面向?qū)ο蟾呖臻g分辨率遙感信息提取的多尺度分層處理方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感地學(xué)分析方法領(lǐng)域，特別涉及一種面向?qū)ο蟾呖臻g分辨率遙感信 息提取的多尺度分層處理方法。
【背景技術(shù)】
[0002] 高分辨遙感影像數(shù)據(jù)量大、細(xì)節(jié)復(fù)雜且具有尺度依賴性。結(jié)合多尺度分割的面向 對象的影像分析方法，可以綜合考慮遙感影像的光譜、形狀、紋理等特征，能更加全面、多層 次地表現(xiàn)高分辨率遙感影像的信息，因此面向?qū)ο筮b感信息提取方法越來越受到重視。面 向?qū)ο筮b感信息提取精度與圖像分割、圖像分類算法緊密相關(guān)。
[0003] 圖像分割是圖像分類的前提，圖像分割效果的優(yōu)劣對其最終的解譯與提取精度有 著不容忽視的影響。傳統(tǒng)的單一尺度的影像分割無法同時兼顧宏觀分布與微觀細(xì)節(jié)，制約 了圖像解譯的精度。另一方面，高空間分辨率遙感影像上景觀結(jié)構(gòu)復(fù)雜多樣，不同景觀結(jié)構(gòu) 的分析尺度不同，不存在一個絕對的最優(yōu)尺度適合于同一幅影像的所有局部區(qū)域。因此在 面向?qū)ο蟾呖臻g分辨率遙感信息提取中，基于多尺度處理實現(xiàn)精細(xì)化遙感信息提取具有重 要意義。
[0004] 高空間分辨率遙感影像目視解譯過程的實質(zhì)是一種人類視覺注意機制控制下的 信息提取過程。一般來說，人類對圖像場景的理解首先是基于粗尺度的，即場景全局特征或 背景輪廓的感知;在此基礎(chǔ)上，局部場景中的細(xì)節(jié)才逐漸被發(fā)現(xiàn)和感知。結(jié)合計算機視覺理 論，通過人工智能和圖像處理的手段，提高基于多尺度處理的面向?qū)ο筮b感信息提取的自 動化程度具有重要意義。
[0005] 從影像對象多尺度分割的角度，粗尺度背景輪廓感知或粗尺度下的區(qū)域劃分主要 依據(jù)圖像的紋理特征，高斯馬爾可夫隨機場(GMRF)模型能較好地表達(dá)遙感圖像的紋理特 征，基于GMRF紋理特征的支撐向量機分類方法(GMRF-SVM)能夠較好地識別遙感圖像的不同 紋理特征，適合應(yīng)用于本發(fā)明中的第一層尺度處理，即對遙感圖像的粗尺度下的局部區(qū)域 劃分;均值漂移(MS)算法速度快，具有較強的適應(yīng)性、魯棒性，通過調(diào)整空間、光譜等不同帶 寬參數(shù)，可以滿足多尺度分割要求，適合應(yīng)用于本發(fā)明中對粗尺度局部區(qū)域的二次精細(xì)分 割。
[0006] 從面向?qū)ο筮b感分類的角度，隨機森林算法作為一種集成分類器，可以處理高維 數(shù)據(jù)并快速得到分類結(jié)果，在遙感影像分類上具有較高的適應(yīng)性與魯棒性;而基于遺傳算 法的隨機森林分類算法可以實現(xiàn)上分類過程中的特征數(shù)量和決策樹數(shù)量的優(yōu)化，使遙感影 像的分類精度得到優(yōu)化和保證。
[0007] 從面向?qū)ο筮b感分類樣本多尺度處理的角度，傳統(tǒng)的遙感影像解譯，整幅影像應(yīng) 用同一份樣本集，難以保證各種不同尺度類別樣本的代表性和適用性。本發(fā)明首先將影像 劃分為不同層次和區(qū)域，在不同的層次和區(qū)域內(nèi)，地物類別可能少于全局影像的地物類別， 因此以層次和區(qū)域為單位選取樣本，訓(xùn)練分類器并進(jìn)行區(qū)域影像分類，可以一定程度上減 少影像誤分類，從全局上提高遙感影像信息提取的精度。

【發(fā)明內(nèi)容】

[0008] (一)主要解決的技術(shù)問題
[0009] 本發(fā)明解決的問題為:采用多尺度分層處理的思想，一定程度上解決了傳統(tǒng)遙感 圖像解譯（圖像分割過程）中宏觀、微觀信息不能同時兼顧的矛盾;在分層處理過程中，基于 空間統(tǒng)計學(xué)理論方法，定量設(shè)置相關(guān)尺度處理的理論最佳參數(shù)。具體來講，即在全局層次 上，通過空間統(tǒng)計變異函數(shù)的半方差計算定量化設(shè)置紋理采樣間隔和模版窗口大小，對圖 像進(jìn)行初步的粗尺度下的區(qū)域劃分，得到景觀結(jié)構(gòu)相對較為單一的局部區(qū)域;在局部區(qū)域 層次上，通過空間統(tǒng)計方法進(jìn)行局部區(qū)域處理尺度優(yōu)選，在此基礎(chǔ)上實現(xiàn)精細(xì)化的影像對 象劃分；同時用戶可根據(jù)圖像特征自主選擇利用全圖或者局部區(qū)域樣本訓(xùn)練分類器，進(jìn)行 以全圖或者局部區(qū)域為單位的影像對象分類，提高影像分類精度；以局部區(qū)域為單位進(jìn)行 影像對象分類時，最后需要進(jìn)行局部區(qū)域分類圖像的匯總拼接，其最終分類精度采用各局 部區(qū)域分類精度面積加權(quán)方法計算。本發(fā)明可以將地物進(jìn)行更為精準(zhǔn)的劃分，并能針對不 同的圖像特征機動靈活地訓(xùn)練分類器，提高每個區(qū)域的分類精度，進(jìn)而提高整幅圖像分類 精度。
[0010] (二)技術(shù)方案
[0011] 本發(fā)明首先將遙感影像進(jìn)行基于紋理的像元分類，實現(xiàn)粗尺度下的區(qū)域的初步劃 分，在此基礎(chǔ)上進(jìn)行精細(xì)分割得到局部區(qū)域內(nèi)的影像對象，手動篩選樣本建立樣本集，采用 集成學(xué)習(xí)分類器進(jìn)行分類。方法如下：
[0012] 步驟10、輸入遙感影像，所述影像為高分辨率全色或多光譜影像
[0013] 步驟20、運用GMRF-SVM方法對整幅影像進(jìn)行基于紋理的分類，經(jīng)過后處理和區(qū)域 標(biāo)記，得到粗尺度下的局部區(qū)域。
[0014] 其中步驟20又可細(xì)分為如下幾個步驟：
[0015] 1、基于變異函數(shù)半方差計算，確定應(yīng)用于整幅圖像的紋理采樣間隔和模版窗口大 小；
[0016] 2、在圖像上基于紋理特征選取具有代表性的采樣點；
[0017] 3、計算樣本點的GMRF特征向量并進(jìn)行歸一化，并建立樣本特征向量數(shù)據(jù)集；
[0018] 4、設(shè)置SVM分類器參數(shù)，并用樣本特征向量數(shù)據(jù)集訓(xùn)練SVM分類器，建立SVM高維映 射分類模型。
[0019] 5、根據(jù)設(shè)定的采樣間隔和模版窗口大小，計算全圖GMRF紋理特征，得到均勻分布 于全圖的特征向量數(shù)據(jù)集。
[0020] 6、SVM分類器訓(xùn)練，利用樣本特征向量數(shù)據(jù)集訓(xùn)練SVM分類器，建立SVM高維映射分 類模型。
[0021] 7、基于SVM進(jìn)行紋理分類，得到初始的紋理分類結(jié)果。
[0022] 8、紋理分類結(jié)果后處理，將破碎區(qū)域進(jìn)行合并，得到粗尺度下的局部區(qū)域，矢量化 后以ID進(jìn)行標(biāo)記。
[0023]步驟30、以粗尺度下的局部區(qū)域為單位，運用均值漂移(MS)算法進(jìn)行局部區(qū)域的 精細(xì)分割，得到能夠體現(xiàn)更多細(xì)節(jié)的并可直接用于遙感圖像面向?qū)ο蠓诸惖木?xì)尺度影像 對象。
[0024] 其中步驟30又可細(xì)分為如下幾個步驟：
[0025] 1、輸入局部區(qū)域全色或多光譜遙感影像。
[0026] 2、確定每一個局部區(qū)域精細(xì)分割的帶寬參數(shù)類型。
[0027] 3、利用空間統(tǒng)計學(xué)方法優(yōu)選每一個局部區(qū)域精細(xì)分割的帶寬參數(shù)取值。
[0028] 4、將局部區(qū)域影像從RGB色度轉(zhuǎn)換到LUV特征空間。
[0029] 5、根據(jù)MS原理進(jìn)行均值濾波。
[0030] 6、基于上述步驟確定的局部區(qū)域精細(xì)分割的帶寬參數(shù)，進(jìn)行均值漂移聚類。
[0031] 7、為每個像元指定其所屬的標(biāo)簽，完成基于均值漂移的局部區(qū)域的精細(xì)分割，得 到精細(xì)化的影像對象。
[0032] 步驟40、針對上述得到的精細(xì)化的局部區(qū)域影像對象，篩選樣本建立樣本集，需保 證每個局部區(qū)域中的全部類別均選取適當(dāng)數(shù)量樣本，且樣本具有代表性。
[0033]步驟50、利用樣本訓(xùn)練基于遺傳算法的隨機森林集成學(xué)習(xí)分類器，進(jìn)行影像對象 分類。
[0034]其中步驟50又可細(xì)分為如下幾個步驟：
[0035] 1、基于精細(xì)化影像對象分割結(jié)果，定義面