一种基于改进可靠性因子的遥感图像融合与海岸带分类方法与流程

本发明涉及海岸带图像提取技术领域，具体而言，尤其涉及一种基于改进可靠性因子的遥感图像融合与海岸带分类方法。

背景技术：

随着地理、海洋、地球物理以及气象监测等领域研究的深入开展，依靠卫星传感技术为研究不断提供丰富数据支持成为必然。然而，在许多应用中，单个传感器所提供的数据存在信息缺失、一致性差，导致提取的数据并不精确。选自多种传感器的图像源间存在一定的互补关系，同时合并多源数据不仅能够提供某一个场景的一致性解译，而且可以相应地减轻数据类别不确定性的影响。因此，图像融合对于遥感图像解译具有重要意义。海岸带区域作为社会与经济发展的核心地带，其土地利用以及海域使用情况变化剧烈，因此实现海岸带区域的环境资源的有效检测，必然有助于海岸带地区的可持续发展。

目前，对于海岸带区域的遥感图像的解译分类大致分为基于像元的分类方法与基于对象的分类方法。由于受到海陆共同作用，海岸带地物分布情况复杂，提高了分类算法的解译难度，难以达到理想的应用效果。因此，有许多学者提出了不同的改进的海岸带分类算法，例如结合地学知识、dem数据、图斑空间信息、水文与气象数据等进行分类。但由于这种分类方法对海岸带一般是分层对各个地物进行分类，流程繁杂，缺乏自动性。另外基于面向对象的分类方法在很大程度上取决于对象分割的准确度，若是某个对象包含不同的地物类别，而非单一的地物类别，则很容易错判，从而导致整个对象中的像素被错判。

现有基于sar图像与光学图像融合的遥感图像分类算法往往仅考虑不同传感器数据的不确定性，没有充分利用不同传感器数据对不同地物具有不同分辨力的特性，从而造成分类效果不佳。

技术实现要素：

根据上述提出的使用不确定性因子作为传感器数据的可靠性度量的不准确性问题，而提供基于改进可靠性因子的遥感图像融合与海岸带分类方法，针对不同的地物区域，对不同的传感器数据给出不同的可靠性因子，进而实现海岸带的精确分类。

本发明采用的技术手段如下：

一种基于改进可靠性因子的遥感图像融合与海岸带分类方法，其特征在于包括以下步骤：

步骤s1、读取sar图像与光学图像，并对所述sar图像与所述光学图像进行配准，其中所述sar图像为sentinel-1图像，所述光学图像为landsat-8图像第4、3、2波段合成的真彩色图像；

步骤s2、对landsat-8图像的第5波段图像提取海岸线，以海岸线为界，向陆地方向扩300个像素宽的区域作为分类区域，其中线状物的提取选用flf线检测算法；

步骤s3、将所述分类区域分割为均匀区域不均匀区域，包括根据sar图像的熵纹理信息提取出初步的不均匀区域，综合光学图像的灰度值信息得到的得到最终的不均匀区域标记场；

步骤s4、对sar图像与光学图像进行融合分类，提取sar图像的灰度共生矩阵纹理并选定训练数据；

步骤s5、计算sar图像与光学图像融合后的当前像素所属类别的条件概率，并计算每个像素属于每一类的势能，取势能最小的类别标签赋给当前像素作为分类结果；

步骤s6、由所述分类结果的每一类别中提取20％的数据作为训练集，包括对像素所属类别的条件概率排序，提取最高的20％作为新的训练集；

步骤s7、反复执行步骤s5-步骤s6，直到每个像素属于每一类的势能不再变化，则输出最终分类结果。

较现有技术相比，本发明具有以下优点：

本发明提供了一种均匀性度量可靠性因子遥感图像融合与海岸带分类算法，在不确定性因子的基础上，引入一种均匀性度量算子，该算子可将图像分为均匀区域与不均匀区域。然后利用不同传感器对不同地物辨别力的差别(例如sar图像对于不均匀区域的辨别力较强，而光学图像含有丰富的光谱信息，对于没有细节信息的地物类别辨别力较强)，针对不同的地物区域，对不同的传感器数据给出不同的可靠性因子，进而定义了一种改进的势能函数，最终实现海岸带的精确分类。综上，应用本发明的技术方案解决了现有技术中仅使用不确定性因子作为传感器数据的可靠性度量而影响分类精度的问题，可在遥感图像分类领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2a为本发明实施例中厦门地区sentinel-1图像预览。

图2b为本发明实施例中厦门地区谷歌地图图像。

图3a-3l为本发明实施例中本发明算法与对比算法结果对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于改进可靠性因子的遥感图像融合与海岸带分类方法，其特征在于包括以下步骤：

步骤s1、读取sar图像与光学图像，并对所述sar图像与所述光学图像进行配准，其中所述sar图像为sentinel-1图像，所述光学图像为landsat-8图像第4、3、2波段合成的真彩色图像，其具有丰富的光谱信息，可用于分类。

步骤s2、对landsat-8图像的第5波段图像提取海岸线，以海岸线为界，向陆地方向扩300个像素宽的区域作为分类区域，其中线状物的提取选用flf线检测算法。在海岸线提取时，不需要丰富的光谱信息，而且432波段的干扰较多，第5波段对比度高，利于海岸线提取，因此选用第5波段提取海岸线。

步骤s3、将所述分类区域分割为均匀区域与不均匀区域，包括根据sar图像的熵纹理信息提取出初步的不均匀区域，以及综合光学图像的灰度值信息得到的得到最终的不均匀区域。

其中根据sar图像的熵纹理信息提取出初步的不均匀区域包括：

根据公式

计算sar图像的熵纹理信息，其中，pij表示灰度共生矩阵中的像素概率，k表示灰度的级数；以及

设定第一提取阈值，将sar图像的熵纹理信息大于所述第一提取阈值的sar图像记为初步的不均匀区域。

综合光学图像的灰度值信息得到的得到最终的不均匀区域记场包括：

计算光学图像的灰度值；

设定第二提取阈值，提取灰度值大于第二提取阈值的二值图像与初步的不均匀区域相与运算得到最终的不均匀区域标记场。

步骤s4、对sar图像与光学图像进行融合分类，提取sar图像的灰度共生矩阵纹理并选定训练数据；

步骤s5、计算sar图像与光学图像融合后的当前像素所属类别的条件概率，并计算每个像素属于每一类的势能，取势能最小的类别标签赋给当前像素作为分类结果。

计算sar图像与光学图像融合后的当前像素所属类别的条件概率包括根据公式

计算sar图像与光学图像融合后的条件概率，其中maski＝1表示当前像素i处于不均匀区域，而maski≠1表示当前的像素i处于均匀区域，ωb表示人工建筑区域标签，ωb′表示非人工建筑区域的标签，λ′sar,i表示sar图像中第i个像素的不确定性因子，λsar,i表示λ′sar,i归一化后的不确定性因子，λ′optical,i表示光学图像中第i个像素的不确定性因子，λoptical,i表示λ′optical,i归一化后的不确定性因子，xsar,i表示sar图像中第i个像素，xoptical,i表示光学图像中第i个像素，xfused,i表示sar图像中第i个像素与xoptical,i表示光学图像中第i个像素联合后的多维度数据，λe表示常数1，λe′表示常数0，ωj表示类别标签，ep表示极小值0.00001。

提取均匀区域非建筑区类别的可靠性因子：

αsar,i＝λsar,i+λe，αoptical,i＝λoptical,,i+λe′

均匀区域建筑区类别的可靠性因子：

不均匀区域非建筑区类别的可靠性因子：

αs,i＝λs,i+λe

不均匀区域建筑区类别的可靠性因子为：

αs,i＝λs,i+λe′

并计算每个像素属于每一类的势能包括

根据公式

udata(xfused)+usp(c)

＝-{(λsar,i+λ′e)log(p(xsar,i|ωb))+(λoptical,i+λ′e)log(p(xoptical,i|ωb))}+usp(c)

计算若当前像素处于不均匀区域，且判定其属于建筑类别的势能；

根据公式

计算若当前像素处于不均匀区域，且判定其属于非建筑类别的势能；

根据公式

计算若当前像素处于均匀区域，且判定其属于建筑类别的势能；

根据公式

udata(xfused)+usp(c)

＝-{(λsar,i+λe)log(p(xsar,i|ωb′))+(λoptical,i+λ′)log(p(xoptical,i|ωb′))}+usp(c)

计算若当前像素处于均匀区域，且判定其属于非建筑类别的势能；

其中，udata表示数据项udata(xs)＝log(p(xs|c))，usp表示空间项usp(c)＝log(p(c))，c表示类别标签的集合，c＝{c(i,j)；1≤i≤m,1≤j≤n}是对应的所有像素的标签集，其中c(i,j)∈{ω1,ω2,...,ωk}。

步骤s6、由所述分类结果的每一类别中提取20％的数据作为训练集，包括对像素所属类别的条件概率排序，提取最高的20％作为新的训练集；

步骤s7、反复执行步骤s5-步骤s6，直到每个像素属于每一类的势能不再变化，则输出最终分类结果。

本发明旨在研究一种基于sar图像与光学图像海岸带融合分类的方法，以解决现有技术中使用不确定性因子作为传感器数据的可靠性度量的不准确性。提出了一种均匀性度量可靠性因子遥感图像融合与海岸带分类算法，其技术思路是：在不确定性因子的基础上，引入一种均匀性度量算子，该算子可将图像分为均匀区域与不均匀区域。然后利用不同传感器对不同地物辨别力的差别(例如sar图像对于建筑区的辨别力较强，而光学图像含有丰富的光谱信息，对于没有细节信息的地物类别辨别力较强)，针对不同的地物区域，对不同的传感器数据给出不同的可靠性因子，定义了一种改进的势能函数，进而实现海岸带的精确分类。

下面通过具体的应用与对比实例，对发明进行验证：

本发明将对中国厦门地区进行实验。厦门地区图像大小为762×805(该尺寸为sentinel-1图像大小，landsat-8图像需要配准并上采样后达到该尺寸)，该区域的分类类别主要有:人工建筑区、山林以及水域。如图2所示，图2(a)为sentinel-1的预览图像，图中深灰色矩形区域为实验中使用的厦门区域。图2(b)为谷歌地球中分辨率为2.17m的图像。本发明将参考该光学图像对厦门实验地区标注groundtruth图。

本发明算法参数设置：海岸线检测时采用landsat-8图像第5波段，厦门种子点数分别为750，最大迭代次数为10。高斯混合模型采用g＝3混合高斯，图像配准时，控制点对的误差不超过2个像素。海岸带提取选取海岸线陆地方向上300米宽区域分类。分类时，厦门sar图像的灰度共生矩阵窗大小为9，马尔科夫随机场的空间光滑项权重β值为0.01(根据参数性能分析所得)。sar图像的阈值选取为0.4(根据参数性能分析所得)。训练样本选择和停止策略采用与对比算法一致的方式，每次迭代时，选取分类精度前20％的数据作为训练数据集，为了减少算法运行时间并保证算法的准确度，我们选择标签变化率小于5％时，即停止迭代。

仅使用光学图像分类算法参数设置：采用landsat-8图像432波段的真彩色图像分类，厦门的马尔科夫随机场的空间光滑项权重β值分别为0.01。每次迭代时，选取分类精度前20％的数据作为训练数据集，当标签变化率小于5％时，即停止迭代。

仅使用sar图像分类算法参数设置：采用sentinel-1图像灰度共生矩阵纹理分类，厦门的sar图像的灰度共生矩阵窗大小为9。马尔科夫随机场的空间光滑项权重β值为分别为0.01。每次迭代时，选取分类精度前20％的数据作为训练数据集，当标签变化率小于5％时，即停止迭代。

对比算法采用基于像素融合分类算法,其参数设置为：多孔小波变换(àtrouswavelettransform,atwt)分解的层数为3，经验模式分解(empiricalmodedecomposition,emd)分解的层数为3。融合后得到含sar图像信息的高分辨率多光谱图像(基于landsat-8图像4、3、2波段真彩色图像与全色波段锐化(pansharpening)后图像)。厦门的马尔科夫随机场的空间光滑项权重β值为0.01。每次迭代时，选取分类精度前20％的数据作为训练数据集，当标签变化率小于5％时，即停止迭代。

本发明基于可靠性因子的决策层融合分类算法，其参数设置为：厦门的马尔科夫随机场的空间光滑项权重β值分别为0.01。每次迭代时，选取分类精度前20％的数据作为训练数据集，当标签变化率小于5％时，即停止迭代。

图3(a)-(l)分别为厦门地区landsat-8图像的4、3、2真彩色图像与第8波段pansharpening图像、sentinel-1sar图像、中国专利【201810546924.x】中所述算法的海岸线检测结果、光学图像提取的海岸带区域、sar图像提取的海岸带区域、真实标签(groundtruth)、本发明算法结果、用于对比的仅使用光学图像分类结果、用于对比的仅使用sar图像分类结果、用于对比的基于不确定性因子的图像融合分类结果、用于对比的基于经验模式分解的图像融合结果、用于对比的基于像素融合后的分类结果。如图3(g)所示,，本发明算法与真实数据标签的一致性是最高的，其中人工建筑区域与提取的人工建筑区域基本吻合，因此，本发明发明算法分类结果对于人工建筑区域的提取结果具有较好的效果。在图3(g)中水域中间比较窄的地方有断层，这是因为马尔科夫随机场有空间光滑的效果，即数据项的能量本身分辨性能不高，而空间光滑项的能量差距较大时，便能造成这种断层。如图3(h)，仅仅基于光学图像的分类结果可以实现非人工建筑区域分类，但是植被区也会出现一些点状的错误标签。而人工建筑区域则不间隔的错分为植被区，这是因为基于光学图像的分类时，仅仅采用了光学图像的光谱特性，建筑区域中往往夹杂着阴影、黑色的道路以及植被引起的浅灰色板块。而仅仅采用sar图像分类时，如图3(i)所示，对于建筑区域的分类可以达到很好的效果，而那些不在建筑区域的类别，由于单纯的使用电磁波的反射信息，而缺乏细节纹理信息，使在非人工建筑区域产生错分的现象。

对于仅仅使用不确定性作为传感器可靠性度量的图像融合分类结果，如图3(j)所示，由于不能排除在建筑区时，光学图像的不确定性更小，即光学图像对图像融合分类的目标函数贡献比sar图像的贡献更大。而在非人工建筑区域时，也有可能是sar图像的不确定性更小，即sar图像对图像融合分类的目标函数贡献比光学图像的贡献更大。也就是说，该方法是一种没有一种导向性的缺乏目的性的融合。本发明算法由于有人工区域标记场的存在，使得融合具有很强的导向性。即在建筑区域时，发挥出sar图像的优势(利用sar图像对于建筑物的识别率较高的特性)，而在非人工建筑区域，发挥出光学图像的优势(利用光学图像的光谱特征)。对于基于像素融合的分类方法，如图3(l)所示,可以看出虽然融合图像(图3(k))相比光学图像而言，有了sar图像的特性，即在建筑区域存在sar图像的电磁反射信息，但是在非人工区域也带来了一些相干斑噪声。因此，该方法相比仅仅使用光学图像分类的结果，在植被区明显多了一些建筑区的分类标签，即sar图像的噪声带来的效果。也就是说基于经验模式分解的图像融合算法，也应该有一种导向性，才能避免该问题。即在人工建筑区，sar图像的特性更突出，而在非人工区域时，融合的图像中光学图像的光谱特性更加突出。

表1厦门地区实验性能对比

本发明算法检测出结果的精度度量为：制图精度(product’saccuraccy,pa)、用户精度(user’saccuraccy,ua)、总体精度(overallaccuraccy,oa)以及kappa系数。这些参数的值越大，分类效果越好。表1为厦门地区实验性能的对比，相比于仅使用光学图像分类结果、仅适用sar图像分类结果、基于不确定性因子的图像融合分类结果、基于经验模式分解的图像融合结果、基于像素融合后的分类结果，本发明算法的总体精度与kappa系数最大(表1第二行所示)，分别达到93.61％与0.8717，说明本算法的分类效果最优。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。