本发明属于遥感科学技术领域，尤其涉及一种基于空间相关性与异质性特征的高分影像居民区提取方法。
背景技术：
近年来，遥感对地观测技术发展快速，获取的数据种类不断丰富，数据质量不断提高。现代遥感正进入一个能够从多平台、多传感器、多角度提供高空间分辨率(以下简称“高分”)、高时间分辨率以及高光谱分辨率影像数据的新时期。某些商业卫星的空间分辨率已达到米级或亚米级水平，如QuickBird影像分辨率达到0.61m，GeoEye-1的影像分辨率为0.41m，且部分军事卫星影像数据的空间分辨率已经达到了0.1m。对于影像的光谱分辨率，已经从MODIS的36个光谱通道发展到光谱分辨率为1.2nm的CHRIS超光谱成像仪；影像的时间分辨率方面，微波遥感已经实现全天时、全天候的对地观测。
由于高分遥感影像提供了地物目标丰富的空间特征和几何特征，以及深层次的空间结构信息，高分遥感影像成为众多部门获取基础地理信息的重要来源，并被广泛应用于城市规划、土地管理、环境监测以及军事目标识别等众多领域。
影像空间分辨率的提高，使得影像表达更接近人们对真实场景的认识和理解。高分影像中不仅包含建筑区、公园等大尺度的对象，也包含单个建筑物、阴影等中尺度对象，还存在较小尺度的引起局部信号突变的目标，如飞机、车辆等。不同层次的目标表达与人们对真实场景的认知相一致，因此高分影像具有重要的研究意义。与此同时，随着传感器空间分辨率的提高，光谱波段减少，影像的光谱信息会大量减少，影像内部的光谱异质性增强，不同地物类别间的光谱差异性降低，基于光谱特征的不同地物类别的可区分性较低，并且传统针对中低分辨率和多光谱影像的解译方法，应用于高分辨率遥感影像时，难以获得满意的信息提取结果，给高分辨率遥感影像解译与应用带来了挑战。高分辨率遥感影像相对于中低分辨率影像，其地物的几何结构更加明显，地物的空间布局更加清晰，纹理和尺寸等信息更加精细，地物的三维立体信息更加丰富。因此，针对高分影像的信息提取，人们更加关注空间结构信息。
许多研究表明，充分利用高分影像的几何、纹理等空间信息是提高影像解译与信息提取能力的有效途径。空间结构特征是高分影像最显著的特征之一，高分影像上的各种地物类型都表现出不同程度的结构特性。与光谱特征相比，地物的结构特征更稳定，更能够反映地物内部的组织特性，以及与外部环境的空间关系。因此，结构特征对于高分影像的解译与信息提取具有重要的作用。
利用高分影像的空间结构特征，对影像中目标地物进行描述和提取已得到了很好的验证，其中包括将空间统计学理论与方法引入高分影像空间结构建模中，具体包含了空间自相关统计和空间变异函数。空间自相关统计用于同一区域同一属性的相似性度量，可对影像中相邻像素的属性相关性特征进行描述，揭示其空间依赖的结构模式，目前空间自相关统计已被大量应用到影像解译过程中。空间变异函数属于地统计学的范畴，是描述区域化随机变量之间存在的空间依赖关系的有效工具。而从地质学角度来看，影像中不同像素的灰度值既有随机性，又具备结构性，因此可基于变异函数方法对遥感影像中不同地物目标的空间结构进行有效描述。
传统的基于空间统计的影像结构特征建模方法中，只使用像素间的空间相关性或变异性特征，对目标结构描述的准确性存在不足。
技术实现要素：
本发明的目的是提供一种基于空间相关性与异质性特征的高分影像居民区提取方法。
为达到上述目的，本发明提供的基于空间相关性与异质性特征的高分影像居民区提取方法，包括步骤：
S1对多波段的原始影像进行假彩色合成获得假彩色影像，对假彩色影像进行去噪；
S2在假彩色影像中选取不同类型的地物区域作为地物样本，根据地物样本分别计算各类地物的光谱特性曲线，基于光谱特性曲线选取光谱特征波段，光谱特征波段所对应的光谱值即光谱特征；所述的基于光谱特性曲线选取光谱特征波段，具体为：
基于光谱特性曲线分别获取各类地物在各波段下的光谱属性值，分别计算目标地物与其他类地物的光谱属性值的差值，最大差值所对应的波段即光谱特征波段；目标地物指居民区；
S3采用一个或多个空间自相关统计量分别作为空间相关性的局部度量指标，并构建假彩色影像的空间相关性特征；
S4采用空间变异函数计算假彩色影像的空间异质性特征，具体为：
对假彩色影像进行规则格网划分获取多个影像单元，采用目视判断方法选取仅含目标地物或仅含背景地物的影像单元，从而获得目标地物样本和背景地物样本；
采用空间变异函数分别计算目标地物和背景地物的空间变异函数曲线，根据目标地物和背景地物的空间变异函数值的差值获得对应的变异函数差值曲线，将变异函数差值曲线上第一个局部极大值点所对应的变异函数值作为假彩色影像的空间异质性特征；
S5结合光谱特征、空间相关性特征和空间异质性特征，构建特征集；基于特征集对假彩色影像进行目标地物提取。
步骤S1中，利用ENVI对多波段的原始影像进行假彩色合成。
步骤S1中，采用高斯平滑滤波法对假彩色影像进行去噪。
步骤2中，采用目视判断的方法选取地物样本。
步骤S3中，所选取的空间自相关统计量包括局部莫兰指数、吉尔里指数和Getis-Ord指数。
步骤5中，采用SVM对假彩色影像进行目标地物提取。
进一步的，采用数学形态学方法平滑步骤S5所提取目标地物的边缘，并滤除伪目标地物。
进一步的，引入邻域判定方法获得步骤S5所提取目标地物的边缘影像单元，对边缘影像单元进行基于像素层次的地物提取，从而获得精确的目标地物提取结果。
与现有技术相比，本发明具有以下特点和有益效果：
(1)本发明利用对事物特性描述的双向性，从两个角度，即空间相关与空间变异，同时对影像目标的空间结构进行定量刻画，使获取的结构特征参数具有完备性和有效性，为影像分类和目标提取提供有效的高层次结构特征支持。
(2)本发明基于空间自相关统计和空间变异函数，对高分影像的空间结构进行描述，并通过影像分类和居民区提取的实验来验证本方法的有效性，本发明对更好地实现高分影像的解译与地物信息的提取具有重要的意义。
附图说明
图1为本发明的具体流程示意图。
具体实施方式
本发明主要基于遥感信息科学，结合空间统计的方法来量化高分影像中的空间布局模式，提出一种综合空间统计学中的空间自相关统计量和空间变异函数的结构特征建模方法。本发明从对事物特性描述的完备性角度出发，从相关和变异两个角度对目标的结构进行描述，从而获取更为有效、更加稳健的结构特征描述参数。
下面将以QuickBird高分遥感影像居民区提取为例，并结合图1对本发明流程进行具体阐述。
步骤1，利用ENVI对多波段的原始影像进行假彩色合成，选择波段3对应红色通道，波段2对应绿色通道，波段1对应蓝色通道，获取视觉上易于区分的假彩色影像。采用高斯平滑滤波法滤除假彩色影像中存在的噪声信息。
步骤2，根据地物类别，从假彩色影像中分别选取居民区和植被、裸地、水域等不同类型地物样本，居民区为目标地物，其他地物为背景地物。根据各类地物样本分别绘制各类地物的光谱特性曲线，基于光谱特性曲线选取光谱特征波段，光谱特征波段所对应的光谱值即光谱特征。
本步骤中，采用目视判断的方法选取各类地物样本。
本步骤中，基于光谱特性曲线选取光谱特征波段具体为：
基于光谱特性曲线分别获取各类地物在各波段下的光谱属性值，分别计算目标地物与其他类地物的光谱属性值的差值，以最大差值所对应的波段作为光谱特征波段。
步骤3，分析各空间自相关统计量的特性，选取一个或多个空间自相关统计量构建假彩色影像的空间相关性特征。
本发明中选用局部莫兰指数I、吉尔里指数C和Getis-Ord指数G作为空间相关性的局部度量指标，以此来获取对于影像相关性特征的准确描述。其中，通过实验分析，对于Getis-Ord指数拟采用标准化形式，各空间自相关统计量具体形式见公式(1)～(3)所示：
式(1)～(3)中，I(d)、C(d)、分别表示局部莫兰指数I、吉尔里指数C和Getis-Ord指数G的计算式；d代表空间距离；n代表空间域内空间对象个数；xi、xj表示空间位置i、j处空间对象的属性值；表示所有空间对象属性观测值的均值；wij(d)为空间权重，刻画了第i个空间位置与第j个空间位置之间的空间近邻关系；s代表所有权重之和。
本实施例分别以三个局部空间自相关统计量对影像进行相关性结构特征计算，得到与影像相对应的三个空间相关性特征矩阵。
步骤4，通过对比分析各空间变异函数在影像异质性结构描述方面的差异，选取合适的空间变异函数计算假彩色影像的空间异质性特征。
本步骤具体为：
4.1样本采集：
对假彩色影像进行规则格网划分获取多个影像单元，采用目视判断方法选取仅含目标地物或仅含背景地物的影像单元，从而获得目标地物样本和背景地物样本。
4.2空间异质性特征计算
根据目标地物样本和背景地物样本，采用空间变异函数分别计算目标地物和背景地物的空间变异函数曲线，根据目标地物和背景地物的空间变异函数值的差值获得对应的变异函数差值曲线，将变异函数差值曲线上第一个局部极大值点所对应的变异函数值作为假彩色影像的空间异质性特征。
步骤5，将步骤2获得的光谱特征、步骤3获得的空间相关性特征和步骤4获得的空间异质性特征进行综合，作为完备性特征，该完备性特征兼顾了空间结构的相关性和异质性的特征表达，以该特征表达为基础，利用SVM(支持向量机)对假彩色影像进行居民区初步提取。
步骤6，利用数学形态学方法对初步目标地物提取结果进行后处理，包括利用开闭运算对提取目标地物的边缘进行细化和平滑处理，利用面积阈值方法滤除伪目标地物。针对格网划分方式所提取地物边缘存在的锯齿，引入邻域判定方法，得到提取目标地物的边缘影像单元，并对边缘影像单元进行基于像素层次的地物提取，得到更为精确的目标地物提取结果。