面向对象高空间分辨率遥感信息提取的多尺度分层处理方法
【技术领域】
[0001] 本发明涉及遥感地学分析方法领域，特别涉及一种面向对象高空间分辨率遥感信 息提取的多尺度分层处理方法。
【背景技术】
[0002] 高分辨遥感影像数据量大、细节复杂且具有尺度依赖性。结合多尺度分割的面向 对象的影像分析方法，可以综合考虑遥感影像的光谱、形状、纹理等特征，能更加全面、多层 次地表现高分辨率遥感影像的信息，因此面向对象遥感信息提取方法越来越受到重视。面 向对象遥感信息提取精度与图像分割、图像分类算法紧密相关。
[0003] 图像分割是图像分类的前提，图像分割效果的优劣对其最终的解译与提取精度有 着不容忽视的影响。传统的单一尺度的影像分割无法同时兼顾宏观分布与微观细节，制约 了图像解译的精度。另一方面，高空间分辨率遥感影像上景观结构复杂多样，不同景观结构 的分析尺度不同，不存在一个绝对的最优尺度适合于同一幅影像的所有局部区域。因此在 面向对象高空间分辨率遥感信息提取中，基于多尺度处理实现精细化遥感信息提取具有重 要意义。
[0004] 高空间分辨率遥感影像目视解译过程的实质是一种人类视觉注意机制控制下的 信息提取过程。一般来说，人类对图像场景的理解首先是基于粗尺度的，即场景全局特征或 背景轮廓的感知;在此基础上，局部场景中的细节才逐渐被发现和感知。结合计算机视觉理 论，通过人工智能和图像处理的手段，提高基于多尺度处理的面向对象遥感信息提取的自 动化程度具有重要意义。
[0005] 从影像对象多尺度分割的角度，粗尺度背景轮廓感知或粗尺度下的区域划分主要 依据图像的纹理特征，高斯马尔可夫随机场(GMRF)模型能较好地表达遥感图像的纹理特 征，基于GMRF纹理特征的支撑向量机分类方法(GMRF-SVM)能够较好地识别遥感图像的不同 纹理特征，适合应用于本发明中的第一层尺度处理，即对遥感图像的粗尺度下的局部区域 划分;均值漂移(MS)算法速度快，具有较强的适应性、鲁棒性，通过调整空间、光谱等不同带 宽参数，可以满足多尺度分割要求，适合应用于本发明中对粗尺度局部区域的二次精细分 割。
[0006] 从面向对象遥感分类的角度，随机森林算法作为一种集成分类器，可以处理高维 数据并快速得到分类结果，在遥感影像分类上具有较高的适应性与鲁棒性;而基于遗传算 法的随机森林分类算法可以实现上分类过程中的特征数量和决策树数量的优化，使遥感影 像的分类精度得到优化和保证。
[0007] 从面向对象遥感分类样本多尺度处理的角度，传统的遥感影像解译，整幅影像应 用同一份样本集，难以保证各种不同尺度类别样本的代表性和适用性。本发明首先将影像 划分为不同层次和区域，在不同的层次和区域内，地物类别可能少于全局影像的地物类别， 因此以层次和区域为单位选取样本，训练分类器并进行区域影像分类，可以一定程度上减 少影像误分类，从全局上提高遥感影像信息提取的精度。
【发明内容】
[0008] (一)主要解决的技术问题
[0009] 本发明解决的问题为:采用多尺度分层处理的思想，一定程度上解决了传统遥感 图像解译（图像分割过程）中宏观、微观信息不能同时兼顾的矛盾;在分层处理过程中，基于 空间统计学理论方法，定量设置相关尺度处理的理论最佳参数。具体来讲，即在全局层次 上，通过空间统计变异函数的半方差计算定量化设置纹理采样间隔和模版窗口大小，对图 像进行初步的粗尺度下的区域划分，得到景观结构相对较为单一的局部区域;在局部区域 层次上，通过空间统计方法进行局部区域处理尺度优选，在此基础上实现精细化的影像对 象划分；同时用户可根据图像特征自主选择利用全图或者局部区域样本训练分类器，进行 以全图或者局部区域为单位的影像对象分类，提高影像分类精度；以局部区域为单位进行 影像对象分类时，最后需要进行局部区域分类图像的汇总拼接，其最终分类精度采用各局 部区域分类精度面积加权方法计算。本发明可以将地物进行更为精准的划分，并能针对不 同的图像特征机动灵活地训练分类器，提高每个区域的分类精度，进而提高整幅图像分类 精度。
[0010] (二)技术方案
[0011] 本发明首先将遥感影像进行基于纹理的像元分类，实现粗尺度下的区域的初步划 分，在此基础上进行精细分割得到局部区域内的影像对象，手动筛选样本建立样本集，采用 集成学习分类器进行分类。方法如下：
[0012] 步骤10、输入遥感影像，所述影像为高分辨率全色或多光谱影像
[0013] 步骤20、运用GMRF-SVM方法对整幅影像进行基于纹理的分类，经过后处理和区域 标记，得到粗尺度下的局部区域。
[0014] 其中步骤20又可细分为如下几个步骤：
[0015] 1、基于变异函数半方差计算，确定应用于整幅图像的纹理采样间隔和模版窗口大 小；
[0016] 2、在图像上基于纹理特征选取具有代表性的采样点；
[0017] 3、计算样本点的GMRF特征向量并进行归一化，并建立样本特征向量数据集；
[0018] 4、设置SVM分类器参数，并用样本特征向量数据集训练SVM分类器，建立SVM高维映 射分类模型。
[0019] 5、根据设定的采样间隔和模版窗口大小，计算全图GMRF纹理特征，得到均匀分布 于全图的特征向量数据集。
[0020] 6、SVM分类器训练，利用样本特征向量数据集训练SVM分类器，建立SVM高维映射分 类模型。
[0021] 7、基于SVM进行纹理分类，得到初始的纹理分类结果。
[0022] 8、纹理分类结果后处理，将破碎区域进行合并，得到粗尺度下的局部区域，矢量化 后以ID进行标记。
[0023]步骤30、以粗尺度下的局部区域为单位，运用均值漂移(MS)算法进行局部区域的 精细分割，得到能够体现更多细节的并可直接用于遥感图像面向对象分类的精细尺度影像 对象。
[0024] 其中步骤30又可细分为如下几个步骤：
[0025] 1、输入局部区域全色或多光谱遥感影像。
[0026] 2、确定每一个局部区域精细分割的带宽参数类型。
[0027] 3、利用空间统计学方法优选每一个局部区域精细分割的带宽参数取值。
[0028] 4、将局部区域影像从RGB色度转换到LUV特征空间。
[0029] 5、根据MS原理进行均值滤波。
[0030] 6、基于上述步骤确定的局部区域精细分割的带宽参数，进行均值漂移聚类。
[0031] 7、为每个像元指定其所属的标签，完成基于均值漂移的局部区域的精细分割，得 到精细化的影像对象。
[0032] 步骤40、针对上述得到的精细化的局部区域影像对象，筛选样本建立样本集，需保 证每个局部区域中的全部类别均选取适当数量样本，且样本具有代表性。
[0033]步骤50、利用样本训练基于遗传算法的随机森林集成学习分类器，进行影像对象 分类。
[0034]其中步骤50又可细分为如下几个步骤：
[0035] 1、基于精细化影像对象分割结果，定义面