针对遥感影像地表覆盖分类的最优分割尺度确定方法
【技术领域】
[0001] 本发明设及遥感影像的处理方法，特别是针对遥感影像地表覆盖分类的最优分割 尺度确定方法，属于图像处理领域。
【背景技术】
[0002] ±地覆盖指自然营造物和人工建筑物所覆盖的地表诸要素的综合体，包括地表植 被、±壤、湖泊、沼泽湿地及各种建筑物（如道路、房屋等）。±地覆盖是全球环境变化的重 要强迫因子，近些年来受到了越来越多研究者的关注。
[0003] 随着遥感科学技术的发展，遥感影像的分辨率越来越高，该为多种空间尺度上地 表覆盖的制图提供了可行性。遥感影像的分类是地表覆盖制图中的重要环节，决定了地表 覆盖制图的质量。目前，进行遥感影像分类的方法主要分为两大类；（1)面向像素的方法， (2)面向对象的方法。
[0004] 像素是遥感影像的基本单元，利用像素的统计信息进行遥感影像的分类是最简 洁、有效的方法。然而，在中、高尺度的遥感影像中，单个像素对应的地面面积较小。因此受 地面复杂度的影响，利用基于像素的方法进行遥感影像分类会产生大量的'胡椒盐'噪点。 该大大降低了遥感影像分类的精度。
[0005] 为了克服基于像素的方法产生的'胡椒盐'噪点，一种结合地物纹理及空间信息的 分类方法悄然兴起一-面向对象的分类。不同于基于像素的方法，面向对象的方法首先将 遥感影像分割为光谱均质、空间连续的的独立对象，然后将对象进行分类处理。该样可W有 效的去除'胡椒盐'噪点，提高分类精度。然而，影像分割获得的对象的大小取决于影像的 分割尺度参数。较大的分割尺度会导致地物被低分割，相反，较小的分割尺度会导致地物被 过分割。很显然就证明，影像的过分割与低分割都会导致分类精度的降低，参见Liu化Xia F.Assessingobject-basedclassification:advantagesandlimitations[J].Remote SensingLetters, 2010, 1(4): 187-194.。不幸的是，最优尺度的确定往往需要对不同的分 割尺度进行试验，并依靠经验判定最优分割尺度。该不仅需要耗费大量的人力，而且很难保 证获得的最优尺度的准确性。
[0006] 近些年来，众多研究者都致力于解决影像分割最优尺度的选择问题。Lucian Dragut(2009)等提出利用局部方差自动确定图像的最优分割尺度，参见〇1'5阱！^1'16(16 D,LevickS民.ESP:atooltoestimatescaleparameterformultiresolutionimage segmentationofremotelysenseddata[J].InternationalJournalofGeographical InformationScience, 2010, 24巧）：859-871.该方法对于影像上所有的对象使用同一个最 优尺度。然而在大多数情况下，一幅影像中的对象大小各异，将同一分割尺度应用于不同 大小的对象进行分割显然是不合理的。此外，T.Esch(2008)等提出了一种自动确定不同对 象各自最优分割尺度的方法，参见EschT,ThielM,BockM，etal.Improvementofimage segmentationaccuracybasedonmultiscaleoptimizationprocedure[J].Geoscience andRemoteSensingLetters,I邸E, 2008, 5(3) :463-467?但是大量的参数被用于最优尺 度的确定，该导致整个算法变得相当的复杂。同时，对于不同的应用目的而言，即使同一幅 图像也存在不同的最优分割尺度。比如，当把房屋作为需要提取的对象时需要一个相对较 大的尺度，但当把汽车作为需要提取对象时却需要一个相对较小的尺度。因此，我们迫切需 要一种能够自动确定影像中不同对象最优分割尺度的方法。
【发明内容】
[0007] 为此本发明提供了针对遥感影像地表覆盖分类的最优分割尺度确定方法，该方法 可减少或避免前面所提到的问题。
[000引为解决上述问题，本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定 方法，其包括如下步骤：
[0009] 步骤A，遥感影像的多尺度分割与分类；
[0010] 该步骤利用能够生成多尺度分割结果的分割软件获取多尺度的分割结果，并融合 像素级的样本信息计算分割后每个影像对象的平均光谱，并对平均光谱进行分类，获取不 同分割尺度下各对象的分类结果W及后验概率矢量；
[0011] 步骤B，基于滴信息的最优尺度选择；
[0012] 该步骤根据步骤A获得的多尺度的后验概率矢量，对每一个对象按分割尺度递增 的顺序分别计算后验概率的滴，滴的计算公式如下：
[001 引
[0014] 其中Pi表示对象属于第i类的概率，n代表类别个数，选择滴值最小的分割尺度作 为该对象的最优分割尺度，并令最优分割尺度下对象的分类结果作为对象的最终类别。
[0015] 进一步讲，所述步骤A的具体实现方法为：
[0016] 首先对遥感影像进行多个尺度的分割，多分割尺度的选择根据影像的DN值或反 射率的范围确定，分割时，根据图像特征设置形状因子与紧致度因子；
[0017]其次，根据选择的分割尺度范围在分割软件中创建规则集，并按照尺度从大到小 或从小到大的顺序逐级分割；
[0018] 然后，将多尺度分割结果的对象形成编号文件，依次导出为栅格影像，栅格影像中 每个像素对应的值就是所在对象的编号；
[0019] 再然后，根据获得的影像分割后对象的编号文件，W及原始的多波段影像，分别计 算每一个分割尺度下每个对象的平均光谱，获取多尺度的平均光谱数据；
[0020] 最后，从原始的多波段影像中选取训练样本对上述得到的不同尺度下的对象平均 光谱影像分别进行分类，选取的训练样本要求有典型性、随机性；
[0021] 在分类的同时，获取多个尺度下的对象的后验概率矢量，对于某一分割尺度上的 一个对象而言，其后验概率矢量表示如下：
[002引P=化，. .，Pi. . .，P。）
[0023] 其中Pi表示对象属于第i类的概率，n代表类别个数。
[0024] 其中较佳的，所述形状因子设置为0.2,紧致度因子设置为0.5。
[0025] 其中较佳的，分割尺度的选择，是按照尺度的增大，尺度间隔也随之增大的原则进 行。
[0026] 本发明方法通过融合基于像素与面向对象两种方法，并充分利用样本信息进行遥 感影像分类。该方法有效克服了传统的面向像素方法产生大量'胡椒盐'噪点的问题，同时 实现了对象最优尺度的自动选择，为地表覆盖的制图提供了一种行之有效的方法。
[0027] 本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变 得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明 书、权利要求书、W及附图中所特别指出的结构来实现和获得。
【附图说明】
[002引 W下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
[0029] 图1为根据本发明的一个具体实施例的针对遥感影像地表覆盖分类的最优分割 尺度选择算法的流程示意图；
[0030] 图2为本发明提供的方法的原理示意图；
[0031]图3为根据本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法 进行分类，W及利用基于像素方法、不同分割尺度面向对象方法进行分类得到的结果的总 体精度统计图；
[0032]图4为根据本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法 进行分类，W及利用基于像素的方法、最优单尺度面向对象的方法进行分类得到的结果的 总体精度随样本量变化统计图。
【具体实施方式】
[0033] 为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体 实施方式。但本领域的技术人员应该知道，W下实施例并不是对本发明技术方案作的唯一 限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为属于本发 明的保护范围。
[0034]图1为根据本发明的一个具体实施例的针对遥感影像地表覆盖分类的最优分割 尺度确定方法的流程示意图；参照图1所示，下面详细说明根据本发明提供的针对遥感影 像地表覆盖分类的最优分割尺度确定方法的原理，所述方法包括如下两大步骤：
[0035] 步骤A，遥感影像的多尺度分割与分类；
[0036] 步骤B，基于滴信息的最优尺度选择。
[0037] 对于遥感影像而言，在进行本发明处理过程之前，首先需要对影像进行大气纠正， 去除大气影响。同时对于高光谱影像而言，为了减少计算量，本发明建议首先利用主成分分 析（PCA)对高光谱影像进行降维处理。主成分分析（PCA)是公知的方法。
[003引下面分别对步骤A和步骤B予W详细介绍：
[0039] 步骤A，遥感影像多尺度的分割与分类
[0040] 本发明融合了基于像素与面向对象两种方法，对于面向对象的方法而言，首先需 要对遥感影像进行分割处理。因此，本实施例使用eCognition8. 9软件首先对遥感影像进 行多个尺度的分割，实际上eCognition的所有版本都可W，其他分割算法软件如果能够生 成多个尺度的分割结果，同样适用于本方法。经验确定，分割时，形状因子设置为0.2,紧 致度因子设置为0. 5较好。多级分割尺度的选择可w根据影像的DN值或反射率的范围确 定，本实例选择的多级分割尺度为 100、120、140、160、180、200、240、280、320、360、400、46