CN100383805C - 星载微波和红外遥感融合对城区地物特征进行分类的方法 - Google Patents

Abstract

本发明是利用星载微波合成孔径雷达(SAR)和陆地卫星红外遥感的融合图像对复杂城区多类地物特征分类的方法。通过主成分分析方法对复杂城区的雷达图像和红外图像进行像素级的融合，建立反向传播人工神经网络(BP-ANN)和遗传算法(GA)相结合的BP-ANN/GA混合算法，利用GA算法的全局优化能力优化BP-ANN的初始权值，克服了传统BP-ANN收敛速度慢，容易陷入局部最小的缺点，提高多源遥感图像自动分类速度，完成各类地物特征的分类。

Description

星载微波和红外遥感融合对城区地物特征进行分类的方法

发明领域

本发明属于空间遥感和计算机图像处理技术领域，具体涉及一种利用星载微波合成孔径雷达和红外遥感的融合图像对复杂城区多类地物特征进行分类的方法。

背景技术

现代遥感技术为对地观测提供了多分辨率、多波段、多时相的遥感图像数据，如LandsatTM/ETM+、SPOT 5、Quickbird、ERS-1/2SAR以及Radarsat等，但单一的遥感手段获取的图像数据在几何、光谱和空间分辨率等方面存在明显的局限性和差异性。多源信息融合通过将多源数据合成，产生比单源信息更精确、更可靠的估计和判决。利用多源遥感融合图像对地表地物进行分类是目前遥感研究的热点之一，但城市地物的多样性和复杂性。尤其是大量人工地物的存在，使得传统的分类方法不能得到理想的分类效果。而反向传播人工神经网络(Back Propagation Artificial Neural Network，BP-ANN)是人工神经系统一阶近似的数学模型，被广泛用于解决各类非线性问题，但训练过程中容易陷入局部最小值。遗传算法(Genetic Algorithm，GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。

发明内容

本发明的目的在于提出一种利用星载微波合成孔径雷达和红外遥感的融合图像对复杂城区多类地物特征进行分类的方法。

目前城市地表地物的分类常用的遥感数据有高分辨率遥感数据、单一的多光谱数据或雷达数据。高光谱和多光谱数据虽然光谱信息丰富，但同时存在“同物异物”和“异物同谱”的现象；而雷达数据虽然侧视成像，对地物的几何结构比较敏感，但同样较难区分后向散射特征相似的地物。当将两者单独应用于复杂城区地物的分类时，分类精度受到图像特征的制约。遥感图像分类处理中常用的方法，如最小距离法和最大似然法^[1]，都是基于遥感数据的统计特征，依赖于先验概率的选取。人工神经网络(ANN)^[2-4](主要是比较成熟的BP-ANN)，由于数据对特征空间分布预先不一定需要假设某种参数化密度分布，一定程度上克服了上述缺陷。但BP-ANN网络采用梯度下降法训练权值，收敛速度慢，而且容易陷入局部最小。遗传算法(GA)是一种全局搜索自适应的优化算法，可以弥补梯度下降法的不足。

本发明建立BP-ANN和GA相结合的BP-ANN/GA混合算法，实现雷达和红外融合图像中复杂城区地表地物的特征分类。具体步骤如下：

(1)雷达遥感图像和红外遥感图像数据的预处理。包括：雷达图像的自适应滤波处理；雷达图像和红外图像之间的空间坐标配准和灰度重采样以及数据的归一化处理；

(2)人工神经网络的训练。首先从红外遥感图像中选择样本输入BP-ANN网络，对其进行训练，在分析训练误差和收敛速度的基础上，运用GA算法优化网络的连接权重，将优化结果输入BP-ANN网络，从而构建BP-ANN/GA算法。然后将同样的红外遥感图像输入BP-ANN/GA算法，对其进行训练。最后根据雷达图像对起伏地物散射特征明显的优势，综合利用红外和雷达图像的信息对城市地物分类。具体来说，是进一步进行输入红外图像和雷达图像的融合图像的BP-ANN/GA的训练，即对同一区域的红外图像和雷达图像运用主成分分析方法进行融合处理，在分析各主成分融合图像的方差占总方差的百分比的基础上，从所占百分比高的主成分中选取样本，作为BP-ANN/GA网络的输入，进行训练，得到比较理想的训练结果；

(3)遥感图像的分类。以网络训练的最后结果固定BP-ANN、BP-ANN/GA网络的网络结构和网络参数，将红外图像输入BP-ANN和BP-ANN/GA网络，进行分类处理；而将红外与雷达的融合图像输入BP-ANN/GA网络，进行分类处理。最后对网络分类的精度和速度分别进行定量分析。

本发明的内容进一步描述如下：

1、数据预处理

1.1雷达图像的自适应滤波处理(即降噪处理)

由于雷达波与随机地表面之间的相互作用，雷达图像中的斑点是固有的一种特征。城市地区建筑物、道路等不同材料、不同高度以及不同方位的人工地物的存在，使得雷达波与地物之间的散射作用更加复杂，也使雷达图像的斑点特征更加突出。为减少雷达图像中斑点噪声对数据处理的影响，对其采用Gamma方法进行自适应滤波处理^[5]，减少斑点噪声的同时，保留了雷达图像的细节信息。

1.2雷达和红外图像之间的空间坐标配准和灰度重采样

由于雷达遥感图像和红外遥感图像之间的成像原理、空间分辨率和光谱分辨率不同，在进行两者的融合和分类处理之前，分别运用多项式法对其进行空间坐标配准^[6]，运用立方卷积法进行灰度重采样^[6]。

1.3数据的归一化处理

为了满足BP-ANN的对数S型(Sigmoid)激活函数的条件^[7]，对数据做如下归一化处理：

$x^{*}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}---\left(1\right)$

其中x^*为处理后的数据，x为处理前的样本数据，x_min，x_max分别为样本的最小值和最大值。

2、人工神经网络训练

2.1输入红外遥感图像BP-ANN的训练

BP-ANN是人工神经系统一阶近似的数学模型，被广泛用于解决各类非线性问题，具体的网络模型和学习规则可参见文献^[7]。在应用于遥感图像监督分类时，首先把遥感图像的提取特征作为网络的输入信号，网络按一定规则训练后，在输出端即可对输出信号进行分类。本发明采用一个输入层、隐层和输出层组成3层BP-ANN。输入层节点个数和输出层节点个数分别与所选用的遥感图像的波段数和样本的待分类别数目相同；根据实际实验中网络的收敛速度和分类精度，确定隐层节点的数目。隐层和输出层的输出均采用具有非线性放大增益的S型(Sigmoid)激活函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(2\right)$

将待分地物所对应的目标输出分别表示成N维(N是输出层的神经元数)的矢量T，T＝[t₁，t₂…t_N]，实际输出表示为相同维数的矢量R，R＝[r₁，r₂…r_N]。如果在输出层没有得到期望的输出，则计算输出层目标输出与实际输出的误差平方和作为误差变化值：

$E=\frac{1}{2}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(t_k-r_k)}^2---\left(3\right)$

其中t_k是输出层第k个神经元的目标输出，r_k是其实际输出。

然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来，修改各层神经元的权值，直到训练误差曲线收敛。

本发明首先从红外遥感图像中选取样本作为BP-ANN的输入对其进行训练。但受BP-ANN算法容易陷入局部最小的局限，网络的训练速度和对图像分类的精度均不高。为了提高网络的训练速度和精度，克服BP-ANN训练中随机初始化权重的缺点，本发明运用GA初始化网络权重，缩小其搜索范围，通过“适者生存”的机制优化权重，构建BP-ANN/GA算法。

2.2输入红外遥感图像BP-ANN/GA的训练

GA算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法^[8-9]。采用遗传算法优化BP-ANN初始权重，实际上是将整个网络训练分成两部分：首先采用GA算法优化网络的初始权重；然后将优化结果输入BP-ANN完成网络训练。

根据BP-ANN的连接权重一般是实数的特点，本发明对染色体采用实数编码，不同于一般的二进制编码^[8]。GA的每一个个体的染色体的基因数目与BP-ANN的连接权重数目相同，种群规模和终止进化代数根据实验经验设定，初始种群取(0，1)之间的随机数。适应度函数定义为：

$f(t,p)=\frac{\max \_\mathrm{err}\left(t\right)-\mathrm{err}(t,p)}{\max \_\mathrm{err}\left(t\right)-\min \_\mathrm{err}\left(t\right)}---\left(4\right)$

其中f(t，p)表示第t代第p个个体的适应度；max_err(t)和min_err(t)分别表示第t代所有个体的最大和最小网络输出误差；err(t，p)代表第t代第p个个体的网络输出误差。采用与适应度成正比的概率进行选择操作，浮点数线性交叉，高斯变异。

将GA算法最后一次迭代所得的具有最小网络输出误差的个体作为BP-ANN的初始权值，代入BP-ANN进行训练，构建BP-ANN/GA网络。

将与2.1同样的红外遥感数据输入BP-ANN/GA网络，进行网络训练，网络训练的速度和对地物分类的精度同时得到了提高。

2.3输入红外和雷达融合图像BP-ANN/GA的训练

为充分发挥红外遥感图像的光谱分辨率高和雷达图像空间分辨率高的优势，克服红外图像的“同物异谱，异物同谱”现象和雷达图像中水、平坦草地和道路的后向散射相近的不足，对两种数据进行主成分分析^[10]融合处理。

主成分分析是一种获取互不相关特征向量的正交线性变换，能够在信息损失尽可能少的情况下降低数据的维数。首先求多波段遥感数据协方差矩阵的特征值，并将其按由大到小的顺序进行排列，然后求与各特征值对应的特征向量，构造一变换矩阵。利用该变换矩阵对原始图像数据进行变换，得到各主成分图像。

本发明首先将红外遥感图像和雷达图像组成多波段图像，对其进行主成分变换，得到主成分融合图像，不同的主成分融合图像包含了不同的地物信息特征。在分析各主成分融合图像的方差占总方差的百分比的基础上，选取所占百分比高的主成分作为BP-ANN/GA网络的输入，对网络进行训练，使网络的训练精度进一步提高，得到更为理想的结果。

3、遥感图像分类

首先以2.1和2.2中网络训练的最后结果固定BP-ANN和BP-ANN/GA网络的结构和网络参数，分别输入红外遥感图像，进行分类处理。BP-ANN/GA分类的结果较BP-ANN理想，但由于红外图像具有“同物异谱，异物同谱”的特点，仍然存在明显的地物混分现象。然后以2.3中网络训练的最后结果固定BP-ANN/GA网络的结构和网络参数，输入红外和雷达的融合图像，对其进行分类，所得的分类结果比较附合实际地物的分布。

为了定量比较各方法分类的效果，根据目视解译、其它图片资料和野外考察的结果，从图像中选取均匀分布的样本数据，建立混淆矩阵，计算不同分类方法的分类精度：总体分类精度和Kappa系数^[6]；另外，还统计了不同分类方法完成分类所需的时间，以比较其分类速度。

附图说明

图1配准后Landsat ETM+4图像。

图2原始ERS-2SAR图像。

图3输入Landsat ETM+4，5，7三波段红外图像BP-ANN的训练误差曲线。

图4输入Landsat ETM+4，5，7三波段红外图像BP-ANN/GA的训练误差曲线。

图5输入Landsat ETM+4，5，7三波段红外图像BP-ANN/GA和BP-ANN的训练误差对比图。

图6红外和雷达图像的主成分分析融合图像，其中图6(a)为第1主成分，图6(b)为第2主成分，图6(c)为第3主成分。

图7输入红外和雷达融合数据BP-ANN/GA网络的误差曲线。

图8 ETM+4，5，7BP-ANN分类结果。

图9 ETM+4，5，7BP-ANN/GA分类结果。

图10 ETM+4，5，7与SAR融合图像BP-ANN/GA分类结果。

图11研究区交通图。

图12雷达和红外图像融合分类流程图。

具体实施方式

本发明选取上海市浦东世纪公园附近有大片陆地、河流和建筑物的区域，红外数据是2002年11月27日的Landsat ETM+的第4，5，7波段，空间分辨率30m，图1显示了其中的第4波段。雷达数据是2002年4月9日的ERS-2SAR，其频率为5.3GHz，VV极化，空间分辨率为12.5m，见图2。

本发明将研究区的地物共分为五类：水、草地、建筑物、道路和裸露地。首先从LandsatETM+的第4，5，7波段中将待分的每一类地物选择4个样本作为BP-ANN的输入，对其进行训练，所得训练误差曲线见图3，网络实际输出和目标输出见表1。然后将红外图像上同样的样本输入BP-ANN/GA网络，所得训练误差曲线见图4，网络实际输出和目标输出见表2。两者的训练误差对比，如图5所示。

雷达和红外图像的主成分分析结果的第1、第2和第3主成分见图6(a)，(b)和(c)。图7和表3则分别给出了将融合图像的样本输入BP-ANN/GA网络所得的训练误差曲线和网络的实际输出与目标输出。

图8和图9分别是运用BP-ANN和BP-ANN/GA对红外图像进行分类的结果，而图10则是利用BP-ANN/GA对雷达和红外的融合图像进行分类的结果。不同方法的分类精度和速度见表4。三图中的灰度具有相同的标识：黑色代表水体，深灰色代表草地，浅灰色代表建筑物，灰白色代表裸露地而白色代表道路。为直观显示分类的效果，图11给出了研究区的交通图。图12则显示了运用BP-ANN/GA对雷达和红外的融合图像进行分类的详细流程图。

表1输入Landsat ETM+4，5，7三波段红外图像BP-ANN的实际输出和目标输出。

表2输入Landsat ETM+4，5，7三波段红外图像BP-ANN/GA的实际输出和目标输出。

表3输入红外和雷达融合图像BP-ANN/GA网络的实际输出和目标输出。

表4不同分类方法的分类精度。

表1

表2

表3

表4

Claims (3)

1.一种利用合成孔径雷达和红外遥感的融合图像对复杂城区地物特征进行分类的方法，其特征在于具体步骤如下：

(1)雷达遥感图像和红外遥感图像数据的预处理包括：雷达图像的自适应滤波处理，雷达图像和红外图像之间的空间坐标配准和灰度重采样以及数据的归一化处理；

(2)人工神经网络的训练首先从红外遥感图像中选择样本输入BP-ANN网络，对其进行训练，在分析训练误差和收敛速度的基础上，运用GA算法优化网络的连接权重，将优化结果输入BP-ANN网络，从而构建BP-ANN/GA算法；然后将同样的红外遥感图像输入BP-ANN/GA算法，对其进行训练；最后进一步进行输入红外图像和雷达图像的融合图像的BP-ANN/GA的训练；

(3)遥感图像的分类以网络训练的最后结果固定BP-ANN、BP-ANN/GA网络的网络结构和网络参数，将红外图像输入BP-ANN和BP-ANN/GA网络，进行分类处理；而将红外与雷达的融合图像输入BP-ANN/GA网络，进行分类处理；最后对网络分类的精度和速度分别进行定量分析。

2.根据权利要求1所述的利用合成孔径雷达和红外遥感的融合图像对复杂城区地物特征分类的方法，其特征在于所述的雷达图像的自适应滤波处理采用Gamma方法，所述的雷达遥感图像和红外遥感图像之间的空间坐标配准采用多项式法，灰度重采样采用立方卷积法；所述的数据归一化处理，其算式为：

$x^{*}=\frac{{x-x}_{\min }}{x_{\max }-x_{\min }}---\left(1\right)$

其中x^*为处理后的数据，x为处理前的样本数据，x_min，x_max分别为样本的最小值和最大值。

3.根据权利要求1所述的利用合成孔径雷达和红外遥感的融合图像对复杂城区地物特征分类的方法，其特征在于：

所述从红外遥感图像中选择样本输入BP-ANN网络的训练，其步骤为：采用一个输入层、隐层和输出层组成3层BP-ANN，输入层节点个数和输出层节点个数分别与所选用的遥感图像的波段数和样本的待分类别数目相同；根据实际实验中网络的收敛速度和分类精度，确定隐层节点的数目；隐层和输出层的输出均采用具有非线性放大增益的S型激活函数：

$f\left(x\right)=\frac{1}{{1+e}^{-x}}---\left(2\right)$

将待分地物所对应的目标输出分别表示成N维的矢量T，N是输出层的神经元数，T＝[t₁，t₂…t_N]，实际输出表示为相同维数的矢量R，R＝[r₁，r₂…r_N]；如果在输出层没有得到期望的输出，则计算输出层目标输出与实际输出的误差平方和作为误差变化值：

$E=\frac{1}{2}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(t_k-r_k)}^2---\left(3\right)$

其中t_k是输出层第k个神经元的目标输出，r_k是其实际输出；

然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来，修改各层神经元的权值，直到训练误差曲线收敛；

所述将同样的红外遥感图像输入BP-ANN/GA算法的训练，其步骤为：首先采用GA算法优化网络的初始权重，然后将优化结果输入BP-ANN完成网络训练；

所述输入红外和雷达图像的融合图像BP-ANN/GA的训练，其步骤为：首先将红外遥感图像和雷达图像组成多波段图像，对其进行主成分变换，得到主成分融合图像，在分析各主成分融合图像的方差占总方差的百分比的基础上，选取所占百分比高的主成分作为BP-ANN/GA网络的输入，对网络进行训练，使网络的训练精度进一步提高。

Images