专利名称：一种基于面向对象的无监督分类的遥感影像自动分类方法
技术领域：
本发明属于遥感分类识别领域，是一种基于面向对象无监督分类的遥感影像自动 分类方法。
背景技术：
遥感影像自动分类是遥感技术应用的一个主要研究方向。目前，无任何先验知识 的自动分类主要利用传统非监督分类方法IS0DATA、K-Means和模糊C均值聚类(参考对 比文件1)。但是传统的无监督聚类算法是以单个像元作为聚类对象，在影像分类特别是高 分辨率遥感影像分类的应用中普遍存在一些问题(参考对比文件2，3)1)聚类过程计算量大，收敛速度慢，难以应用于针对(海量)大幅影像的聚类。2)聚类结果对噪声比较敏感，产生严重的“椒盐现象”(参考对比文件5)。3)利用的特征信息非常有限，只利用了像元各波段像素值作为聚类的特征，没有 将影像的纹理特征、形状特征应用于分类，使得分类精度难于进一步提高(参考对比文件 2,4) ο本发明首次提出了 一种基于分割单元聚类的遥感影像自动分类方法。首先对遥感 影像进行分割，得到一系列空间上相邻、同质性较好的分割单元，然后对分割单元进行特征 提取，得到分割单元的光谱特征、纹理特征、形状特征、结构特征等多特征信息，进而根据分 割单元的特征信息对分割单元进行聚类。最后，通过对聚类结果进行分类后处理(类别合 并、错分类别调整等)得到最终的分类结果。整个过程在无需任何先验知识条件下实现了 对遥感影像自动分类，同时也保证了较高的分类精度和执行效率。对比文件1 蔡华杰，田金文.基于mean-shift聚类过程的遥感影像自动分类方 法.华中科技大学学报(自然科学版)· 2008，36 (11) 1-4对比文件2 葛春青，张凌寒，杨杰等.基于决策树规则的面向对象遥感影像分 类·遥感应用· 2009，102 86-91对比文件3:邓湘金，王彦平，彭海良.高分辨率遥感图像的聚类.电子与信息学 报·2003，25(8) 1073-1080对比文件4 孙晓霞，张继贤，刘正军.利用面向对象的分类方法从IKONOS全色影 像中提取河流和道路.测绘科学，2006，31(1) 62-63对比文件5 曹宝，秦其明.面向对象方法在SP0T5遥感图像分类中的应用.地理 与地理信息科学· 2006，22 (2) 46-49
发明内容
提出了一种新的面向对象的无监督分类方法(Object Oriented Unsupervised Classification)。具体步骤如下首先对遥感影像进行分割，得到一系列空间上相邻、同质 性较好的分割单元，然后对分割单元进行特征提取，得到分割单元的光谱特征、纹理特征、 形状特征、结构特征等多特征信息。进而根据分割单元的特征信息对分割单元进行聚类。最后，通过对聚类结果进行分类后处理(类别合并、错分类别调整等)得到最终的分类结果。其中面向对象的无监督分类方法的特征在于该方法分为以下四个阶段1)影像分割从原始影像中分割出一些空间上相邻、内部同质性较好的小区域。 最好的结果是最大程度的分割出遥感图像中各个地物。本发明采用分割算法是执行速度相 对较快的降水分水岭分割算法。2)分割单元的特征提取对分割单元进行特征信息挖掘，提取出分割单元的光谱 特征和纹理特征信息，并由得到的特征量构成标识该分割单元的特征矢量。3)基于分割单元的聚类在完成对分割单元特征提取之后，利用分割单元的特征 信息，对所有分割单元聚类。由于光谱特征和纹理特征属于不同量纲，且各个特征量之间有 较强相关性，利用欧式距离进行聚类，不能体现出光谱特征和纹理特征的差异性。本发明采 用基于马氏距离的面向对象聚类。4)分类后处理主要是对聚类结果进行进一步调整，包括类别合并，错分类别的 调整、类别的颜色调整等。上述步骤3中基于分割单元的聚类的特征在于以分割单元作为聚类基本对象， 通过特征提取得到分割单元的光谱特征、纹理特征、形状特征、结构特征等多特征信息，并 以此作为聚类的特征。并且考虑到各特征属于不同量纲，且之间有较强相关性，在聚类过程 中基于马氏距离进行聚类。本发明提出的面向对象的无监督分类方法是一种能够保证较高分类精度和执行 效率遥的感影像自动分类方法。该方法以分割单元作为聚类对象，从而减少了聚类对象的 个数，降低了聚类过程的计算量，提高聚类的速度；而且分割单元包含丰富的语义信息，更 易于分类结果解译和理解，避免了传统聚类方法中所产生的“椒盐现象”；从分割单元中可 以提取将更多的特征信息，光谱特征、纹理特征，并用于聚类可进一步提高分类的精度。
图1是2005年5月31日北京颐和园北部QuickBird遥感影像。图2是原图进行分水岭分割后的结果图。图3是对原图进行面向对象的聚类后的结果图。图4是对原图进行K-Means聚类后的结果图。图5是对原图进行模糊C均值聚类后的结果图。图6分类结果对比表。图7本发明的整体流程。
具体实施例方式本发明的目的在于实现一种保证较高的分类精度和执行效率的自动的遥感影像 分类方法面向对象的无监督分类。具体步骤如下首先采用降水分水岭分割算法对遥感 影像进行分割，然后对分割单元进行特征提取，得到分割单元的光谱特征和纹理特征。并利 用分割单元所提取的特征信息，采用基于马氏距离的面向对象聚类方法对分割单元进行聚 类。上述方法中，所述“降水分水岭分割方法”如下
4
降水分水岭变换的实质是寻找从影像的每个像素到影像表面高程局部较小的下 游路径。降水分水岭变换的过程如下1)为每一个像元寻找下游像元，并记录在数组中。对于每一个像元，寻找与其相比 灰度最小的邻域像元。2)标识局部最小，对于数组中的每一个元素，判断其是否为局部最小，若是则赋予 一个新的标号，同时将该标号同样赋予与其连通并均为局部最小的区域。3)标识非局部最小的像元，对于每一个非局部最小的像元P，总是存在一个下游 像元。如果该下游像元已经被标识，则将此标号赋给P。否则寻找下游像元的下游像元，直 到找到已经被标识的下游像元，并将该标号赋给P。经过降水分水岭变换图像被分割成标号从1开始的一系列标号区域。用S表示所 有分割单元所构成的集合。S= {B1; Bf BJ ,Bi(KiSn)表示第i个分割单元，η为分 割单元的个数。上述方法中，所述“对分割单元进行特征提取”如下本发明中提取的分割单元的特征主要包括由光谱特征和纹理特征。其中，光谱特 征由分割单元各个波段的像素的均值和均方根来描述；纹理特征采用基于灰度共生矩阵的 二阶角矩、对比度和熵来描述。根据公式定义分别求出分割单元的光谱特征和纹理特征。光谱特征1)分割单元各个波段的像素值的均值
1 m m表示分割单元中像元的个数，Pki表示分割单元第k个波段中第i个像元的像素 值，Ak表示了分割单元第k个波段的像素均值。2)分割单元各个波段的像素值的均方根 Ak表示分割但与第k个波段的像素均值，m表示分割单元中像素的个数，Ek表示分 割单元第k个波段的像素的均方根，反映了分割单元第k波段中像素之间的差异性的大小。纹理特征遥感影像中多为无规则纹理，一般采用统计方法进行纹理分析。灰度共生矩阵是 一种用来分析图像纹理特征的重要方法，它建立在估计图像的二阶组合条件概率密度函数 的基础上。通过计算图像中有一定距离和一定方向的两个像素点之间的灰度相关性，反映 图像在方向、相邻间隔、变化幅度及快慢上的综合信息。若将图像的灰度级定为L级，那么 灰度共生矩阵为LXL的矩阵，它描述了图像中在θ方向上距离为d的一对像素分别具有 灰度i和灰度j的出现概率P(i，j，d，θ)。其中d，θ要根据影像特点经多次试验来确定。 从共生矩阵可提取多个参数来描述图像的纹理特征，本发明选择其中三种使用较广纹理量 作为分割单元的纹理特征。1) 二阶角矩 ASM: 二阶角矩阵也称为能量，是图像灰度分布均勻程度和纹理粗细的一个度量，当图 像较细致均勻时，二阶角矩较大，当图像灰度分布很不均勻表面呈现出粗糙特性时，二阶角 矩值较小。2)对比度 CON: 对比度是纹理定域变化的度量，可以理解为图像的清晰度，即纹理清晰度，对比度 值越大，纹理效果越明显，图像的视觉越清晰，对比度值越小，纹理效果越不明显。3)熵H: 熵表示纹理非均勻程度或复杂程度，纹理较细密时值大，纹理稀疏时值小。根据上述公式，得到分割单元光谱特征和纹理特征，用得到的分割单元特征量，构 成表示该分割单元的特征矢量=Xi = (Ail, Eil, ASMil, CONil, Hil,…，Aip，Eip，ASMip，C0Nip，Hip)
T
其中ρ表示影像的波段数，若1 < k彡ρAik表示第i个分割单元第k个波段像素的均值，Eik表示第i个分割单元第k个波段像素的均方根，ASMik表示第i个分割单元第k个波段的二阶角矩，CONik Eik表示第i个分割单元第k个波段的对比度，Hik表示分第i个分割单元第k个波段的熵。考虑到光谱特征和纹理特征属于不同量纲，且各个特征量之间有较强相关性，利 用欧式距离进行聚类，不能体现出光谱特征和纹理特征的差异性。本发明提出了基于马氏 距离的面向对象聚类方法来完成对分割单元得聚类，具体的算法的流程来如下1)计算聚类样本空间的协方差矩阵分割单元集合S = (X1, X^XJ构成了聚类的样本空间，每个分割单元 Xi(l ^ i ^n)表示，作为分割单元集合的一个样本。用Σ表示总样本的协方差矩阵。
2)初始化聚类中心从分割单元的样本空间S = (X1, XfXJ中随机选择k个参考点CVS1, CVS2,… cvsk，作为划分结果集Z1, Z2,…Zk的聚类中心。3)基于马氏距离进行聚类以CVS1, CVS2,…CVSk为参考，对集合S中所有元素进行归类。其中归类的标准 为计算第i个分割单元的特征矢量Xi到每一个聚类中心CVS^l ^ j ^ k)的特征矢量的马氏距离。Disij = (Xi-CVSj)1 Σ (Xi-CVSj)，其中(1 ≤j ≤ k)。得到和k个聚类中心的最短距离Disim = min{Disn, Disi2...Disik}，其中 1 ≤ m ≤ k。经过比较得到，分割单元i和第m个聚类中心相似度最高，故将Xi划分为集合Zm 中。4)重新计算各个划分集合的聚类中心
其中 VSij∈ Zi5)计算平方误差 6)若E不变则终止算法，否则转到步骤3。仿真结果选择2005年5月31日北京颐和园北部QuickBird遥感影像作为试验数据，大小 为763*613，分辨率为lm，影像有R、G、B三个波段，影像中的地物主要有房屋、主干道路、水 体和绿地(如图1)按照本发明算法的流程，首先对影像进行分割，得到的分割结果如图2所示。然 后对影像进行面向对象的无监督分类，根据影像中所包含的主要地物信息将影像分为四类 (绿地、水体、主干道、其他建筑)，最后经过分类后处理得到分类结果如图3所示。为了体现本发明算法的优越性，将本发明所提出的方法和传统的聚类方法进行比 较，在相同运行环境下(相同的软件和硬件平台)对原图分别进行K-Means和模糊C均值 聚类，将影像分成相同的类别(绿地、水体、主干道、其他建筑)得到的分类结果分别由图4 和图5所示。并对各个分类方法的分类精度和效率进行比较，比较结果如图6所示。通过上述比较分析可知面向对象的无监督分类方法是一种能够实现遥感影像自 动分类高效算法，与传统的K-Means和模糊C均值等方法相比具有以下优点1)以分割单元作为分类的基本对象，有效地减少了聚类对象的个数，降低聚类过 程的计算量，提高聚类的速度。2)分割单元包含丰富的语义信息，也更易于分类结果解译和理解，同时有效地避 免了传统聚类方法中所出现的“椒盐现象”。可以将更多的特征信息，光谱特征、纹理特征用于分类，使分类的精度进一步提高。
权利要求
一种基于面向对象的无监督分类的遥感影像自动分类方法。其特征在于本方法依次包括影像分割、分割单元的特征提取、基于分割单元的聚类、分类后处理四个过程。
2.如权利要求1所述的一种基于面向对象的无监督分类的遥感影像自动分类方法，其 中基于分割单元的聚类的特征在于以分割单元作为聚类基本对象，并以从分割单元所提 取的多特征信息光谱特征、纹理特征、形状特征、结构特征作为聚类的特征。
3.如权利要求1所述的一种基于面向对象的无监督分类的遥感影像自动分类方法，其 中基于分割单元的聚类的特征在于考虑到光谱特征和纹理特征属于不同量纲，且各特征 量之间有较强相关性，在聚类过程中基于马氏距离进行聚类。
全文摘要
本发明提出了一种基于分割单元聚类的遥感影像自动分类方法。首先对遥感影像进行分割，得到一系列空间上相邻、同质性较好的分割单元，然后对分割单元进行特征提取，得到分割单元的光谱特征、纹理特征、形状特征、结构特征等多特征信息。进而根据分割单元的特征信息对分割单元进行聚类。最后，通过对聚类结果进行分类后处理(类别合并、错分类别调整等)得到最终的分类结果。整个过程在无需任何先验知识条件下实现了对遥感影像自动分类，同时也保证了较高的分类精度和执行效率。
文档编号G06T7/00GK101930547SQ20101020849
公开日2010年12月29日 申请日期2010年6月24日 优先权日2010年6月24日
发明者余先川, 安卫杰 申请人:北京师范大学