专利名称：一种遥感图像分类方法
技术领域：
本发明属于遥感图像分类技术领域，具体涉及一种利用排序直方谱特征对遥感图像进行分类的方法。
背景技术：
遥感图像是按一定的比例尺，客观真实地记录和反映地表物体的电磁辐射的强弱信息，是遥感探测所获得的遥感信息资料的一种表现形式。所以遥感技术的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征，判读识别地面物体的类属及其分布特征。在遥感图像技术的研究中，无论是专业信息提取，运动变化预测，还是专题地图制作和遥感数据库的建立等都离不开分类，对照地面地物类型，便可以从图像上地物的识别。随着近年来计算机技术的飞速发展，计算机识别分类成了遥感技术应用的一个重要组成部分。遥感图像数据类别多，合混度大，如何解决多类别分类识别并满足一定的分类精度，是当前遥感图像研究中的一个关键问题，也是人们关注的焦点。
在目前的遥感图像分类应用中，用的较多的方法有共生矩阵，行程长度，加博(Gabor)的一阶二阶矩。其中，共生矩阵和行程长度由于只对图像在空间域的特性进行分析，而Gabor的一阶二阶矩的统计量过分简单，所以分类能力都非常有限。
发明内容
本发明的目的在于，提供一种遥感图像分类方法，该方法能达到分类的高准确率。
本发明按照以下步骤完成(1)在参考遥感图像上截取若干小块作为训练样本；(2)设计加博(Gabor)滤波器组，将频率域分解至S个尺度和T个角度，使用滤波器组对所有训练样本进行滤波，得到训练样本的滤波图像集合，记为P；(3)从P中提取基于不同尺度的滤波图像集合，通过分别计算该集合中滤波图像最小值和最大值的平均值，得到该集合对应的直方图统计范围[Qmin(l)，Qmax(l)](l＝1，2，...，S)，将该范围平均分成小区间，得到相应的直方图区间划分方式[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，...，c)其中，range=Qmax(l)-Qmin(l)c,]]>c为区间个数；(4)按照以下步骤提取每个训练样本基于不同尺度的排序直方谱特征向量(4.1)从P中提取一个训练样本基于某尺度的滤波图像集合，根据基于该尺度的滤波图像集合的直方图区间划分方式，得到其对应的直方图集合和特征值集合；(4.2)对直方图集合里的元素按照特征值集合里对应元素的值的大小进行排序，得到训练样本基于该尺度的排序直方谱特征向量；(4.3)按照步骤(4.1)-(4.2)的方式，遍历所有训练样本和尺度，得到每个训练样本基于不同尺度的排序直方谱特征向量；(5)使用χ2统计距离，根据步骤(4)得到的排序直方谱特征向量对训练样本进行聚类，得到最佳分类尺度；(6)将待分类图像分成小块，按照步骤(4.1)-(4.2)的方式计算每个小块基于最佳分类尺度的排序直方谱特征向量；根据排序直方谱特征向量，使用分类器依次对小块分类并标记，最终得到整幅图像的分类结果。
本发明同时对空间域和频率域进行分析，能够获取更多有助于分类的图像纹理信息；计算排序直方谱特征向量，并将其作为本发明所需统计量，使得分类结果更为精确。
图1为本发明的总体流程图；图2为提取每个训练样本基于不同尺度的排序直方谱特征向量流程图；图3为提取训练样本基于不同尺度的排序直方谱特征向量的示例图
其中，图3a为农田训练样本；图3b为该训练样本在第4个尺度下的6个直方图；图3c为该训练样本在第4个尺度下的排序直方谱；图4为本发明对待分类图像分类的流程图；图5为本发明关于遥感大图子块划分方式的示意图；图6为本发明与一般方法的分类准确率比较图。
具体实施例方式
下面结合附图和实施例对本发明做详细说明。
(1)截取训练样本。
假定待分类遥感图像有M类区域需要划分。在参考遥感图像上，分别在每个类型所属区域中截取若干小图作为训练样本，令第m类事物的第n个训练样本为Imn。要求每一类的训练样本能够体现该类区域的所有基本特征。从理论上说，各训练样本大小可以不相同，但是为了编制程序的方便和达到更稳定的分类效果，本发明建议使用大小相同的小图，本发明取小图大小为50像素*50像素。
(2)使用加博(Gabor)滤波器组得到滤波图像集合。
(2.1)设计Gabor滤波器组。
滤波器组的设计必须满足设计的滤波器组能够覆盖频率域。设计将频率域分解至S个尺度和T个角度的Gabor滤波器组，则该滤波器组一共有S*T个滤波器，令第l个尺度，第r个角度的Gabor滤波器为Glr。一般采用4个尺度和6个角度。例如，采用4个尺度，其对应的中心频率分别为0.05，0.1，0.2和0.4，6个角度分别为0，30，60，90，120，150度，一共24个滤波器。
(2.2)得到训练样本的滤波图像集合。
对应于每一个训练样本和每一个滤波器，可以得到一幅滤波图像。例如，对于训练样本Imn和滤波器Glr，通过卷积运算，得到滤波后的图像Fm,nl,r=con(Inm*Glr).]]>利用Gabor滤波器组对所有训练样本进行滤波，得到包括A*S*T(A为训练样本总数)幅滤波图像的滤波图像集合，记为P。
(3)获取基于不同尺度的滤波图像集合，计算其对应的直方图区间划分方式。
通过不同尺度的Gabor滤波器，可以得到差异很大的滤波图像。一幅滤波图像的区间分布就叫做这幅滤波图像的直方图，任何一幅图像通过一组滤波器，都可以得到一组滤波图像，以及相应的一组直方图。
从P中提取基于不同尺度的滤波图像集合，对每个集合中的滤波图像采用相同的统计区间计算直方图，步骤如下(3.1)确定基于不同尺度的滤波图像集合的直方图统计范围。
令Qmin(l)=1A*QΣm=1Σn=1Σr=1min(Fm,nl,r),]]>Qmax(l)=1A*QΣm=1Σn=1Σr=1max(Fm,nl,r),]]>[Qmin(l)，Qmax(l)](l＝1，2，...，S)为基于第l个尺度的滤波图像集合的直方图统计范围。
(3.2)确定基于不同尺度的滤波图像集合的直方图统计区间。
将步骤(3.1)得到的直方图统计范围均匀分成c个区间(一般取c为10)，则第l个尺度对应的直方谱区间长度range=Qmax(l)-Qmin(l)c,]]>其第z个直方谱统计区间是[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，...，c)。
(4)提取每个训练样本基于不同尺度的排序直方谱特征向量。
训练样本Imn在第l个尺度下提取排序直方谱特征向量，按照以下步骤完成(4.1)计算训练样本Imn基于第l个尺度的滤波图像直方图集合。
定义滤波图像Fm，nl，r的直方图为Hm,nl,r=(Hm,nl,r(1),Hm,nl,r(2),...,Hm,nl,r(c)),]]>其中Hm,nl,r(z)=sum(Qmin(l)+range*(z-1)<Fm,nl,r(x,y)<Qmin(l)+range*z)(z=1,2,...,c).]]>同时，定义Um,nl,r=max{Hm,nl,r(z),z=1,2...,c}]]>为Hm，nl，r的特征值。
训练样本Imn通过第l个尺度下不同角度的滤波器滤波后，可以得到T幅滤波图像的集合为{Fm，nl，1，Fm，nl，2，...，Fm，nl，T}，这些滤波图像相应的直方图的集合为{Hm，nl，1，Hm，nl，2，...，Hm，nl，T}，对应的特征值的集合为{Um，nl，1，Um，nl，2，...，Um，nl，T}。
(4.2)对集合内的直方图进行排序。
由步骤(4.1)，得到训练样本Imn在第l个尺度下的直方图的集合为{Hm，nl，1，Hm，nl，2，Hm，nl，T}。对集合内的所有直方图依据其特征值由大到小依次排序(由小到大也有效)，得到训练样本Imn在第l个尺度下的排序直方谱特征向量Pm,nl=Order{Hm,n,l,1Hm,n,......,l,2Hm,nl,T},]]>如图3所示，图3a为截取的农田类型的训练样本；在第4个尺度下，可以得到6个滤波图像直方图的集合，如图3b所示；将这些直方图按照特征值大小进行排序得到排序直方谱特征向量，如图3c所示。
按照步骤(4.1)-(4.2)，遍历所有训练样本和尺度，得到每个样本在每个尺度下的排序直方谱特征向量，如图2所示。
(5)选择最佳分类尺度分别在每个尺度下，使用χ2统计距离，对训练样本进行聚类。得到最高分类正确率的尺度即为本发明使用的最佳分类尺度。
(6)对待分类遥感图像进行分类，如图4所示。
(6.1)提取待分类遥感图像的排序直方谱特征向量。
将待分类的遥感图像分成子块，如图5所示。使用步骤(5)中得到的最佳分类尺度，按照步骤(4.1)-(4.2)计算每个子块小图的排序直方谱特征向量。
(6.2)使用分类器分类使用适当的分类器，根据每个子块小图的排序直方谱特征向量得到所有小图的分类结果。还原到大图，最终得到整个遥感图像的分类结果。可以使用的分类器有KNN，SVM，Adaboost以及神经网络等，本发明推荐使用χ2距离的1NN分类器。
下面将详细描述描述本发明的一个实施例。
在该实施例中，待分类遥感图像有三类区域需要划分居民区，农田区，植被区。在参考遥感图像上，分别截取这三种区域类型各100幅小图作为训练样本，样本大小为50象素*50象素。
设计将频率域分解至4个尺度和6个角度的Gabor滤波器组。采用4个尺度，其对应的中心频率分别为0.05，0.1，0.2，0.4，6个角度分别为0，30，60，90，120，150度，一共24个滤波器。
将所有训练样本与滤波器组卷积，得到滤波图像集合。根据步骤(3.1)中公式进行计算，分别得到4个基于不同尺度的直方图范围。将每个尺度对应的直方谱范围均匀分为10个区间，统计每个滤波图像的直方图，并选择其中最大的一维作为它的特征值。一个训练样本在每个尺度下有6个直方图。将这些直方图按其特征值由大到小排序，从而得到训练样本在该尺度下的排序直方谱特征向量。
分别在每个尺度下，使用χ2统计距离，对训练样本进行聚类，得到最佳分类尺度为第4个尺度。将待分类的遥感图像分成子块，使用第4个尺度，计算每个子块的排序直方谱特征向量，然后使用χ2距离的1NN分类器对子块分类，得到字块分类结果。对每个子块重复上述步骤，得到所有小图的分类结果，最终得到整个遥感图像的分类结果。
使用同样的样本和分类器，得到的分类准确率如图6所示，从中可以看出，与一般方法相比，本发明有着更精确的分类结果。
还应理解，因为附图中所述的某些方法步骤可以软件形式来实现，所以过程步骤之间的实际连接可能有所不同，具体视本发明的编程方式而定。基于此处提出的本发明原理，相关领域的普通专业人员可以设想本发明的这些以及类似实施方案。
权利要求
1.一种遥感图像分类方法，其特征是，该方法包括以下步骤(1)在参考遥感图像上截取若干小块作为训练样本；(2)设计加博(Gabor)滤波器组，将频率域分解至S个尺度和T个角度，使用滤波器组对所有训练样本进行滤波，得到训练样本的滤波图像集合，记为P；(3)从P中提取基于不同尺度的滤波图像集合，通过分别计算该集合中滤波图像最小值和最大值的平均值，得到该集合对应的直方图统计范围[Qmin(l)，Qmax(l)](l＝1，2，…，S)，将该范围平均分成小区间，得到相应的直方图区间划分方式[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，…，c)其中，range=Qmax(l)-Qmin(l)c,]]>c为区间个数；(4)按照以下步骤提取每个训练样本基于不同尺度的排序直方谱特征向量(4.1)从P中提取一个训练样本基于某尺度的滤波图像集合，根据基于该尺度的滤波图像集合的直方图区间划分方式，得到其对应的直方图集合和特征值集合；(4.2)对直方图集合里的元素按照特征值集合里对应元素的值的大小进行排序，得到训练样本基于该尺度的排序直方谱特征向量；(4.3)按照步骤(4.1)-(4.2)的方式，遍历所有训练样本和尺度，得到每个训练样本基于不同尺度的排序直方谱特征向量；(5)使用χ2统计距离，根据步骤(4)得到的排序直方谱特征向量对训练样本进行聚类，得到最佳分类尺度；(6)将待分类图像分成小块，按照步骤(4.1)-(4.2)的方式计算每个小块基于最佳分类尺度的排序直方谱特征向量；根据排序直方谱特征向量，使用分类器依次对小块分类并标记，最终得到整幅图像的分类结果。
全文摘要
一种遥感图像分类方法，其步骤为①在参考遥感图像上，分别在不同类型的区域中，截取小图作为训练样本；②设计加博(Gabor)滤波器，将频率域分解至不同的尺度与角度，对训练样本进行滤波，得到滤波图像集合；③计算每个训练样本在不同尺度下的排序直方谱特征向量；④通过对训练样本进行聚类，得到最佳分类尺度；⑤将待分类遥感图像分成子块，使用④中得到的尺度，计算子块的排序直方谱特征向量；⑥使用分类器依次对子块进行分类，最终得到待分类遥感图像的分类结果。本发明能对遥感图像有效分类，操作简便，分类效率高。
文档编号G01S17/00GK101067659SQ20071005241
公开日2007年11月7日 申请日期2007年6月8日 优先权日2007年6月8日
发明者曹治国, 范绎, 卓问, 肖阳 申请人:华中科技大学