专利名称：一种高分辨率遥感图像智能分类方法
技术领域：
本发明是一种实用的高分辨率遥感图像智能分类方法，适用于IK0N0S和 QUICKBIRD等高空间分辨率卫星遥感图像，并广泛应用于目标识别、资源环境调查、土地利 用动态、灾害评估等研究和应用领域。
背景技术：
遥感图像的分类是遥感图像信息处理与应用的最基本问题之一，遥感数据的解 译、分析及地学应用往往都需要通过遥感影像分类处理来实现。 在遥感图像分类技术的发展过程中，随着高分辨率传感器技术的发展，卫星遥感 图像的空间分辨率越来越高，图像的内容和形式也随之发生了很大的改变，图像的空间信 息越来越丰富，这给传统的图像分类技术带来了新的挑战。传统的图像分类技术研究的是 混合象元大量存在的低分辨率遥感图像的分类技术，这种技术提取的像素特征比较单一， 仅仅包含图像光谱的信息。随着遥感图形空间分辨率的提高，遥感图像具有了非常清晰的 结构，图像像素已经不再是图像的基本单元，如果仍然使用以像素为研究单位的分类算法 会造成大量的错分。另外，图像空间分辨率的提高伴随着图像随机性的减弱，简单的低阶马 尔科夫随机场模型已经不能有效模拟高分辨率图像的很多行为，传统的图像分类算法应用 在高分辨率遥感图像中捉襟见肘。 本发明利用了高分辨率遥感影像特定的图像形式和图像内容，针对不同的数据源 采用不用的处理策略从而提高遥感图像的分类的自动化水平和分类精度。
发明内容
本发明是一种高分辨率遥感图像的智能分类方法，通过设定几个简单的分类参 数，使得计算机能够根据不同的地物特征把高分辨率遥感影像自动的划分为不同的区域。 同一个区域具有相同的地物特征，并且赋予相同的颜色。
具体的方法步骤为 第一步分割全色图像，生成多尺度表示，并根据研究目标选择一个合适尺度下的 全色图像分割结果。 1.本发明选择基于数学形态学算子估计地物位置的分水岭图像分割算法。这种 算法改进了传统分水岭算法，原理简单、运算速度快，较好地解决了过分割问题，能够在较 短的时间内取得图像的分割结果，这一点在大数据量的遥感图像分割问题的研究中非常重 要。算法能够得到单像素的分割区域边界，图像分割结果可以用于图像大小相同的标记图 像表示，这些优点为进一步处理后续空间映射获取多光谱图像分割结果提供了条件。
2.利用不同尺度的高斯滤波器对原始图像滤波结果形成图像的多尺度表示，不同 尺度的图像采用分水岭算法能够获得不同尺度下的分割结果，可根据具体的研究目标选择 一个合适尺度下的图像分割结果。
第二步根据全色图像的分割表示结果利用空间映射技术获得低空间分辨率多光谱图像的分割结果'
1.空间的映射关系表示为
多光谱图像上位置为(i， j)的像素代表了全色图像上如下的图像块<formula>formula see original document page 4</formula>2.根据这种映射关系，多光谱图像上的任意位置的像素均可以找到与之对应的全 色图像上面的图像块。 3.根据第一步中全色图像的分割结果，确定光谱图像上任意像素的分割结果找 出该像素对应的全色图像中的图像块，并选择个数最多的那个分割标记值作为光谱图像上 这个像素的分割标记值。
第三步根据每个分割区域的多光谱数据，自动智能地逐一判别全色图像的分割
结果是否正确即分割区域是单一地物，还是混合地物(这种情况下需要再分)。
对于任意的分割区域采用下述步骤来判别分割区域是否是单一地物 1.假设区域是单一地物，利用第二步中得到的区域多光谱信息，找到这个分割区
域的平均光谱中心及其分布参数。
其中，平均光谱中心和分布参数的计算步骤为[1]计算得到初始聚类中心(AViV) [2]计算出每个点Pi距离中心点的距离ri，然后估算统计参数发从而得到了概率密 度函数f (r)<formula>formula see original document page 4</formula>
根据概率密度函数f (r)计算每个点Pi的对中心点的贡献(或者叫发生概率)
'6 ~2iJ2每个点对中心不同的贡献Pi计算新的类别中心(￡'#)
7<formula>formula see original document page 4</formula>
<formula>formula see original document page 4</formula>计算新旧类别中心的距离来判断迭代是否停止，否则继续2的工作
2.假设区域是混合可再分的地物区域，同样利用区域多光谱信息，在多光谱特征
空间中做两类的再分处理，并分别计算出两类的平均光谱中心及其分布参数c
其中，分割区域的两类再分处理步骤为 [1]确定初始集合和S2 :首先给每个集合分配一个初始点= {P}和S2 = {P' }，然后分别计算剩下点集P中的每一个点与这两个集合的中心点距离，根据最短距离 来分配属于哪一个集合。 [2]根据上面提出的算法，分别计算集合S工的类别中心(l在》，和集合S工的点发生 概率函数f2 (r)。计算集合S2的类别中心(之-，5y，和集合S2的点发生概率函数f2 (r)。
[3]重新划分两个集合S工和S2，对于每个点Pi G P分别计算与集合S工中心(^fi) 的距离r"和计算与集合S2中心(.^.^)的距离r2。比较^ (r》和f2 (r2)的大小，如果^ (r》 大于&(r》，那么认为点Pi对于集合S工发生的概率更大，所以Pi G S/ 。否则PiG^'。 这样就会形成新的集合S/和&'。 [4]比较新的集合S/和&'是否与原来的集合S工和S2相同，如果不同则继续步 骤2。 其中，平均光谱中心及其分布的计算同第三步中1的内容。
3.根据下式计算出理想分布与实际分布的量化差异d =》Ffe) - f(aOl = Z JF(,) 一 其中F(x)为高斯概率分布函数，^为实际统计得到的概率分布函数，&为采样 点，M为采样点的个数，一般取4个为宜。 4.分别计算、比较1中的量化差异和2中的量化差异，选择差异较小的情况作出决 策，即如果2中的量化差异更大，那么说明对分割区域进行再分是不合理的。于是，这个分 割区域被判别为单一地物区域。 第四步对于分割区域是混合地物的情况，在全色图像数据的驱动下进行再分割， 并且把分割结果重映射到多光谱图像上去。
对第四步得到的那些混合地物的分割区域，进行再分处理，其步骤如下 1.多光谱图像数据分类结果在全色图像上的映射。从全色图像中提取待分割区域
Rp，和多光谱图像中已经分类的区域Rm(Rm是决策后已经被分成了两类的对应的多光谱区 域)，Rm不为0的那些像素代表对应的多光谱数据，其中Rm = 1的那些像素代表属于第一 类，Rm = 2的那些像素代表属于第二类。把Rm中非零的那些值根据分辨率的比例关系直 接映射到全色图像的Rp区域。这样Rp非零的那些像素由三部分组成，分别是Rp二 l，代表 映射的第一类；Rp = 2，代表映射后的第二类；Rp = -l，代表未被映射到的那些像素，这些 像素往往是由于最初全色图像分割结果映射到多光谱图像中时，非纯色的那些被舍弃掉的 多光谱像素对应的位置。 2.第一类像素值集合q = {I(x，y) |Rp(x，y) = 1}，统计其像素灰度值中心了t，和 计算分布F的参数^，第二类像素值集合C2 = {I(x， y) lRp(x， y) = 2}，统计像素灰度值中
心了5，并计算分布参数&。对于未分类像素值集合C。 = {I(x， y) lRp(x， y) = _1}，其中任何 一个点P(x，y) g c。，计算fjp-了T)禾p&(p-了5)大小来判断属于哪一个集合的概率更大，这 样形成了新的集合Q和C2。
3.定义一个邻域系统《，在新的集合G和(^下，如果对于点P(x，y) G Q，且存在点 Q(x， y) G Q，如果点Q(x， y)在以点P(x， y)为中心的邻域系统内，那么认为点P(x， y)属 于Q和C2相邻的点。找到所有这样的点P(x， y)，构成新的集合C。。 4.这样就形成了新的两类集合Q和C2，以及新的待分类集合C。。然后按照步骤2 重新计算类别中心和重新分类。直到两次迭代前后集合内容不再发生改变为止。
第五步提取分割区域的区域特征，形成特征空间。 经过第四步和第五步的过程，图像分割过程中混合地物的区域得到了正确的再
分，第五步主要是提取区域特征，本方法采用提取区域多光谱图像的平均多光谱中心数据
特征作为区域特征的方式，这样可以简化计算，提高计算效率。
第六步根据设计的分类器实现分类，并且得到分类的结果。 本发明中分类器的设计部分，采用的是均值漂移聚类分类器，该分类器利用的是 点在特征空间中的密度分布自动完成聚类分类，方法简单计算速度快。
图1为本发明所设计的分类流程图。
图2为本发明的具体实施例。
具体实施例方式
图2为采用本发明方法得到的高空间分辨率遥感图像分类结果。
试验截取了全色图像尺寸大小为1024X 1024的图像数据。 图a是截取的全色图像，图b是图像分割后的结果。从融合的图像上可以看出来， 图像分割结果存在区域欠分割的现象。 图c是分割的区域被赋予不同颜色的结果图像。这里用"圆形"标记出目视欠分 割的区域，欠分割的情况从融合的图像上可以明显看出来。 图d是欠分割区域再分后的结果图。可以看到，图c中比较明显的四个欠分割的 区域在图d中都得到了准确的再分。 图e是最终分割后的区域被赋予多光谱特征后的图像。欠分割区域中再分的结果
和再分后两个子区域的多光谱特征差异可以从这里看到。 图f是最终的分类结果图。
权利要求
高分辨率遥感图像智能分类方法，具体实现步骤为第一步分割全色图像，生成多尺度表示，并根据研究目标选择一个合适尺度下的全色图像分割结果。第二步根据全色图像的分割结果利用空间映射技术获得低空间分辨率的多光谱图像的分割结果第三步根据每个分割区域的多光谱数据，自动智能地逐一判别全色图像的分割结果是否正确即分割区域是单一地物，还是混合地物(这种情况下需要再分)。第四步对于分割区域是混合地物的情况，在全色图像数据的驱动下进行再分割，并且把分割结果重映射到多光谱图像上去。第五步提取分割区域的区域特征，形成特征空间。第六步根据设计的分类器实现分类，并且得到分类的结果。
全文摘要
针对高分辨率遥感图像的特点，发明了一种实用的图像智能分类方法，具体包括六个步骤第一步生成全色图像的图像分割结果；第二步利用空间映射得到多光谱图像的分割结果；第三步逐一判别全色图像的分割区域是否欠分割；第四步对检测到的欠分割区域进行再分割；第五步生成区域的特征空间；第六步分类器设计并实现图像分类。发明解决了图像分类过程中常常遇到的图像欠分割区域的存在影响图像分类精度的问题，方法适用于IKONOS和QUICKBID等高分辨率遥感卫星图像，对于目标识别、资源环境调查、土地利用动态、灾害监测和灾情评估等应用信息提取具有重要的作用。
文档编号G06T7/00GK101710387SQ20091021015
公开日2010年5月19日 申请日期2009年10月29日 优先权日2009年10月29日
发明者何国金, 袁继颖 申请人:中国科学院对地观测与数字地球科学中心