专利名称：融合边缘信息和支持向量机对遥感图像进行分类的方法及装置的制作方法
技术领域：
本发明涉及对遥感图像进行分类的方法及装置，更具体地说，涉及一种融合边缘信息和支持向量机对遥感图像进行分类的方法及装置。
背景技术：
具有高光谱分辨率的高光谱图像具有广泛的应用领域，例如矿物探测、污染监测、精准农业等。分类是高光谱图像的其中一个非常重要的处理过程。传统的高光谱图像的分类方法主要基于光谱信息，而很少考虑空间信息。
现有的普遍使用的高光谱图像的融合空间信息及光谱信息的分类方法包括马尔可夫随机场、形态学指针和形态学滤波。然而这些方法使用固定大小的窗口得到空间信息，导致了尺寸比例的选择问题。另一个分类方法是将空间信息集成到多核学习方法中，该方法也存在尺寸比例的选择问题，同时该方法的计算成本非常高。再有一种融合空间信息的方法是将逐像素的分类结果和划分聚类(PartitionalClustering)得到的分割的结果融合起来，但这种方法的结果是不稳健的。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种融合边缘信息和支持向量机对遥感图像进行分类的方法及装置。本发明解决其技术问题所采用的技术方案是构造一种融合边缘信息和支持向量机对遥感图像进行分类的方法，其包括以下步骤对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分类；对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图；对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图；将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使用边缘信息的分类结果图。在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法中，对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图包括以下步骤对所述经预处理和特征提取的遥感图像运用高光谱拉普拉斯边缘算子，以获得所述遥感图像的边缘图；对所述边缘图执行边缘细化，以获得非连续的单像素宽边缘图。在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法中，在执行所述连接处理之前，检测所述经噪音边缘部分去除的所述非连续的单像素宽边缘图的端点，其中，所述端点为在8邻域内仅具有一个与之连接的像素点。在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法中，对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图具体为针对所述经噪音边缘部分去除的所述非连续的单像素宽边缘图中的每个端点执行以下步骤以当前端点为圆心，搜索预设值半径内的端点；如果搜索到端点时，将具有最小权重的端点与作为圆心的当前端点进行直线连接；否则，计算当前端点所处位置的边缘部分的斜率，然后，在搜索区域内沿着斜率方向，从该当前端点位置处扩展该边缘部分，以使得该当前端点成为扩展的边缘部分的端点。在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法中，将所 述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使用边缘信息的分类结果图具体为执行以下步骤对于内部像素，分别计算同一区域内每类像素的数量，将具有最多数量的一类像素替换其它类像素，以覆盖该区域；对于边缘像素，计算边缘像素的八邻域邻居位置处的每类像素的数量，将具有最多数量的一类像素替换该边缘像素；其中，所述内部像素是位于所述封闭的边缘图内部的像素，所述边缘像素是位于所述封闭的边缘图边界上的像素。在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法中，所述预处理主要为对于所述遥感图像，去除受吸水性影响严重的和低信噪比的光谱波段。在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法中，所述特征提取主要为对所述遥感图像进行主成分变换，从变换后的图像中选择若干光谱波段。在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法中，所述噪音边缘部分是长度小于给定临界值的边缘部分。在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法中，所述遥感图像是高光谱图像或多光谱图像。根据本发明的另一个方面，提供一种融合边缘信息和支持向量机对遥感图像进行分类的装置，其包括分类模块，用于对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分类；检测模块，用于对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图；连接模块，用于对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图；后分类模块，用于将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使用边缘信息的分类结果图。实施本发明的融合边缘信息和支持向量机对遥感图像进行分类的方法及装置，具有以下有益效果将边缘信息定义为空间信息，避免了尺寸比例的选择问题，计算成本低，易于执行。高光谱图像的边缘图是全局空间信息且不会产生尺寸比例选择的问题。高光谱图像的边缘检测可快速获得；另外，通过将边缘信息和光谱信息的集成，进一步改善了逐像素的分类精度。本发明解决了现有的基于划分聚类(Partitional Clustering)分割的高光谱图像融合空间及光谱信息分类的非稳健性，也解决了通常的基于固定窗口大小的融合空间及光谱信息分类方法例如形态学滤波的尺寸比例的选择问题。
下面将结合附图及实施例对本发明作进一步说明，附图中图I是本发明融合边缘信息和支持向量机对遥感图像进行分类的装置的结构示意图； 图2是本发明融合边缘信息和支持向量机对遥感图像进行分类的方法流程图；图3a是本发明例子I执行步骤S21后的分类图；图3b是本发明例子I使用边缘信息执行步骤S24后的分类结果图；图4a是本发明例子I执行步骤S22的结果示意图；图4b是本发明例子I去除噪音边缘部分的边缘图；图4c是本发明例子I的封闭的边缘图；图5a是本发明例子2执行步骤S21后的分类图；图5b是本发明例子2使用边缘信息执行步骤S24后的分类结果图；图6a是本发明例子2执行步骤S22的结果示意图；图6b是本发明例子2去除噪音边缘部分的边缘图；图6c是本发明例子2的封闭的边缘图；图7a是本发明例子I中使用SVM进行分类方法和将SVM与边缘信息相结合的分类方法的总体精确度(OA)和kappa系数(K )的对比示意图；图7b是本发明例子I中使用SVM进行分类方法和将SVM与边缘信息相结合的分类方法的总体精确度(OA)和kappa系数(K)的对比示意图。
具体实施例方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。如图I所示，在本发明融合边缘信息和支持向量机对遥感图像进行分类的装置中，其主要包括分类模块11、检测模块12、连接模块13和后分类模块14 ;其中，分类模块11和检测模块12作为平行处理设备，同时接收经过预处理和特征提取的遥感图像。分类模块11首先对经过预处理和特征提取的遥感图像进行第一级分类，也就是进行逐像素的支持向量机(pixel-wise support vector machine (SVM))分类，以得到第一级分类图。同时,检测模块12和连接模块13对经过预处理和特征提取的遥感图像作进一步处理，以得到该遥感图像的边缘信息，该边缘信息定义为遥感图像的空间信息的结构。首先，检测模块12对经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图(one-pixelwide edge map)。连接模块13对经噪音边缘部分去除的非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图(closed edge map)。最后，后分类模块14执行第二级分类，其将封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使用边缘信息的分类结果图，从而该第二级处理后的分类结果图是基于遥感图像的边缘信息和光谱信息的分类结果。在具体使用过程中，该遥感图像可以是高光谱图像或多光谱图像，高光谱图像可以是例如ROSIS、AVIRIS。多光谱图像可以是例如SPOT、MODIS、LANDSET等等。可以理解的，该融合边缘信息和支持向量机对遥感图像进行分类的装置也可用于从遥感图像中提取边缘信息，以更新GIS数据库。如图2示出本发明融合边缘信息和支持向量机对遥感图像进行分类的方法流程，其是基于图I所示的装置结构，具体操作为S21 :对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分类，也就是进行逐像素的支持向量机(pixel-wise support vector machine (SVM))分类；其中，对于SVM 的使用可参考文献 Melgani，F. and L. Bruzzone, Classification of hyperspectralremote sensing images with support vector machines.IEEE Transactions onGeoscience and Remote Sensing，2004. 42 (8) :p. 1778-1790.、Camps-Valls，G. andL. Bruzzone, eds. Kernel Methods for Remote Sensing Data Analysis. Ieditioned. 2009, Wiley. 434. Λ Pal, M. and P. M. Mather, Some issues in the classificatton ofDAIS hyperspectral data. International Journal of Remote Sensing,2006.27 (14)p. 2895-2916.、Cortes，C. and V Vapnik，Support-vector networks. Machine Learning，1995.20(3) p. 273-297. Λ Boser, Β· E，I. M. Guyon, and V. N. Vapnik, In Proceedings ofthe fifth annual workshop on Computational learning theory. 1992.p.133-152.和 Schlkopf，B. and A. J. Smola，Learning with Kernels Support Vector Machines，Regularization, Optimization, andBeyond. 1st edition ed. 2001 The MIT Press. 644.所公开的内容。S22 :对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图；具体为对经预处理和特征提取的遥感图像运用高光谱拉普拉斯边缘算子，以获得遥感图像的边缘图；再对边缘图执行边缘细化，以获得非连续的单像素宽边缘图。其中，根据文献 Bakker，W. H. and K. S. Schmidt，Hyperspectral edge filtering formeasuring homogeneity of surface cover types. Isprs Journal of Photogrammetryand Remote Sensing, 2002. 56 (4) p. 246-256.可得到高光谱拉普拉斯算子和高光谱边缘滤波器，当釆用下列矩阵核用于高光谱边缘滤波器中
"O -I O "-I 4 -I 0-10光谱角用作距离测量SA(i\ 1I1) = eo&'(-J.....；-;.LT..)
yHI1I最后，得到高光谱边缘检测器
权利要求
1.一种融合边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，包括以下步骤 对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分类； 对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图； 对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图； 将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使用边缘信息的分类结果图。
2.根据权利要求I所述的融合边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图包括以下步骤 对所述经预处理和特征提取的遥感图像运用高光谱拉普拉斯边缘算子，以获得所述遥感图像的边缘图； 对所述边缘图执行边缘细化，以获得非连续的单像素宽边缘图。
3.根据权利要求I所述的融合边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，在执行所述连接处理之前，检测所述经噪音边缘部分去除的所述非连续的单像素宽边缘图的端点，其中，所述端点为在8邻域内仅具有一个与之连接的像素点。
4.根据权利要求I所述的融合边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图具体为针对所述经噪音边缘部分去除的所述非连续的单像素宽边缘图中的每个端点执行以下步骤 以当前端点为圆心，搜索预设值半径内的所有端点； 如果搜索到端点时，将具有最小权重的端点与作为圆心的当前端点进行直线连接；否贝U，计算当前端点所处位置的边缘部分的斜率，然后，在搜索区域内沿着斜率方向，从该当前端点位置处扩展该边缘部分，以使得该当前端点成为扩展的边缘部分的端点。
5.根据权利要求I所述的融合边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使用边缘信息的分类结果图具体为执行以下步骤 对于内部像素，分别计算同一区域内每类像素的数量，将具有最多数量的一类像素替换其它类像素，以覆盖该区域； 对于边缘像素，计算边缘像素的八邻域邻居位置处的每类像素的数量，将具有最多数量的一类像素替换该边缘像素；其中， 所述内部像素是位于所述封闭的边缘图内部的像素，所述边缘像素是位于所述封闭的边缘图边界上的像素。
6.根据权利要求I 5任一所述的融合边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，所述预处理主要为对于所述遥感图像，去除受吸水性影响严重和低信噪比的光谱波段。
7.根据权利要求I 5任一所述的融合边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，所述特征提取主要为对所述遥感图像进行主成分变换，从变换后的图像中选择多个光谱波段。
8.根据权利要求I 5任一所述的融合边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，所述噪音边缘部分是长度小于给定临界值的边缘部分。
9.根据权利要求I 5任一所述的集成边缘信息和支持向量机对遥感图像进行分类的方法，其特征在于，所述遥感图像是高光谱图像或多光谱图像。
10.一种融合边缘信息和支持向量机对遥感图像进行分类的装置，其特征在于，包括 分类模块，用于对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分类； 检测模块，用于对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图； 连接模块，用于对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图； 后分类模块，用于将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使用边缘信息的分类结果图。
全文摘要
本发明涉及一种融合边缘信息和支持向量机对遥感图像进行分类的方法及装置，该方法包括对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分类；对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图；对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图；将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到融合边缘信息的分类结果图。本发明解决了现有的基于划分聚类(Partitional Clustering)分割的高光谱图像融合空间及光谱信息分类的非稳健性，也解决了通常的基于固定窗口大小的融合空间及光谱信息分类方法例如形态学滤波的尺寸比例的选择问题。
文档编号G06K9/62GK102708374SQ20121000354
公开日2012年10月3日 申请日期2012年1月6日 优先权日2012年1月6日
发明者史文中, 苗则朗 申请人:香港理工大学