專利名稱：高光譜遙感圖像聯(lián)合加權(quán)隨機(jī)分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種高光譜遙感圖像聯(lián)合加權(quán)隨機(jī)分類方法，對(duì)預(yù)處理后的高光譜遙感圖像進(jìn)行高精度快速分類，是遙感影像分類決策的一項(xiàng)核心技術(shù)，在各類軍用或民用的遙感信息處理系統(tǒng)、數(shù)字城市空間信息系統(tǒng)等領(lǐng)域中均可有廣泛的應(yīng)用。
對(duì)遙感圖像的分類機(jī)理進(jìn)行歸納，可以認(rèn)為它包含兩個(gè)基本的要求分類的速度和分類精度。前者在提高計(jì)算機(jī)硬件物理性能的條件下，算法設(shè)計(jì)盡可能減少人工干預(yù)。因?yàn)闇p少人工干預(yù)的任何自動(dòng)處理過程，都包含著快速性的內(nèi)涵。而后者則需要在算法設(shè)計(jì)時(shí)進(jìn)行通盤考慮，同時(shí)結(jié)合地理信息系統(tǒng)(GIS)等其它高技術(shù)。比如，利用GIS的空間數(shù)據(jù)就可以提高遙感圖像的分類精度。如果通過圖像光譜特性間接反映各種地物的差異來實(shí)現(xiàn)其目標(biāo)識(shí)別，會(huì)常常發(fā)生“同物異譜”和“異物同譜”現(xiàn)象，降低分類的精度。而引入GIS空間數(shù)據(jù)，并將它作為圖像分類處理的輔助信息，就可以提高分類的可信度。
目前，遙感圖像的分類方法很多，常用的分類器有基于貝葉斯準(zhǔn)則的最大似然法、系統(tǒng)聚類分析、多級(jí)切割分類器、決策樹分類器、最小距離法、光譜角度填圖、模糊分類器以及神經(jīng)網(wǎng)絡(luò)分類器等?？偟膩碚f，這些分類器設(shè)計(jì)的途徑是在隨機(jī)理論的基礎(chǔ)上，結(jié)合其它應(yīng)用技術(shù)來進(jìn)行，并且可劃分為非監(jiān)督和監(jiān)督分類兩種基本類型。其中，非監(jiān)督分類不需要選擇已知區(qū)進(jìn)行訓(xùn)練，簡(jiǎn)單易行，但結(jié)果不一定最佳；監(jiān)督分類事先要有已知區(qū)進(jìn)行訓(xùn)練，然后用于整個(gè)研究區(qū)，這樣得到的結(jié)果好解釋，而且分類的精度也高。
目前，隨著遙感器性能的不斷提高，高光譜、高分辨率遙感圖像成為研究分類時(shí)最常用的對(duì)象之一，它具有很高的圖像清晰度和光譜分辨率高的特點(diǎn)。因此，處理時(shí)，僅用一種分類算法是不夠的，它不能滿足對(duì)圖像的分類精度要求。此外，由于高光譜圖像的大小一般為幾百兆的數(shù)量級(jí)，應(yīng)用現(xiàn)有這些方法進(jìn)行圖像分類決策時(shí)，處理速度也是一個(gè)須解決的問題。究其原因，是由于現(xiàn)有方法本身的局限性造成的，所以需研究新的算法。
為實(shí)現(xiàn)這樣的目的，本發(fā)明的技術(shù)方案中，利用遙感圖像處理與開發(fā)平臺(tái)ENVI/IDL提供的開發(fā)語言，針對(duì)高光譜圖像的文件大小及計(jì)算機(jī)的處理速度，給出一定的權(quán)系數(shù)，用改進(jìn)的自適應(yīng)最小距離法對(duì)其進(jìn)行粗分類。然后，按照另一個(gè)加權(quán)系數(shù)，以誤差準(zhǔn)則和為準(zhǔn)則函數(shù)，利用聚類的反復(fù)迭代完成精分類。最后根據(jù)對(duì)分塊圖像的分類結(jié)果進(jìn)行拼接，獲得整幅高光譜遙感圖像的分類圖像。
本發(fā)明的方法包括如下具體步驟1.高光譜圖像數(shù)據(jù)特性的提取根據(jù)應(yīng)用的需求，獲得配準(zhǔn)后待分類的高光譜圖像文件，通過ENVI/IDL遙感圖像處理與開發(fā)平臺(tái)提供的接口函數(shù)，取得它們的特性數(shù)據(jù)，包括文件大小，空間分辨率以及圖像高光譜遙感圖像的波段數(shù)等。
2.高光譜圖像的數(shù)據(jù)分塊以高光譜圖像的空間分辨率為標(biāo)準(zhǔn)，通過WINDOWS2000操作系統(tǒng)的API函數(shù)，自動(dòng)獲取計(jì)算機(jī)的內(nèi)存與CPU處理速度等指標(biāo)后，根據(jù)高光譜圖像文件對(duì)應(yīng)的數(shù)據(jù)量的大小將其分割為幾個(gè)連續(xù)的數(shù)據(jù)塊(數(shù)目為高光譜圖像數(shù)據(jù)量/計(jì)算機(jī)內(nèi)存量)。并對(duì)各數(shù)據(jù)塊進(jìn)行編號(hào)。
3.循環(huán)調(diào)入對(duì)應(yīng)的高光譜圖像數(shù)據(jù)塊，根據(jù)算式計(jì)算分類樣本集的中心及半徑，并記住類別號(hào)，然后將所有的樣本點(diǎn)作為待分點(diǎn)，按改進(jìn)的自適應(yīng)最小距離法準(zhǔn)則函數(shù)進(jìn)行第一次粗分類。
4.根據(jù)粗分類結(jié)果，結(jié)合原始圖像，給定精分類精度，進(jìn)行K-平均的數(shù)據(jù)塊樣本精分類，期間，須反復(fù)迭代，直到各樣本集的分類精度達(dá)到分類要求。
5.分類圖像數(shù)據(jù)塊的重新的拼接，將高光譜圖像數(shù)據(jù)塊的分類塊按前述的分割順序進(jìn)行重新拼接，組成新的分類圖像。
本發(fā)明的特色在于，提出高光譜遙感粗分類和精分類的二次處理算法，對(duì)所取得的結(jié)果，無論是目視解釋還是定量評(píng)價(jià)，它可提高約10％的總體分類精度。同時(shí)，由于進(jìn)行了數(shù)據(jù)分塊，將各數(shù)據(jù)塊依次調(diào)入計(jì)算機(jī)內(nèi)存，能顯著地提高計(jì)算機(jī)處理速度。本發(fā)明提出的方法可廣泛地用于高光譜遙感圖像數(shù)據(jù)的分類處理，在提高處理速度的條件下獲得更加可靠的遙感分類圖像。
如

圖1所示，首先利用基于Windows的ENVI/IDL開發(fā)平臺(tái)提供的接口函數(shù)來獲取高光譜與全色圖像的特性數(shù)據(jù)。將高光譜圖像特性數(shù)據(jù)按一定的比例進(jìn)行數(shù)據(jù)分塊。循環(huán)調(diào)入高光譜圖像數(shù)據(jù)塊，按一定的準(zhǔn)則函數(shù)對(duì)各對(duì)應(yīng)的數(shù)據(jù)塊進(jìn)行自適應(yīng)最小距離法的粗分類。根據(jù)此分類結(jié)果，結(jié)合原始圖像，給定精分類精度，實(shí)施圖像數(shù)據(jù)塊的二次精分類。最后，按原先的圖像分割順序，進(jìn)行分類結(jié)果的重新接接，得到最終的總分類圖像。
圖2為本發(fā)明采用的方法與其它方法的融合效果對(duì)比。
其中，圖2(a)的OMIS高光譜遙感圖像，本算例取其波段117，文件大小662像元×686像元，空間分辨率20m。圖像中包含土地(農(nóng)田)、建筑物、綠地和水體等多種地物。圖2(b)利用非監(jiān)督分類進(jìn)行的圖像分類結(jié)果。圖2(c)是利用最大似然法的分類結(jié)果，圖2(d)是本發(fā)明方法進(jìn)行的分類結(jié)果，從中可以看出，本發(fā)明所獲得圖像的目視效果明顯優(yōu)于其它兩種方法。
圖1為本發(fā)明提出的一種用于高光譜遙感圖像分類處理的總體框圖，數(shù)據(jù)文件的輸入是圖2(a)的OMIS高光譜遙感圖像，取其波段117，文件大小662像元×686像元，空間分辨率20m。圖像中包含土地(農(nóng)田)、建筑物、綠地和水體等多種地物。各部分具體實(shí)施細(xì)節(jié)如下1.數(shù)據(jù)特性的提取，獲得高光譜與全色圖像的特性數(shù)據(jù)利用ENVI/IDL開發(fā)平臺(tái)的ENVI_DISPLAY_BANDS函數(shù)，可以顯示出文件的大小、波段數(shù)及空間分辨率等。
2.高光譜圖像的數(shù)據(jù)分塊，利用ENVI/IDLIDL的C語言接口調(diào)用WINDOWS2000操作系統(tǒng)提供的API函數(shù)，獲取計(jì)算機(jī)的硬件特性，如CPU處理速度、內(nèi)存大小后，按高光譜文件數(shù)據(jù)量/內(nèi)存的比例進(jìn)行高光譜數(shù)據(jù)文件的分塊。
3.改進(jìn)自適應(yīng)最小距離法的粗分類，循環(huán)調(diào)入高光譜圖像數(shù)據(jù)塊，根據(jù)下述計(jì)算式計(jì)算分類樣本集的中心及半徑，并編好類別號(hào)，利用最小距離法的準(zhǔn)則函數(shù)進(jìn)行第一次粗分類。
在每一個(gè)數(shù)據(jù)塊中，設(shè)訓(xùn)練樣本分為N個(gè)類別W1、W2、…、Wn，訓(xùn)練樣本中每個(gè)類別的標(biāo)準(zhǔn)樣本為該類別訓(xùn)練樣本的中心，即Ci=1miΣj=1miXi---(1)]]>式中mi——第Wi類的樣本個(gè)數(shù)；Xi——樣本總數(shù)；待分類的點(diǎn)P到某一點(diǎn)的距離可定義為Di(P)＝‖P-Ci‖i＝1，2，…，n (2)由于一幅圖像可以看作為一個(gè)二維函數(shù)f(x，y)，對(duì)式(2)引入輸入空間的歐氏距離進(jìn)行改進(jìn)，則d(X,Y)=||X-Y||=Σi=1n(xi-yi)2---(3)]]>因此，分類的準(zhǔn)則函數(shù)是di(P)＜dj(p)，j≠iP∈Wi(4)4.數(shù)據(jù)塊K-平均的精分類根據(jù)粗分類結(jié)果，按最小距離的原則選取一些代表點(diǎn)作為聚類的核心，然后把其余的待分點(diǎn)根據(jù)判斷準(zhǔn)則分到各類中去完成初始分類。之后重新計(jì)算各聚類中心，進(jìn)行下一次迭代，直至滿足精度要求。其中，精分類后的圖質(zhì)量與非監(jiān)督分類和最大似然法分類的比較結(jié)果如表1所示。計(jì)算式是將N個(gè)樣本分成K個(gè)聚類，計(jì)算每個(gè)聚類的均值M1、M2、…、Mk和Je，Mi=1NiΣy∈wiy---(5)]]>Je=Σi=1kΣy∈wi||y-Mi||2---(6)]]>式中Ni——第i個(gè)聚類Wi中的樣本數(shù)目；Mi——樣本的均值；Je——樣本集y和類別集Ω的誤差平方和準(zhǔn)則函數(shù)。
表1 各種分類方法的精度與速度對(duì)比

式(5)實(shí)際上說明了初始凝聚點(diǎn)的選取、對(duì)初始分類重新計(jì)算聚類中心Mi，然后再修改聚類中心，以便進(jìn)行下一次迭代，其過程為。
(1)選取一訓(xùn)練樣本y，設(shè)y處于Wi中，若，Ni＝1，說明類Wi不存在，按式(5)、(6)重新計(jì)算，反之把y從Wi放入Wj中，按下式計(jì)算誤差平方和的改變量ΔJi=Ji-Ji′=NiNi-1||y-Mi||2---(7)]]>ΔJk=Jk′-Jk=NkNk+1||y-Mk||2---(8)]]>如果ΔJi＞ΔJk成立，則允許轉(zhuǎn)入下一個(gè)樣本，重新按步驟(1)選定新樣本，否則，進(jìn)行下一步。
(2)對(duì)于所有的j，若ΔJk=min[ΔjJj],]]>則把y從Wi移到Wj中去。
(3)重新計(jì)算Mi和Mk的值，并修改Je。
(4)若連續(xù)迭代到N次后，Je不再改變，則迭代停止，確定分類，否則轉(zhuǎn)步驟(1)。
5.分類圖像數(shù)據(jù)塊的重新拼接將高光譜圖像數(shù)據(jù)塊的分類塊按前述的分割順序進(jìn)行重新拼接，組成新的分類圖像，結(jié)果如圖2(d)所示。
權(quán)利要求
1.一種高光譜遙感圖像聯(lián)合加權(quán)隨機(jī)分類方法，其特征在于包括如下具體步驟1)高光譜圖像數(shù)據(jù)特性的提取根據(jù)應(yīng)用的需求，獲得配準(zhǔn)后待分類的高光譜圖像文件，通過遙感圖像處理與開發(fā)平臺(tái)ENVI/IDL提供的接口函數(shù)，取得它們的特性數(shù)據(jù)，包括文件大小，空間分辨率以及圖像高光譜遙感圖像的波段數(shù)；2)高光譜圖像的數(shù)據(jù)分塊以高光譜圖像的空間分辨率為標(biāo)準(zhǔn)，通過WINDOWS2000操作系統(tǒng)的API函數(shù)，自動(dòng)獲取計(jì)算機(jī)的內(nèi)存與CPU處理速度等指標(biāo)后，根據(jù)高光譜圖像文件對(duì)應(yīng)的數(shù)據(jù)量的大小將其分割為幾個(gè)連續(xù)的數(shù)據(jù)塊，并對(duì)各數(shù)據(jù)塊進(jìn)行編號(hào)，數(shù)據(jù)塊的數(shù)目為高光譜圖像數(shù)據(jù)量/計(jì)算機(jī)內(nèi)存量；3)循環(huán)調(diào)入對(duì)應(yīng)的高光譜圖像數(shù)據(jù)塊，根據(jù)算式計(jì)算分類樣本集的中心及半徑，并記住類別號(hào)，然后將所有的樣本點(diǎn)作為待分點(diǎn)，按改進(jìn)的自適應(yīng)最小距離法準(zhǔn)則函數(shù)進(jìn)行第一次粗分類；4)根據(jù)粗分類結(jié)果，結(jié)合原始圖像，給定精分類精度，進(jìn)行K-平均的數(shù)據(jù)塊樣本精分類，期間，須反復(fù)迭代，直到各樣本集的分類精度達(dá)到分類要求；5)分類圖像數(shù)據(jù)塊的重新的拼接將高光譜圖像數(shù)據(jù)塊的分類塊按前述的分割順序進(jìn)行重新拼接，組成新的分類圖像。
全文摘要
一種高光譜遙感圖像聯(lián)合加權(quán)隨機(jī)分類方法，利用遙感圖像處理與開發(fā)平臺(tái)ENVI/IDL提供的開發(fā)語言，針對(duì)高光譜圖像的文件大小及計(jì)算機(jī)的處理速度，給出一定的權(quán)系數(shù)，用改進(jìn)的自適應(yīng)最小距離法對(duì)其進(jìn)行粗分類，然后，按照另一個(gè)加權(quán)系數(shù)，以誤差準(zhǔn)則和為準(zhǔn)則函數(shù)，利用聚類的反復(fù)迭代完成精分類，最后根據(jù)對(duì)分塊圖像的分類結(jié)果進(jìn)行拼接，獲得整幅高光譜遙感圖像的分類圖像。本發(fā)明方法所取得的結(jié)果，無論是目視解釋還是定量評(píng)價(jià)，可提高約10％的總體分類精度，并能顯著提高計(jì)算機(jī)處理速度，可廣泛用于高光譜遙感圖像數(shù)據(jù)的分類處理，在提高處理速度的條件下獲得更加可靠的遙感分類圖像。
文檔編號(hào)G06F7/24GK1472634SQ03116978
公開日2004年2月4日 申請(qǐng)日期2003年5月16日 優(yōu)先權(quán)日2003年5月16日
發(fā)明者周前祥, 敬忠良 申請(qǐng)人:上海交通大學(xué)