基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒?br> 【專利摘要】本發(fā)明公開了一種基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒ǎú襟E：首先，挖掘遙感影像的空間特征，并結(jié)合光譜特征構(gòu)造增廣特征；其次，利用訓(xùn)練像素樣本和增廣特征構(gòu)造過完備字典，采用過完備字典對(duì)初始分割的圖斑進(jìn)行聯(lián)合稀疏表達(dá)；然后，基于聯(lián)合稀疏表達(dá)對(duì)圖斑進(jìn)行均質(zhì)性分析和重建效果分析；最后，根據(jù)均質(zhì)性分析和重建效果分析結(jié)果判斷圖斑分割是否合理，對(duì)同時(shí)滿足均質(zhì)性水平和重建效果的圖斑進(jìn)行類別標(biāo)識(shí)。本發(fā)明將分割和分類過程有機(jī)結(jié)合以獲取合適的地物圖斑進(jìn)行分類，實(shí)現(xiàn)了遙感影像對(duì)象層面上的分類識(shí)別，能獲取符合目視判讀的分類結(jié)果，大大提高了遙感影像的解譯精度，具有重大的應(yīng)用價(jià)值。
【專利說(shuō)明】基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒?br> 【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及光學(xué)遙感數(shù)據(jù)分析【技術(shù)領(lǐng)域】，尤其涉及一種基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒ā?br> 【背景技術(shù)】
[0002]隨著遙感技術(shù)快速發(fā)展，尤其是近年來(lái)高空間分辨率遙感衛(wèi)星的發(fā)射，衛(wèi)星遙感已經(jīng)越來(lái)越多的應(yīng)用到科學(xué)與生產(chǎn)的各個(gè)領(lǐng)域，如數(shù)字城市建設(shè)、大比例尺資源環(huán)境調(diào)查、環(huán)境監(jiān)測(cè)、精密農(nóng)業(yè)、考古等專項(xiàng)遙感監(jiān)測(cè)。高分辨率遙感數(shù)據(jù)本身具有以下特點(diǎn):1)單幅影像數(shù)據(jù)量顯著增加；2)成像光譜波段數(shù)變少；3)地物的幾何結(jié)構(gòu)和紋理信息更加明顯。傳統(tǒng)的像素級(jí)遙感影像分類效率以及其所能獲得的結(jié)果信息都十分有限，而且處理過程中往往會(huì)存在大量椒鹽錯(cuò)分現(xiàn)象。
[0003]目前，國(guó)際上高分辨率遙感影像分類技術(shù)的發(fā)展趨勢(shì)主要有兩大類:
[0004]( I)面向像素的影像分類技術(shù)
[0005]該類技術(shù)充分挖掘高空間分辨率遙感影像的豐富空間信息，從空間特征提取、分類器構(gòu)建以及分類后處理三個(gè)方面進(jìn)行深入研究。具體思路為:利用影像空間信息，提取上下文、紋理以及形狀特征，結(jié)合光譜特征融合生成具有更好地物描述能力的增廣特征來(lái)提高可分能力；融合多分類器的分類系統(tǒng)，充分利用不同分類器之間的互補(bǔ)信息并提供一個(gè)置信度更高的類別標(biāo)記；利用初始硬分類得到的標(biāo)記考慮上下文信息進(jìn)行分類的后處理。
[0006]該類技術(shù)挖掘了高分辨率遙感影像的空間信息，一定程度上提高了解譯精度，但依然存在以下問題:1)未考慮象元大小與地物類別、地塊面積的關(guān)系；2)影像內(nèi)部的光譜多變性產(chǎn)生“椒鹽”錯(cuò)分現(xiàn)象；3)逐像素的處理耗時(shí)。
[0007](2)面向?qū)ο蟮挠跋穹诸惣夹g(shù)
[0008]該類技術(shù)作為遙感影像分類領(lǐng)域的重大變革，最重要的特點(diǎn)是分類的最小單元是“同質(zhì)”多邊形對(duì)象(即，圖斑)，而不是單個(gè)像素。在高分辨率遙感領(lǐng)域，這種對(duì)象可通過分割技術(shù)獲得。通過對(duì)對(duì)象操作，不僅可獲得地物的光譜信息，更能獲得包括紋理、形狀大小、上下文等豐富的空間信息，充分利用高分辨率遙感影像的特點(diǎn)，使分類結(jié)果更接近于目視判讀的效果，大大提高了分類精度。在面向?qū)ο蟮挠跋穹诸惙椒ㄖ?，影像分割是關(guān)鍵，分割效果決定分類精度。由于高分辨率遙感影像空間分辨率高、噪聲大、尺度跨度大，選擇出某一個(gè)單一的最優(yōu)圖斑尺度具有相當(dāng)?shù)木窒扌?，容易造成過分割或者欠分割現(xiàn)象，從而影響對(duì)影像對(duì)象的判讀。另一方面，手動(dòng)調(diào)節(jié)分割尺度要求用戶具有一定的專業(yè)知識(shí)，加劇了面向?qū)ο蠓诸惣夹g(shù)自動(dòng)化處理的難度。

【發(fā)明內(nèi)容】

[0009]針對(duì)現(xiàn)有高分辨率遙感影像分類技術(shù)存在的問題，本發(fā)明提出了一種基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒ā?br> [0010]本發(fā)明充分利用了影像的空間信息和光譜信息，并利用聯(lián)合稀疏表達(dá)獲取滿足均質(zhì)性要求和重建效果要求的圖斑進(jìn)行標(biāo)記，將影像分割與影像分類有機(jī)結(jié)合，利用聯(lián)合稀疏表達(dá)分類理論標(biāo)記圖斑的類別信息。
[0011]本發(fā)明的技術(shù)方案如下:
[0012]基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒?，包括步驟:
[0013]步驟1，結(jié)合空間屬性特征和光譜屬性特征構(gòu)造影像數(shù)據(jù)的增廣特征；
[0014]步驟2，基于訓(xùn)練像素樣本和增廣矩陣構(gòu)造過完備字典，訓(xùn)練像素樣本包括不同類別的像素樣本，過完備字典覆蓋了所有類別的訓(xùn)練像素樣本在增廣特征空間中的分布；
[0015]步驟3，采用面向?qū)ο蟮挠跋穹指罘椒▽?duì)影像數(shù)據(jù)進(jìn)行初始化分割獲得初始化的圖斑；
[0016]步驟4，基于圖斑內(nèi)像素在增廣特征空間的表達(dá)構(gòu)造圖斑的聯(lián)合信號(hào)矩陣，采用過完備字典對(duì)圖斑的聯(lián)合信號(hào)矩陣進(jìn)行聯(lián)合稀疏表達(dá)，從而獲得圖斑的聯(lián)合稀疏表達(dá)矩陣；
[0017]步驟5，基于聯(lián)合稀疏表達(dá)矩陣對(duì)圖斑依次進(jìn)行均質(zhì)性分析與重建效果分析，所述的均質(zhì)性分析基于稀疏重建過程中各類別像素的貢獻(xiàn)程度來(lái)判斷圖斑是否滿足均質(zhì)性水平，所述的重建效果分析對(duì)基于圖斑的聯(lián)合系數(shù)表達(dá)矩陣重建的信號(hào)進(jìn)行分析；
[0018]步驟6，根據(jù)均質(zhì)性分析與重建效果分析結(jié)果對(duì)圖斑做如下操作:
[0019]1)圖斑均滿足均質(zhì)性水平和重建效果時(shí)，將該圖斑標(biāo)記為“稀疏表達(dá)過程中起到最多貢獻(xiàn)的字典基對(duì)應(yīng)的類別”；
[0020]2)圖斑滿足均質(zhì)性水平但不滿足重建效果時(shí)，該圖斑為“過分割圖斑”，對(duì)該圖斑放大分割尺度參數(shù)進(jìn)行再次分割，對(duì)再次分割獲得的新圖斑執(zhí)行步驟4 ；
[0021]3)當(dāng)圖斑不滿足均質(zhì)性水平時(shí)，該圖斑為“欠分割圖斑”，對(duì)該圖斑縮小分割尺度參數(shù)進(jìn)行再次分割，對(duì)再次分割獲得的新圖斑執(zhí)行步驟4。
[0022]步驟I中所述的增廣特征是將屬性特征矢量疊加構(gòu)造獲得，所述的屬性特征包括空間特征和光譜特征。
[0023]步驟3中所述的初始化分割采用均值漂移分割法。
[0024]步驟4中采用同步正交匹配追蹤法對(duì)圖斑的聯(lián)合信號(hào)矩陣進(jìn)行聯(lián)合稀疏表達(dá)，從而獲得圖斑的聯(lián)合稀疏表達(dá)矩陣。
[0025]所述的均質(zhì)性分析基于
【權(quán)利要求】
1.基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒ǎ涮卣髟谟?，包括步驟: 步驟1，結(jié)合空間屬性特征和光譜屬性特征構(gòu)造影像數(shù)據(jù)的增廣特征； 步驟2，基于訓(xùn)練像素樣本和增廣矩陣構(gòu)造過完備字典，訓(xùn)練像素樣本包括不同類別的像素樣本，過完備字典覆蓋了所有類別的訓(xùn)練像素樣本在增廣特征空間中的分布； 步驟3，采用面向?qū)ο蟮挠跋穹指罘椒▽?duì)影像數(shù)據(jù)進(jìn)行初始化分割獲得初始化的圖斑； 步驟4，基于圖斑內(nèi)像素在增廣特征空間的表達(dá)構(gòu)造圖斑的聯(lián)合信號(hào)矩陣，采用過完備字典對(duì)圖斑的聯(lián)合信號(hào)矩陣進(jìn)行聯(lián)合稀疏表達(dá)，從而獲得圖斑的聯(lián)合稀疏表達(dá)矩陣； 步驟5，基于聯(lián)合稀疏表達(dá)矩陣對(duì)圖斑依次進(jìn)行均質(zhì)性分析與重建效果分析，所述的均質(zhì)性分析基于稀疏重建過程中各類別像素的貢獻(xiàn)程度來(lái)判斷圖斑是否滿足均質(zhì)性水平，所述的重建效果分析對(duì)基于圖斑的聯(lián)合系數(shù)表達(dá)矩陣重建的信號(hào)進(jìn)行分析； 步驟6，根據(jù)均質(zhì)性分析與重建效果分析結(jié)果對(duì)圖斑做如下操作: O圖斑均滿足均質(zhì)性水平和重建效果時(shí)，將該圖斑標(biāo)記為“稀疏表達(dá)過程中起到最多貢獻(xiàn)的字典基對(duì)應(yīng)的類別”； 2)圖斑滿足均質(zhì)性水平但不滿足重建效果時(shí)，該圖斑為“過分割圖斑”，對(duì)該圖斑放大分割尺度參數(shù)進(jìn)行再次分割，對(duì)再次分割獲得的新圖斑執(zhí)行步驟4 ； 3)當(dāng)圖斑不滿足均質(zhì)性水平時(shí)，該圖斑為“欠分割圖斑”，對(duì)該圖斑縮小分割尺度參數(shù)進(jìn)行再次分割，對(duì)再次分割獲得的新圖斑執(zhí)行步驟4。
2.如權(quán)利要求1所述的基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒?，其特征在? 步驟I中所述的增廣特征是將屬性特征矢量疊加構(gòu)造獲得，所述的屬性特征包括空間特征和光譜特征。
3.如權(quán)利要求1所述的基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒?，其特征在? 步驟3中所述的初始化分割采用均值漂移分割法。
4.如權(quán)利要求1所述的基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒?，其特征在? 步驟4中采用同步正交匹配追蹤法對(duì)圖斑的聯(lián)合信號(hào)矩陣進(jìn)行聯(lián)合稀疏表達(dá)，從而獲得圖斑的聯(lián)合稀疏表達(dá)矩陣。
5.如權(quán)利要求1所述的基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒?，其特征在? 所述的均質(zhì)性分析基于
6.如權(quán)利要求1所述的基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸惙椒?，其特征在?所述的重建效果 分析基于〃=Ih-Dxi |f判斷圖斑是否滿足重建效果，其中，r為圖斑的重建效果值；S/,為圖斑的聯(lián)合信號(hào)矩陣；D為過完備字典；K,為圖斑的聯(lián)合稀疏表達(dá)矩陣；基于獲得的重建效果值r判斷圖斑是否滿足重建效果，具體為:當(dāng)重建效果值r小于閾值T2,圖斑滿足重建效果；否則，圖斑不滿足重建效果。
7.基于聯(lián)合稀疏表達(dá)的遙感影像多尺度面向?qū)ο蠓诸愊到y(tǒng)，其特征在于，包括:增廣特征獲得模塊，用來(lái)結(jié)合空間屬性特征和光譜屬性特征構(gòu)造影像數(shù)據(jù)的增廣特征；過完備字典構(gòu)造模塊，用來(lái)基于訓(xùn)練像素樣本和增廣矩陣構(gòu)造過完備字典，訓(xùn)練像素樣本包括不同類別的像素樣本，過完備字典覆蓋了所有類別的訓(xùn)練像素樣本在增廣特征空間中的分布；初始化分割模塊，用來(lái)采用面向?qū)ο蟮挠跋穹指罘椒▽?duì)影像數(shù)據(jù)進(jìn)行初始化分割獲得初始化的圖斑；聯(lián)合稀疏表達(dá)矩陣構(gòu)建模塊，用來(lái)基于圖斑內(nèi)像素在增廣特征空間的表達(dá)構(gòu)造圖斑的聯(lián)合信號(hào)矩陣，采用過完備字典對(duì)圖斑的聯(lián)合信號(hào)矩陣進(jìn)行聯(lián)合稀疏表達(dá)，從而獲得圖斑的聯(lián)合稀疏表達(dá)矩陣；分析模塊，用來(lái)基于聯(lián)合稀疏表達(dá)矩陣對(duì)圖斑依次進(jìn)行均質(zhì)性分析與重建效果分析，所述的均質(zhì)性分析基于稀疏重建過程中各類別像素的貢獻(xiàn)程度來(lái)判斷圖斑是否滿足均質(zhì)性水平，所述的重建效果分析對(duì)基于圖斑的聯(lián)合系數(shù)表達(dá)矩陣重建的信號(hào)進(jìn)行分析；圖斑標(biāo)記模塊，用來(lái)將該圖斑標(biāo)記為“稀疏表達(dá)過程中起到最多貢獻(xiàn)的字典基對(duì)應(yīng)的類別”。
【文檔編號(hào)】G06T7/00GK103593853SQ201310628634
【公開日】2014年2月19日 申請(qǐng)日期:2013年11月29日 優(yōu)先權(quán)日:2013年11月29日
【發(fā)明者】李家藝, 張洪艷, 張良培 申請(qǐng)人:武漢大學(xué)