高光谱遥感图像空谱结合分类框架下的基于地物类别隶属度评分的合并方法
【专利摘要】本发明属于遥感图像处理【技术领域】，具体为高光谱遥感图像空谱结合分类框架下的基于地物类别隶属度评分的合并方法。本发明结合基于光谱信息的初步分类结果和基于空间信息的初步分割结果，最终得到高精度的地物分类标识图，为“分类—分割—合并”框架中的合并环节提供一种新策略。本发明以模糊理论为基础，以隶属度评分为核心，同步权衡三大因素：高光谱图像的空间一致性、光谱多变性以及先验知识，从而有效地提高了分类精确程度，增强了分类标识图的空间平滑性及可读性。同时，本发明具有良好的兼容性和鲁棒性，能够应对低精度的初步分类、分割结果以及参数变化等多种不确定性因素，能够提升空谱结合的分类框架的实用性。在高光谱图像的分类方面具有重要的应用价值。
【专利说明】高光谱遥感图像空谱结合分类框架下的基于地物类别隶属 度评分的合并方法
【技术领域】
[0001] 本发明属于遥感图像处理【技术领域】，具体涉及一种高光谱遥感图像空谱结合分类 方法。
【背景技术】
[0002] 遥感技术是本世纪六十年代发展起来的新兴综合技术，与空间、电子光学、计算 机、地理学等科学技术紧密相关，是研究地球资源环境的最有力的技术手段之一。高光谱遥 感是将成像技术与光谱技术相结合的多维信息获取技术。高光谱成像仪在电磁波谱的数十 至数百个非常窄且连续的光谱段上同时探测目标的二维几何空间与一维光谱信息，为地物 信息的提取和分析提供了极其丰富的信息，有助于精细的地物分类和目标识别，从而被广 泛应用于地质科学、水文科学、精准农业以及军事领域等[1]，[2]。然而，大量的光谱信息也 会带来诸多问题，如维数灾难、休斯（Hughes)效应等。特别是遇到严重的同物异谱现象时， 单纯依靠光谱特征的分类器无法精确地将同一种类的像素划分出来[2]。所以需要借助空 间信息来弥补光谱信息的不足。在高光谱图像中，像素的分布往往表现出空间上的特性，可 以提取出多种对应于地物的空间特征，例如形状、纹理等。将这些空间信息与光谱信息相结 合[2]，则可以大大提高利用高光谱图像进行地物分类的能力。
[0003] 在空谱结合的指导思想下，大量学者提出并细化了一种通用的高光谱遥感图像的 分类框架：分类一分割一合并，即先分别将图像进行单纯基于光谱信息的分类以及基于空 间信息的分割，再将二者的结果进行合并，以提高最终的分类精度[1]。在此框架下，已有 大量优秀的方法[1]_[6]。而这些方法共性是偏重初步分类、分割或特征提取算法的开发， 而忽视了合并策略的研究，使得它们步骤庞杂、计算复杂度高，不利于应用与推广。经我们 研究发现，只要合并方法能够充分利用局部空间的一致性，就能够有效地应对同物异谱现 象，只需简单的计算，就能正确地融合初步分类和分割的结果，从而得到高精度的地物标识 图。另外，由于获取一组高光谱数据的地物真实信息的难度较大，使得训练样本的个数稀少 [2]。所以充分地利用有限的先验知识是合并方法的另一大要点。
[0004] 下面介绍与本发明相关的一些概念：
[0005] 光谱多样性（Spectralvariability)
[0006] 由于高光谱图像的波段数量大、地物种类多，所以像素的光谱特征具有多样性。另 夕卜，低空间分辨率、地物分布异质性、多次散射效应等因素会加重多样性的程度[2]，往往会 导致同物异谱现象或异物同谱现象，为分类造成困难。
[0007] 局部空间的一致性（Localspatialconsistency)
[0008] 该特性由我们观察经验所得，即为在一个较小的局部空间内，高光谱图像的像素 往往均属于少数的几种类别甚至是同一类别，而且它们的光谱特征具有高度的相关性。 [0009]超像素（Superpixel)
[0010] 超像素在图像分割领域中得到广泛应用[7]。本发明将一个分割区域视为一个超 像素。
【发明内容】
[0011] 本发明的目的在于提出一种分类与分割结果的合并方法，即高光谱遥感图像空谱 结合分类框架下的基于地物类别隶属度评分的合并方法。
[0012] 本发明在"分类一分割一合并"框架下，以模糊理论为基础[1]，采用一种地物类别 隶属度的评分方法，同步权衡三大因素：高光谱图像的空间一致性、光谱多变性以及先验知 识，进行初步分类与分割结果的有效合并。与其他优秀的同类方法相比，本发明具有更高的 分类精度、更好的兼容性和鲁棒性，以及更为简便的实现方式。兼容性表现在能够兼容低精 度的分类、分割算法以及多种像素级相似性度量。即使在初步分类、分割结果误差较大的情 况下，本发明也能够保证高质量的分类效果；即使采用不同的像素级相似性度量时，最终分 类精度的波动也不明显。鲁棒性表现在能够有效应对参数的变化，即使使用缺省值，无需精 确的参数调节，也能够获得高精度的分类结果。简便性主要体现在评分表达式中，即只需要 基本的数值运算，就能够实现地物隶属度的模糊评分。
[0013] 本发明提出一种高光谱遥感图像空谱结合分类框架下的基于地物类别隶属度评 分的合并方法。具体内容如下：
[0014] -、根据现有的高光谱遥感图像的分类框架：分类一分割一合并，采用现有算法， 对于前两个环节进行计算，得到初步分类以及初步分割结果
[0015] 根据现有的高光谱遥感图像的分类框架：分类一分割一合并，对高光谱遥感图像 分别进行空间上的分割以及光谱上的分类，最后将二者的结果合并。分类或分割之前，可以 对图像进行降维（非强制），以防止维数灾难、提高后续算法的效率。并且，降维、分类、分割 以及合并算法可任意选择。由于本发明提出的合并算法具有良好的兼容性，对分类、分割的 精确度要求不高，为了保证分类框架的整体实用性，所以选择简单、高效、常见的算法：用支 持向量机（supportvectormachines，SVMs) [1]或K邻域法（K-NearestNeighbor，KNN) 作为有监督分类器，将主元分析法（PrincipalComponentAnalysis，PCA)用于分类前的降 维。同时，用简单线性迭代聚类法（simplelineariterativeclustering,SLIC)进行无 监督过分割，得到分割区域
【权利要求】
1.高光谱遥感图像空谱结合分类框架下的基于地物类别隶属度评分的合并方法，以模 糊理论为基础，采用地物类别隶属度评分的方法，同步权衡三大因素：高光谱图像的空间一 致性、光谱多变性以及先验知识，合并初步分类与初步分割结果，对高光谱遥感图像各像素 进行再分类以及纠错；其特征在于具体步骤如下： (一） 根据现有的高光谱遥感图像的分类框架：分类一分割一合并，采用现有算法，对于 前两个环节进行计算，得到初步分类以及初步分割结果； (二） 定义超像素之间的相似度； 初步分割后，得到个分割区域
；将每一个Xa视为 一个超像素，其中所涵盖的自然像素即为该超像素的成员，成员个数A即为该超像素的大 小；已知任意两个不同的超像素《和β,其大小分别为I和4，则超像素之间的相似度定 义为：
其中，if是图像中所有超像素的个数，?和J分别表示超像素中的成员'=U，一C表 示已知类别，< 是加权值，表征像素 ?是否属于类别e ;如果是，< 则为一数值较大的常数 K，否则为1
是任意像素级的相似度； (三） 定义超像素的邻域 如果一个超像素至少有一个成员与另一的超像素的成员相邻，则认为这两个超像素是 相邻的；在此基础之上，定义两种超像素邻域：自然邻域和拓展邻域；一个超像素的自然邻 域仅涵盖了与该超像素相邻的所有超像素；而拓展邻域则不仅包括了自然邻域，还包含了 与该超像素最相似的相邻超像素的自然邻域；其中，相似度由步骤(二）中定义的超像素级 相似度来衡量； (四） 定义隶属度模糊评分规则 该评分规则在每一个超像素及其邻域中，对该超像素的各成员隶属于各已知类别的程 度进行模糊评分，然后将每一成员划分到得分最高的类别中，实现纠错以及再分类； 令4表示超像素《内成员：属于类别e的程度评分，主要有两部分组成：超像素w内 其他成员J贡献的评分和超像素《邻域内其他超像素《所有成员A贡献的评分；为了保持 空间区域的一致性，要求经初步分割对图像进行过分割，得到较小的超像素；并且将每次评 分都限定在某一个超像素《及其邻域内，令C = U1…σ为其中初步分类结果中的类别； 由超像素《内其他成员贡献的评分如下：
其中，Μ，气以及^的定义同公式（1);特别地，< 是对先验知识提供的训 练样本的加权值，即当且仅当成员J为训练样本且属于类别^时< =M,否则4 = 1 ; ee{u，〃％cg是出现在超像素"的初步分类结果中的类别； 由超像素 w邻域内其他超像素《所有成员A贡献的评分如下：
(3) 其中，5sm是邻域内超像素《的大小，是对《中的训练样本的加权值，即当且仅当 成员,<为训练样本且属于类别c时·=IF2 ,否则=1 ;由于4不在：的超像素 ?内部，二者的关联性低于JlPi的关联性，故令ISiT2SWi fe{U, ,€；}是出现在超像 素《的初步分类结果中的类别； 综上，归一化的总得分为：
显然，盧/的变化范围是￠0,Ij ;分值越高，则说明像素成员属于类别的程度越大； (五）采用隶属度模糊评分，对步骤(一）中初步分类、分割结果进行合并，具体步骤如 下： 步骤1:已知高光谱遥感图像X e ,其中/,/,β分别表示行、列以及波段数，训 练样本的地物真实、初步分类以及初步分割结果； 步骤2 :令超像素计数W = 0，最大值为扯，循环计数I = O，最大值为Γ ; 步骤3 :计算并记录又中任意两个像素：和J之间的相似度％ ; 步骤4 :根据步骤(三）中定义的自然邻域或拓展邻域，确定超像素《的邻域； 步骤5 :根据步骤（四）中定义的隶属度评分规则，对超像素樹中每一成员i属于每一类 另扣的程度进行模糊评分； 步骤6 :将超像素《中每一个成员I重新标注为得分最高的类别； 步骤7 :更新#2 e m + l ,重复步骤3-5 ;当m = J/时执行步骤8 ; 步骤8 :更新+ 1 ,重复步骤3-6 ;当? = Γ时执行步骤9 ; 步骤9 :得到分类后的地物标识图。
【文档编号】G06T7/00GK104392454SQ201410727424
【公开日】2015年3月4日 申请日期:2014年12月3日 优先权日:2014年12月3日
【发明者】陈昭, 王斌 申请人:复旦大学