面向对象的遥感影像单类分类方法
【技术领域】
[0001] 本发明涉及的是遥感影像分类技术领域，具体涉及一种面向对象的遥感影像单类 分类方法。
【背景技术】
[0002] 近年来，多类分类方法层出不穷，而利用单类分类器提取遥感影像中的兴趣类别， 相关的研究还较少。一个常用的单类分类器是单类支持向量机（〇116-〇138831^口01'1：-vector machine，0CSVM) dOCSVM方法在高维空间中，寻找一个能将兴趣类别分开的具有最 大间隔的超平面，它的缺点是自由参数的选择困难。在构造分类器过程中，除了兴趣类别样 本外，未标记样本也提供了有用的信息，例如Transductive SVM(TSVM)方法，通过利用未标 记样本可以得到较好的分类性能，TSVM方法需要设定迭代次数，而且需要已标记样本中的 正样本和负样本两个方面。还有基于支持域描述的方法（support vector data description，SVDD)，利用一个包含目标数据的尽可能小的球体进行判别，由小样本训练就 能得到较好的分类效果，SVDD方法的主要缺点也是参数设置比较复杂。Li et al.提出了 PUL(positive and unlabeled learning)算法进行单类分类，在高分辨率遥感影像中进行 了实验，分别提取了影像中的各个单类，包括市区、树木、草地、水体、裸地。Li et al.提出 的遥感影像单类分类的MAXENT方法，在训练过程中只要求正样本，实验结果表明其单类分 类效果优于0CSVM方法。MAXENT方法选择具有最大熵的分布形式作为兴趣类别的数据分布， 是一种参数化的方法，对于不规则的兴趣类别分布形式，效果受到影响。
【发明内容】
[0003] 针对现有技术上存在的不足，本发明目的是在于提供一种面向对象的遥感影像单 类分类方法，简化了样本选择过程，可以有效实现遥感影像单类信息的提取。
[0004] 为了实现上述目的，本发明是通过如下的技术方案来实现:面向对象的遥感影像 单类分类方法，包括以下步骤：（1)将类别空间划分为兴趣类别和非兴趣类别二类；（2)根据 图像空间的邻近性选择兴趣类别和非兴趣类别训练样本；（3)根据特征空间的邻近性选择 兴趣类别和非兴趣类别的部分训练样本；（4)在两类样本的基础上进行最近邻分类，提取兴 趣类别。
[0005] 本发明以图像分割后获得的图像对象为基本的操作单元，而不是基于单个象素操 作。图像对象的生成综合考虑了邻近像素的光谱和空间信息，将邻近像素合并成匀质的斑 块，克服了基于像素方法的不足。而且，通过图像分割获得的图像对象具有一定的属性，不 仅包含了光谱信息，还包括纹理、大小、形状、紧致性、上下文等从图像中提取出的附加信 息，在不增加外来信息的情况下增加了分类的依据，从而提高分类的精度，使分类结果更加 接近目视判别的结果。当遥感影像被分割为对象后，还可以建立对象之间的拓扑关系，从而 有可能实现地理信息系统中的空间分析。
[0006] 本发明的有益效果:基于最近邻方法，提取影像中的兴趣类别。面向对象方法在分 割阶段结合了影像的空间信息和光谱信息，增加了分类依据。另一方面，面向对象方法对原 影像数据集进行优化，减小了类内方差，增加了类间可分性，使得单类分类器分类精度提 高。根据最近邻方法的特点，将类别划分为兴趣类别和非兴趣类别即可，并根据图像空间和 特征空间邻近性选择非兴趣类别的部分训练样本，简化了分类过程。
【附图说明】
[0007] 下面结合附图和【具体实施方式】来详细说明本发明；
[0008] 图1(a)为本发明的实施例1的TM遥感影像实验数据1图；
[0009]图1(b)为本发明的实施例1的TM遥感影像实验数据2图；
[0010]图2(a)为本发明的不透水表面提取的图像空间样本选择图；
[0011] 图2(b)为本发明的不透水表面提取的提取结果图；
[0012] 图3(a)为本发明的水体提取的图像空间样本选择图；
[0013] 图3(b)为本发明的水体提取的提取结果图；
[0014] 图4(a)为本发明的水体提取的图像和特征空间样本选择；
[0015] 图4(b)为本发明的水体提取的提取结果图。
【具体实施方式】
[0016] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合
【具体实施方式】，进一步阐述本发明。
[0017] 本【具体实施方式】采用以下技术方案:面向对象的遥感影像单类分类方法，包括以 下步骤：（1)将类别空间划分为兴趣类别和非兴趣类别二类；（2)根据图像空间的邻近性选 择兴趣类别和非兴趣类别训练样本；（3)根据特征空间的邻近性选择兴趣类别和非兴趣类 别的部分训练样本;（4)在两类样本的基础上进行最近邻分类，提取兴趣类别。
[0018] 本【具体实施方式】的面向对象影像分类中，分割后每个影像对象内的象素均值作为 数据点，而且分割过程使用的参数可以控制分割后影像对象的平均大小，类似在一定的分 布总体抽取一定数量的样本，然后计算样本均值的分布。假设一定的数据集(一定分布的总 体），已知该分布的期望和方差，从这个总体中抽出一部分(m个)数据，构成一个样本，计算 出一个样本平均值，这样有放回的无数次抽选样本，将会产生无数个样本平均数，而且这些 样本平均数具有自己的分布形式。在抽样比非常小的情况下，无放回抽样与有放回抽样的 误差基本是相同的，可以利用有放回抽样的误差计算公式来代替无放回的情况，所以影像 分割后的数据集分布形式可以类似的计算出来。
[0019]对任意分布的总体X，期望为EX，方差为DX，有放回抽选样本，容量为m，设样本均值 为随机变量y，则
[0020] y = (xi+X2+---+Xm)/m
[0021] 其中，^^2，一&为总体的!11个有放回抽样，那么7的期望为
[0023]由于 Dy = Ey2_(Ey)2^Ey!^
[0027] 由此可得，抽取的样本均值的期望与总体期望相等，方差为总体方差的1/m。而且 统计理论表明，不论总体的分布如何，只要样本容量m足够大(大于30)，样本均值的分布总 会趋向于正态分布。在面向对象影像分类中，一般都能保证实际分割的影像对象足够大，可 以包含从几十到上百个象素，因此，样本均值数据的分布形式可以很好的近似正态分布。面 向对象方法对所有影像斑块组成的数据集进行分类，由于各类别的期望值不变，类内方差 为总体方差的1/m，且服从正态分布，因此，各个类别之间的类间距离不变，类内方差减小， 从而类别可分性增加，有利于单类分类中阈值参数的选择。
[0028] 在单类信息提取训练样本选择中，首先选择兴趣类别的代表区域，而对非兴趣类 另IJ，则选择与兴趣类别邻近的部分样本进行训练，目的是找到兴趣类别与非兴趣类别的边 界，通过边界来区分兴趣类别与非兴趣类别。由遥感影像的空间临近效应，相互邻近的像素 特征往往相近。因此，选择兴趣类别样本的同时，在图像空间中，选择与兴趣类别邻近的非 兴趣类别样本，而不需要对非兴趣类别代表点进行完全选择，使样本选择过程变得简单。 此外，在实际应用中，将图像空间和特征空间的邻近性结合起来进行训练样本的选择，在无 需了解影像中所有类别划分的情况下，实现感兴趣类别的有效提取。
[0029]在图像空间中，选择相互邻近的兴趣类别和非兴趣类别图像对象，提高了学习效 率和可靠性。在特征空间中，由于分割后形成的图像对象都有属性值，根据属性值选择与兴 趣类别相近的非兴趣类别图像对象作为训练样本。两种方法都不考虑影像中的类别划分情 况，只根据空间和特征邻近性进行样本选择，二者结合起来实现兴趣类别和非兴趣类别的 有效区分。
[0030] 实施例1:实验图像为两幅TM遥感影像，如图1所示，其中图1 (a)包含不透水表面、 草地、林地和水体四个类别，图1 (b)也包含四个类别:不透水表面、水体、耕地和村庄。
[0031] 采用最近邻方法提取单类信息，在兴趣类别样本的周围选择非兴趣类别样本，这 种方法减少了样本选择的工作量。对图1 (a)中的TM实验影像，以不透水面为兴趣类别，训练 样本的选择如图2(a)所示，其中白色区域为兴趣类别样本，周围的黑色区域为非兴趣类别 样本，图2(b)为分类结果。单类信息提取的精度评价指标一般为生产精度和用户精度，生产 精度指兴趣类别的正确分类数占参考数据中该类别象素总数的比例，而用户精度指兴趣类 别正确分类数占分为该类象素总数的比例。实验数据1中不透水面单类提取的生产精度和 用户精度分别为85.3%和90.9%。
[0032] 而对于有些情况，这种训练样本的选择方法不能很好的将特征相近的兴趣类别与 非兴趣类别分开。例如在图1(b)所示的实验影像中提取水体类别，图3(a)为水体类别及其 周围选择的训练样本，白色区域为水体，黑色区域为其他类别。图3(b)为分类结果，可以看 出，由于阴影的特征与水体相似，有些阴影区域被错分为水体。
[0033] 为了避免基于图像空间的样本选择产生特征相近目标的错分，将图像空间和特征 空间结合起来。由于在面向对象方法中，图像分割后每个对象都有各自的属性特征值，从而 可以选择与兴趣类别光谱特征相似的非兴趣类别训练样本。如图4(a)所示，增加图像下方 的阴影区域作为非兴趣类别样本，图4(b)为分类结果。可以看出，这种特征空间和图像空间 样本选择相结合的方法可以克服单一方法的不足，错分区域明显减少，本实验中水体的单 类提取生产精度和用户精度分别为99.0%和98.0%，分类效果好。
[0034]以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术 人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本 发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变 化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其 等效物界定。
【主权项】
1.面向对象的遥感影像单类分类方法，其特征在于，包括以下步骤：（1)将类别空间划 分为兴趣类别和非兴趣类别二类；（2)根据图像空间的邻近性选择兴趣类别和非兴趣类别 训练样本；（3)根据特征空间的邻近性选择兴趣类别和非兴趣类别的部分训练样本；（4)在 两类样本的基础上进行最近邻分类，提取兴趣类别。
【专利摘要】本发明公开了一种面向对象的遥感影像单类分类方法，它涉及遥感影像分类技术领域。包括以下步骤：(1)将类别空间划分为兴趣类别和非兴趣类别二类；(2)根据图像空间的邻近性选择兴趣类别和非兴趣类别训练样本；(3)根据特征空间的邻近性选择兴趣类别和非兴趣类别的部分训练样本；(4)在两类样本的基础上进行最近邻分类，提取兴趣类别。本发明简化了样本选择过程，可以有效实现遥感影像单类信息的提取。
【IPC分类】G06K9/62
【公开号】CN105550695
【申请号】CN201510880838
【发明人】薄树奎, 李向, 荆永菊, 郑小东, 金秋春, 李玲玲
【申请人】郑州航空工业管理学院
【公开日】2016年5月4日
【申请日】2015年11月27日