(jié)果，即完成對(duì)圖像的上下文分類。(3)區(qū)域融合以上下文分類所得到的分割圖像作為輸入，經(jīng)過(guò)區(qū)域合并處理，得到一幅彩色圖 像，其中所包含RGB值的個(gè)數(shù)代表了合并之后的區(qū)域數(shù)總和；對(duì)上述彩色圖像進(jìn)行多灰度值標(biāo)記，然后對(duì)標(biāo)記后的圖像建立鄰接矩陣，并進(jìn)行如 下處理1)首先計(jì)算各區(qū)域面積，若其面積小于設(shè)定的閾值，則將其列入待合并區(qū)域序 列，否則不作處理；2)對(duì)于待合并區(qū)域序列中的孤立區(qū)域，將其合并至其鄰接區(qū)域，迭 代執(zhí)行至不再存在孤立區(qū)域；對(duì)于待合并區(qū)域序列中的非孤立區(qū)域，分別計(jì)算各孤立區(qū) 域與其所有相鄰的區(qū)域之間的公共邊界的長(zhǎng)度，將其合并至擁有最長(zhǎng)公共邊界的那個(gè)鄰 接區(qū)域中去；經(jīng)過(guò)上述處理即完成區(qū)域融合，得到融合后的分割圖。(4)后處理對(duì)步驟(3)得到的分割圖進(jìn)行多灰度值標(biāo)記，得到若干個(gè)連通區(qū)域，然后把每個(gè)連 通區(qū)域映射到原始圖像，得到對(duì)應(yīng)位置上的局部原始圖像，再利用特征來(lái)表征每個(gè)連通 區(qū)域的屬性，分別計(jì)算每個(gè)區(qū)域?qū)?yīng)的局部原始圖像的所述特征的特征值，其中上述特 征包括邊緣密度、亮度均值、方差和能量；接著進(jìn)行樣本采集和樣本特征計(jì)算處理，即選取能夠代表不同地物特點(diǎn)的樣本圖 像，計(jì)算上述各類特征的特征值，然后對(duì)采集的樣本進(jìn)行訓(xùn)練，得到區(qū)分不同地物的統(tǒng) 計(jì)知識(shí)；最后，根據(jù)訓(xùn)練得到的統(tǒng)計(jì)知識(shí)，利用不同地物類型的邊緣密度的差異性，把區(qū)域 劃分為水域和陸地，再利用灰度差異將區(qū)域上的不同地物區(qū)分開(kāi)，實(shí)現(xiàn)場(chǎng)景分類。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的步驟(2)中的概率更新的公式如下
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，鄰域函數(shù)(α)數(shù)學(xué)表達(dá)為
4.根據(jù)權(quán)利要求1-3之一所述的方法，其特征在于，所述權(quán)重ry(a，β)的數(shù)學(xué)表 達(dá)如下
全文摘要
本發(fā)明公開(kāi)了一種高分辨率遙感圖像的場(chǎng)景粗分類方法，用于為遙感圖像的目標(biāo)識(shí)別提供上下文信息，其特征在于，該方法包括如下步驟(1)圖像初始分割；(2)上下文分類；(3)區(qū)域融合和(4)后處理。本發(fā)明將快速初分割、融入語(yǔ)義信息的上下文分類以及面向?qū)ο髤^(qū)域分類結(jié)合起來(lái)對(duì)遙感圖像場(chǎng)景進(jìn)行粗分類，可以用于星上多類目標(biāo)識(shí)別的圖像預(yù)處理。
文檔編號(hào)G06K9/62GK102013017SQ20101056227
公開(kāi)日2011年4月13日 申請(qǐng)日期2010年11月26日 優(yōu)先權(quán)日2010年11月26日
發(fā)明者吳劍劍, 唐為林, 姚瑋, 宋云峰, 桑農(nóng), 王岳環(huán) 申請(qǐng)人:華中科技大學(xué)