專利名稱：一種遙感圖像分類方法
技術領域：
本發(fā)明屬于遙感圖像分類技術領域，具體涉及一種利用排序直方譜特征對遙感圖像進行分類的方法。
背景技術：
遙感圖像是按一定的比例尺，客觀真實地記錄和反映地表物體的電磁輻射的強弱信息，是遙感探測所獲得的遙感信息資料的一種表現(xiàn)形式。所以遙感技術的核心問題是根據(jù)地物輻射電磁輻射強弱在遙感圖像上表現(xiàn)的特征，判讀識別地面物體的類屬及其分布特征。在遙感圖像技術的研究中，無論是專業(yè)信息提取，運動變化預測，還是專題地圖制作和遙感數(shù)據(jù)庫的建立等都離不開分類，對照地面地物類型，便可以從圖像上地物的識別。隨著近年來計算機技術的飛速發(fā)展，計算機識別分類成了遙感技術應用的一個重要組成部分。遙感圖像數(shù)據(jù)類別多，合混度大，如何解決多類別分類識別并滿足一定的分類精度，是當前遙感圖像研究中的一個關鍵問題，也是人們關注的焦點。
在目前的遙感圖像分類應用中，用的較多的方法有共生矩陣，行程長度，加博(Gabor)的一階二階矩。其中，共生矩陣和行程長度由于只對圖像在空間域的特性進行分析，而Gabor的一階二階矩的統(tǒng)計量過分簡單，所以分類能力都非常有限。

發(fā)明內(nèi)容
本發(fā)明的目的在于，提供一種遙感圖像分類方法，該方法能達到分類的高準確率。
本發(fā)明按照以下步驟完成(1)在參考遙感圖像上截取若干小塊作為訓練樣本；(2)設計加博(Gabor)濾波器組，將頻率域分解至S個尺度和T個角度，使用濾波器組對所有訓練樣本進行濾波，得到訓練樣本的濾波圖像集合，記為P；(3)從P中提取基于不同尺度的濾波圖像集合，通過分別計算該集合中濾波圖像最小值和最大值的平均值，得到該集合對應的直方圖統(tǒng)計范圍[Qmin(l)，Qmax(l)](l＝1，2，...，S)，將該范圍平均分成小區(qū)間，得到相應的直方圖區(qū)間劃分方式[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，...，c)其中，range=Qmax(l)-Qmin(l)c,]]>c為區(qū)間個數(shù)；(4)按照以下步驟提取每個訓練樣本基于不同尺度的排序直方譜特征向量(4.1)從P中提取一個訓練樣本基于某尺度的濾波圖像集合，根據(jù)基于該尺度的濾波圖像集合的直方圖區(qū)間劃分方式，得到其對應的直方圖集合和特征值集合；(4.2)對直方圖集合里的元素按照特征值集合里對應元素的值的大小進行排序，得到訓練樣本基于該尺度的排序直方譜特征向量；(4.3)按照步驟(4.1)-(4.2)的方式，遍歷所有訓練樣本和尺度，得到每個訓練樣本基于不同尺度的排序直方譜特征向量；(5)使用χ2統(tǒng)計距離，根據(jù)步驟(4)得到的排序直方譜特征向量對訓練樣本進行聚類，得到最佳分類尺度；(6)將待分類圖像分成小塊，按照步驟(4.1)-(4.2)的方式計算每個小塊基于最佳分類尺度的排序直方譜特征向量；根據(jù)排序直方譜特征向量，使用分類器依次對小塊分類并標記，最終得到整幅圖像的分類結(jié)果。
本發(fā)明同時對空間域和頻率域進行分析，能夠獲取更多有助于分類的圖像紋理信息；計算排序直方譜特征向量，并將其作為本發(fā)明所需統(tǒng)計量，使得分類結(jié)果更為精確。


圖1為本發(fā)明的總體流程圖；圖2為提取每個訓練樣本基于不同尺度的排序直方譜特征向量流程圖；圖3為提取訓練樣本基于不同尺度的排序直方譜特征向量的示例圖
其中，圖3a為農(nóng)田訓練樣本；圖3b為該訓練樣本在第4個尺度下的6個直方圖；圖3c為該訓練樣本在第4個尺度下的排序直方譜；圖4為本發(fā)明對待分類圖像分類的流程圖；圖5為本發(fā)明關于遙感大圖子塊劃分方式的示意圖；圖6為本發(fā)明與一般方法的分類準確率比較圖。
具體實施例方式
下面結(jié)合附圖和實施例對本發(fā)明做詳細說明。
(1)截取訓練樣本。
假定待分類遙感圖像有M類區(qū)域需要劃分。在參考遙感圖像上，分別在每個類型所屬區(qū)域中截取若干小圖作為訓練樣本，令第m類事物的第n個訓練樣本為Imn。要求每一類的訓練樣本能夠體現(xiàn)該類區(qū)域的所有基本特征。從理論上說，各訓練樣本大小可以不相同，但是為了編制程序的方便和達到更穩(wěn)定的分類效果，本發(fā)明建議使用大小相同的小圖，本發(fā)明取小圖大小為50像素*50像素。
(2)使用加博(Gabor)濾波器組得到濾波圖像集合。
(2.1)設計Gabor濾波器組。
濾波器組的設計必須滿足設計的濾波器組能夠覆蓋頻率域。設計將頻率域分解至S個尺度和T個角度的Gabor濾波器組，則該濾波器組一共有S*T個濾波器，令第l個尺度，第r個角度的Gabor濾波器為Glr。一般采用4個尺度和6個角度。例如，采用4個尺度，其對應的中心頻率分別為0.05，0.1，0.2和0.4，6個角度分別為0，30，60，90，120，150度，一共24個濾波器。
(2.2)得到訓練樣本的濾波圖像集合。
對應于每一個訓練樣本和每一個濾波器，可以得到一幅濾波圖像。例如，對于訓練樣本Imn和濾波器Glr，通過卷積運算，得到濾波后的圖像Fm,nl,r=con(Inm*Glr).]]>利用Gabor濾波器組對所有訓練樣本進行濾波，得到包括A*S*T(A為訓練樣本總數(shù))幅濾波圖像的濾波圖像集合，記為P。
(3)獲取基于不同尺度的濾波圖像集合，計算其對應的直方圖區(qū)間劃分方式。
通過不同尺度的Gabor濾波器，可以得到差異很大的濾波圖像。一幅濾波圖像的區(qū)間分布就叫做這幅濾波圖像的直方圖，任何一幅圖像通過一組濾波器，都可以得到一組濾波圖像，以及相應的一組直方圖。
從P中提取基于不同尺度的濾波圖像集合，對每個集合中的濾波圖像采用相同的統(tǒng)計區(qū)間計算直方圖，步驟如下(3.1)確定基于不同尺度的濾波圖像集合的直方圖統(tǒng)計范圍。
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)為基于第l個尺度的濾波圖像集合的直方圖統(tǒng)計范圍。
(3.2)確定基于不同尺度的濾波圖像集合的直方圖統(tǒng)計區(qū)間。
將步驟(3.1)得到的直方圖統(tǒng)計范圍均勻分成c個區(qū)間(一般取c為10)，則第l個尺度對應的直方譜區(qū)間長度range=Qmax(l)-Qmin(l)c,]]>其第z個直方譜統(tǒng)計區(qū)間是[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，...，c)。
(4)提取每個訓練樣本基于不同尺度的排序直方譜特征向量。
訓練樣本Imn在第l個尺度下提取排序直方譜特征向量，按照以下步驟完成(4.1)計算訓練樣本Imn基于第l個尺度的濾波圖像直方圖集合。
定義濾波圖像Fm，nl，r的直方圖為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).]]>同時，定義Um,nl,r=max{Hm,nl,r(z),z=1,2...,c}]]>為Hm，nl，r的特征值。
訓練樣本Imn通過第l個尺度下不同角度的濾波器濾波后，可以得到T幅濾波圖像的集合為{Fm，nl，1，F(xiàn)m，nl，2，...，F(xiàn)m，nl，T}，這些濾波圖像相應的直方圖的集合為{Hm，nl，1，Hm，nl，2，...，Hm，nl，T}，對應的特征值的集合為{Um，nl，1，Um，nl，2，...，Um，nl，T}。
(4.2)對集合內(nèi)的直方圖進行排序。
由步驟(4.1)，得到訓練樣本Imn在第l個尺度下的直方圖的集合為{Hm，nl，1，Hm，nl，2，Hm，nl，T}。對集合內(nèi)的所有直方圖依據(jù)其特征值由大到小依次排序(由小到大也有效)，得到訓練樣本Imn在第l個尺度下的排序直方譜特征向量Pm,nl=Order{Hm,n,l,1Hm,n,......,l,2Hm,nl,T},]]>如圖3所示，圖3a為截取的農(nóng)田類型的訓練樣本；在第4個尺度下，可以得到6個濾波圖像直方圖的集合，如圖3b所示；將這些直方圖按照特征值大小進行排序得到排序直方譜特征向量，如圖3c所示。
按照步驟(4.1)-(4.2)，遍歷所有訓練樣本和尺度，得到每個樣本在每個尺度下的排序直方譜特征向量，如圖2所示。
(5)選擇最佳分類尺度分別在每個尺度下，使用χ2統(tǒng)計距離，對訓練樣本進行聚類。得到最高分類正確率的尺度即為本發(fā)明使用的最佳分類尺度。
(6)對待分類遙感圖像進行分類，如圖4所示。
(6.1)提取待分類遙感圖像的排序直方譜特征向量。
將待分類的遙感圖像分成子塊，如圖5所示。使用步驟(5)中得到的最佳分類尺度，按照步驟(4.1)-(4.2)計算每個子塊小圖的排序直方譜特征向量。
(6.2)使用分類器分類使用適當?shù)姆诸惼?，根?jù)每個子塊小圖的排序直方譜特征向量得到所有小圖的分類結(jié)果。還原到大圖，最終得到整個遙感圖像的分類結(jié)果。可以使用的分類器有KNN，SVM，Adaboost以及神經(jīng)網(wǎng)絡等，本發(fā)明推薦使用χ2距離的1NN分類器。
下面將詳細描述描述本發(fā)明的一個實施例。
在該實施例中，待分類遙感圖像有三類區(qū)域需要劃分居民區(qū)，農(nóng)田區(qū)，植被區(qū)。在參考遙感圖像上，分別截取這三種區(qū)域類型各100幅小圖作為訓練樣本，樣本大小為50象素*50象素。
設計將頻率域分解至4個尺度和6個角度的Gabor濾波器組。采用4個尺度，其對應的中心頻率分別為0.05，0.1，0.2，0.4，6個角度分別為0，30，60，90，120，150度，一共24個濾波器。
將所有訓練樣本與濾波器組卷積，得到濾波圖像集合。根據(jù)步驟(3.1)中公式進行計算，分別得到4個基于不同尺度的直方圖范圍。將每個尺度對應的直方譜范圍均勻分為10個區(qū)間，統(tǒng)計每個濾波圖像的直方圖，并選擇其中最大的一維作為它的特征值。一個訓練樣本在每個尺度下有6個直方圖。將這些直方圖按其特征值由大到小排序，從而得到訓練樣本在該尺度下的排序直方譜特征向量。
分別在每個尺度下，使用χ2統(tǒng)計距離，對訓練樣本進行聚類，得到最佳分類尺度為第4個尺度。將待分類的遙感圖像分成子塊，使用第4個尺度，計算每個子塊的排序直方譜特征向量，然后使用χ2距離的1NN分類器對子塊分類，得到字塊分類結(jié)果。對每個子塊重復上述步驟，得到所有小圖的分類結(jié)果，最終得到整個遙感圖像的分類結(jié)果。
使用同樣的樣本和分類器，得到的分類準確率如圖6所示，從中可以看出，與一般方法相比，本發(fā)明有著更精確的分類結(jié)果。
還應理解，因為附圖中所述的某些方法步驟可以軟件形式來實現(xiàn)，所以過程步驟之間的實際連接可能有所不同，具體視本發(fā)明的編程方式而定。基于此處提出的本發(fā)明原理，相關領域的普通專業(yè)人員可以設想本發(fā)明的這些以及類似實施方案。
權利要求
1.一種遙感圖像分類方法，其特征是，該方法包括以下步驟(1)在參考遙感圖像上截取若干小塊作為訓練樣本；(2)設計加博(Gabor)濾波器組，將頻率域分解至S個尺度和T個角度，使用濾波器組對所有訓練樣本進行濾波，得到訓練樣本的濾波圖像集合，記為P；(3)從P中提取基于不同尺度的濾波圖像集合，通過分別計算該集合中濾波圖像最小值和最大值的平均值，得到該集合對應的直方圖統(tǒng)計范圍[Qmin(l)，Qmax(l)](l＝1，2，…，S)，將該范圍平均分成小區(qū)間，得到相應的直方圖區(qū)間劃分方式[Qmin(l)+range*(z-1)，Qmin(l)+range*z](z＝1，2，…，c)其中，range=Qmax(l)-Qmin(l)c,]]>c為區(qū)間個數(shù)；(4)按照以下步驟提取每個訓練樣本基于不同尺度的排序直方譜特征向量(4.1)從P中提取一個訓練樣本基于某尺度的濾波圖像集合，根據(jù)基于該尺度的濾波圖像集合的直方圖區(qū)間劃分方式，得到其對應的直方圖集合和特征值集合；(4.2)對直方圖集合里的元素按照特征值集合里對應元素的值的大小進行排序，得到訓練樣本基于該尺度的排序直方譜特征向量；(4.3)按照步驟(4.1)-(4.2)的方式，遍歷所有訓練樣本和尺度，得到每個訓練樣本基于不同尺度的排序直方譜特征向量；(5)使用χ2統(tǒng)計距離，根據(jù)步驟(4)得到的排序直方譜特征向量對訓練樣本進行聚類，得到最佳分類尺度；(6)將待分類圖像分成小塊，按照步驟(4.1)-(4.2)的方式計算每個小塊基于最佳分類尺度的排序直方譜特征向量；根據(jù)排序直方譜特征向量，使用分類器依次對小塊分類并標記，最終得到整幅圖像的分類結(jié)果。
全文摘要
一種遙感圖像分類方法，其步驟為①在參考遙感圖像上，分別在不同類型的區(qū)域中，截取小圖作為訓練樣本；②設計加博(Gabor)濾波器，將頻率域分解至不同的尺度與角度，對訓練樣本進行濾波，得到濾波圖像集合；③計算每個訓練樣本在不同尺度下的排序直方譜特征向量；④通過對訓練樣本進行聚類，得到最佳分類尺度；⑤將待分類遙感圖像分成子塊，使用④中得到的尺度，計算子塊的排序直方譜特征向量；⑥使用分類器依次對子塊進行分類，最終得到待分類遙感圖像的分類結(jié)果。本發(fā)明能對遙感圖像有效分類，操作簡便，分類效率高。
文檔編號G01S17/00GK101067659SQ20071005241
公開日2007年11月7日 申請日期2007年6月8日 優(yōu)先權日2007年6月8日
發(fā)明者曹治國, 范繹, 卓問, 肖陽 申請人:華中科技大學