CN100595782C - 一种融合光谱信息和多点模拟空间信息的分类方法 - Google Patents

Abstract

一种融合光谱信息和多点模拟空间信息的分类方法：(1)对遥感图像的光谱信息的像元进行MLC分类，得到每个像元对于各类别的概率矢量；(2)为多点模拟MPS选择样本数据；(3)对于图像中每一个像元根据其条件数据的数目，使用多点模拟方法建立概率模型并且保存概率矢量；(4)采用数据融合方法将两个概率矢量融合起来；(5)得到和结果是一个由各类别对应归属概率组成的概率矢量，在每个像元的概率矢量中对应某一类别的归属概率最大，则将这个像元分到相应的该类别中去，从而得到最终的分类结果。本发明提高了分类精度，在遥感图像解译中有非常广泛的应用，从而可以应用到地质矿产、气象、地理、测绘、海洋研究、军事侦察及环境监测等领域。

Description

一种融合光谱信息和多点模拟空间信息的分类方法

技术领域

本发明属于空间信息技术领域，具体地说，涉及一种融合光谱信息和多点模拟空间信息的分类方法。

背景技术

计算机遥感图像分类是统计模式识别技术在遥感领域的具体应用。其基本过程是提取待识别模式的一组统计特征值，然后按照一定的准则做出决策，将图像中的每个像元判定其所属类别，从而对数字图像予以识别。遥感图像分类的主要依据的是光谱特征，即地物电磁波的多波段测量值，将其作为遥感图像分类的原始特征变量。然而由于大自然中存在着大量异物同谱和同物异谱的现象，在一些情况下，仅仅利用光谱信息不能够把各类地物完全区分开，引入空间结构信息和空间相关性信息来提高分类精度是非常必要的。目前，在光谱信息的基础上考虑空间信息或者图像形态的分类方法主要有上下文分类方法、纹理特征分类方法和利用传统地质统计学分类方法等。这些方法广泛使用，在一定程度上有效提高了分类精度。但它们也有各自的局限性，比如，上下文分类的方法考虑临近像元趋于相同或相近的地物类别，通过这种统计意义上的相互依赖关系引入结构信息，这种方法没有考虑到大尺度上的空间关系；纹理特征分类需要地物的大量重现，比如森林，农田等等成片出现的地物。传统地质统计学分类方法虽不受尺度的影响，但对于具有复杂结构的地物类别描述是不够的.而多点地质统计学的特性为解决上述问题提供了一种新的途径。

自从19世纪60年代Matheron教授创立了地质统计学以来，地质统计学广泛的应用于地理学、生态学、环境科学、土壤学等诸多领域的研究中。所有这些应用都是基于变差函数的，但是变差函数只能反映出两点间的空间相关性，难于表征复杂的空间结构和再现复杂目标的几何形态.多点地质统计学是相对于基于变差函数的传统地质统计学而言的，由Guardiano和Srivastava于1993年提出，其后，Journel，Strebelle，Zhang和Switzer等在此基础上不断地改进。多点模拟(multiple-point simulation-MPS)是其计算机实现的主要算法，它的主要思想是使用训练图像来代替变异函数表达地物结构信息和空间自相关性信息，因而克服了传统地质统计学不能有效再现复杂地物几何形态的不足。虽然它能够有效地再现地物的空间信息，但是该方法不是针对遥感图像分类提出的，没有考虑到遥感图像的主要信息来源：光谱信息，因此本发明将两者结合起来，同时充分考虑了光谱信息和空间结构信息，并且不局限于简单的地物结构，能够正确分类具有明显结构特征的复杂地物，克服了使用传统变异函数的不足。

发明内容

本发明的技术解决问题：提供一种融合光谱信息和多点模拟空间信息的分类方法，该方法在遥感图像分类过程中有效地同时使用光谱信息和空间结构信息，克服了传统遥感图像分类中无法有效应对同物异谱和同谱异物现象的不足，提高了分类精度。

本发明的技术解决方案：一种融合光谱信息和多点模拟空间信息的分类方法，包括以下基本步骤：

步骤1、对遥感图像的光谱信息的像元进行MLC分类，得到每个像元对于各类别的概率矢量；

MLC是经常使用的监督分类方法之一，在很多文献中都有描述。它假定训练区地物的光谱特征近似服从正态分布，通过求出每个像素对于各类别的归属类别，也就是像元从属于各分类类别的后验概率，把该像素分到归属概率最大的类别中去。本发明首先利用MLC分类对遥感图像的光谱信息进行分类，得到每个像素对于各类别归属的概率矢量。

步骤2、为多点模拟MPS选择样本数据

为多点模拟MPS选择样本数据的方法可以有多种为：比如将遥感图像MLC分类中的样本数据作为MPS样本数据，或者是将遥感图像中较为确定的像元作为MPS的样本数据，比如设置一个阈值0.8，凡是对于某一类别的归属概率大于这个阈值，那么就将其作为MPS的样本数据。

步骤3、根据步骤2中选定的样本数据，对于图像中每一个像元都根据其条件数据数目，使用多点模拟方法建立概率模型并且保存概率矢量；

其中的多点模拟方法可以为等间隔排序模拟方法，或SNESIM模拟算法，或神经网络多点模拟方法。其中所述的等间隔排序方法的步骤如下：

(1)根据选定的训练图像和训练模板建立搜索树；

(2)设置排序间隔N；

(3)对所有待模拟像元进行排序得到序列P，对序列P中的前N个待模拟像元在指定的搜索范围内根据训练模板搜索其条件数据(其中初始的条件数据就是样本数据，其后每个模拟过的像元都会作为新的条件数据加入其中)，然后再在搜索树中搜索和计算其对于各个类别的归属概率，从而得到每个像元的分类结果的概率矢量，并且当每个像元模拟完以后都作为剩余的未模拟像元的条件数据；

(4)当序列前N个像元模拟完毕以后，对序列重新进行排序，并且重复步骤(3)，直至所有的像元均模拟完毕。

步骤4、采用数据融合方法将步骤2中的得到的概率矢量和步骤3中的概率矢量融合起来

数据融合方法可以采用Consensus理论的对数意见池，或线性意见池，或证据理论以及基于统计理论的融合方法，但不局限于提到的上述方法。

Consensus理论融合方法是研究如何将一组专家的各自结论协调一致的方法，它在统计和管理科学被广泛应用。在Consensus理论中，有两个主要方法：对数意见池(LogarithmicOpinion Pool-Log-OP)和线性意见池(Linear Opinion Pool-Linear-OP)。这两个方法的原理非常简单。Log-OP的决策函数为：

$g_j\left(X\right)=\underset{i=1}{\overset{M}{\mathrm{\Π}}}{p}_i^{{\mathrm{\λ}}_i}\left({\mathrm{\ω}}_j\right|X)---\left(1\right)$

Linear-OP的决策函数是：

$g_j\left(X\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{p}_i\left({\mathrm{\ω}}_j\right|X)---\left(2\right)$

在以上两个式子中，p_i(ω_j|X)是第i个专家对X所属类别的概率估计，λ₁，…，λ_M是分配给每个专家的权重。

线性意见池相对而言更为简单一些，并且当分配给每个专家的权重都是小于1的非负整数时，能够获得结论的一种概率测度。而对数意见池，相对复杂，并且有一个专家的概率估计为0时，整个结论的概率就为0，这一点是不适合MLC+MPS方法需要的。因此本发明实施例中使用的方法为基于线性意见池的Consensus理论进行融合。

线性意见池数据融合的方法为：有n类地物，记为Ω＝{ω₁，ω₂，…，ω_n}，像元x在MLC分类结果中概率矢量为P₁＝(p₁₁，p₁₂，…，p_1n)，并且MPS模拟得到的概率矢量为P₂＝(p₂₁，p₂₂，…，p_2n)，取MLC权重赋值为λ₁，而MPS权重为λ₂，融合过程如下采有公式

则对于第一类地物的归属概率为g₁(x)＝λ₁p₁₁+λ₂p₂₁，对于第二类地物的归属概率为g₂(x)＝λ₁p₁₂+λ₂p₂₂，…，而对于第n类地物的归属概率为n类地物的归属概率为g_n(x)＝λ₁p_1n+λ₂p_2n，最后融合后的概率矢量为G＝{g₁(x)，g₂(x)，…，g_n(x)}。

步骤5、在步骤4中得到结果是一个由各类别对应归属概率组成的概率矢量，在每个像元的概率矢量中对哪一个类别的归属概率最大，就把这个像元分到相应的类别中去，从而得到最终的分类结果。

本发明与现有技术相比的优点在于：

(1)本发明既充分考虑了遥感图像的光谱信息，又考虑到了地物的空间结构信息和空间相关性信息，且不局限于简单的地物结构，并且能够同时考虑到大尺度和小尺度的空间结构信息，从而提高了分类精度。

(2)本发明首次将多点模拟的理论知识应用到遥感图像分类当中，提高了分类精度。

(3)本发明进行模拟时以像元为模拟单元，能够忠实于采样数据，使分类更加可靠和真实。

(4)本发明利用搜索树来存储训练图像的条件概率，每次获得局部条件概率分布函数只要从搜索树中进行搜索，这样就大大减少了算法的时间复杂度。

(5)由于使用了MPS来提取地物的空间结构信息，本发明所适用的地物类型并不局限于简单的地物结构，能够正确分类具有明显结构特征的复杂地物，克服了使用传统变异函数的不足。

(6)本发明采用数据融合方法对两个分类结果进行了融合，这样就同时考虑到了地物的光谱信息和空间结构信息以及空间自相关信息。与普通的遥感图像分类方法相比具有精度高，不受空间结构信息尺度限制的优点。在许多领域具有应用前景，可以应用到地质矿产、气象、地理、测绘、海洋研究、军事侦察及环境监测等领域。

(7)本发明利用搜索树来存储训练图像的条件概率，大大降低了时间复杂度。

附图说明

图1为本发明的实现流程图；

图2为本发明具体实例选取区域TM影响4，3，2波段的伪彩色合成图；

图3为本发明的MLC样本数据，其中a为道路采样点，b为非道路采样点，c为未采样点；

图4为本发明的MLC分类结果，具中a为道路，b为非道路；

图5a为本发明的MPS模板图；

图5b为本发明的MPS训练图像；

图6为采用本发明方法后的分类结果，其中a为道路，b为非道路。

具体实施方式

图1为本发明的整个分类方法的流程图，下面将结合实例给出具体实现方案。

算法例子的实验数据选取自我国黄河三角洲地区1999年8月28日的Landsat Tm遥感影像作为实验数据，影像区域位于山东省东营市和滨州市的交界地带，影像尺寸为515X515像素，分辨率30m，由7个波段组成，左上角经纬度坐标为118°0’34.07”E 37°22’24.00”N，右下角经纬度为118°10’52.83”E 37°13’58.13”N。图2是实验区域的5，4，3波段假彩色合成图。

整个实施过程可以分为三个部分，分别是MLC分类部分、MPS模拟部分、数据融合部分。其中MLC分类能够获得地物的光谱信息，而MPS模拟能够地物的获得空间结构信息和空间自相关信息，最后两种信息在特定的融合方法下结合在一起，共同对地物所属类别做出决策。

(1)对遥感图像的光谱信息的像元进行MLC分类，得到每个像元对于各类别的概率矢量；

MLC是比较常用的遥感图像的监督分类方法，本实施例使用PCI Geomatica 9.0来实现MLC分类过程，也可以使用别的软件，或者自己编程实现MLC分类，但是需要得到每个像元对各个类别的归属概率。MLC分类的训练样本的训练区域选取如图3所示，总共有7065个样本数据，其中道路的样本数据为2759个，非道路的样本数据为4306个，MLC分类结果如图4所示。可以看出分类结果很差，只有具有非常明显光谱特征的像元被正确区分，尤其是道路，大量的非道路被错分为了道路。

(2)为多点模拟MPS选择样本数据；

在本实施例中，进行完MLC分类以后，把MLC分类中所使用的样本数据作为MPS中的采样数据，再实际应用中，也可以根据情况将遥感图像中较为确定的像元作为MPS的样本数据，即设置一个阈值，凡是对于某一类别的归属概率大于该阈值，则将其作为MPS的样本数据。

(3)根据(2)中选定的样本数据，对于图像中每一个像元根据其条件数据数目，使用多点模拟方法建立概率模型并且保存概率矢量；

在确定MPS采样数据以后，需要使用多点模拟地算法对每个像元建立概率模型并且保存概率矢量。本实例使用的是等间隔排序模拟的方法，

a)使用图5中的模板(图5a)和训练图像(图5b)来生成搜索树。

对SNESIM算法来说，选择具有代表性的训练图像和能够充分利用训练图像信息的模板是非常重要的，只有通过科学的训练图像和数据模板才能得到可以获取正确概率的搜索树。这里训练图像代表了在这个区域道路的一般特征，也就是横竖交叉的线状地物，并且考虑到这个区域的道路相对于正北方向都有一定的倾角，所以训练图像也有一定的倾角；另一方面，数据模板形状比较规则，而且和道路的训练图像能够较好的配合在一起，共同反映出训练图像中所隐含的空间结构信息和空间自相关信息。在本实验中由于道路一般小尺度的空间结构信息和空间自相关信息远比大尺度的情况下丰富，而且样本数据的数目比较大，所以没有使用多格点模拟，并且由于小尺度情况下的信息丰富，虽然使用了比较小的训练图像，但是也能够获得足够数目的数据事件的重复，因而也不会影响到模拟的效果。

在建立好搜索树后，要对每个不是样本数据的像元进行模拟。为了使每个像元都能够在模拟时得到充分的条件数据，因此在每个像元模拟前都需要对路径进行排序，这个条件数据少的像元就会在条件数据充足时再进行模拟，因此能够得到充分的空间结构信息和空间自相关信息。另外，如果一个像元没有任何条件数据，就使用估计的边缘概率分布-道路占30％，非道路占70％作为其概率矢量。

b)设置排序间隔N；

为了得到比较好的模拟效果，并且在效率和速度间取得平衡，我们提出使用等间隔排序的方法进行模拟，这种方法需要根据实际需要设定排序间隔N，这里的排序间隔为1，也就是每个点模拟完以后都需要进行排序。

c)对所有待模拟像元进行排序得到序列P，对序列P中的前n个待模拟像元在指定的搜索范围内根据训练模板搜索其条件数据，然后再在搜索树中搜索和计算其对于各个类别的归属概率，从而得到每个像元的分类结果的概率矢量，当每个像元模拟完以后，均将其作为剩余的未模拟像元的条件数据；

d)当序列前n个像元模拟完毕以后，对序列重新进行排序，重复步骤(3)，

直至所有的像元均模拟完毕。

在得到概率矢量以后，将这个概率矢量保存下来，并且将该像元的类别临时归到对应概率矢量中概率值最大的那一类中，然后将该像元的模拟值保留下来作为剩余的未模拟像元的条件数据。因为样本数据是归属类别确定的像元，所以将那些样本数据的概率矢量设为所属类别的概率为100％，其它均为0％。当所有的像元模拟完后就得到了整个图像所有像元的所属类别概率矢量。在下一步就可以进行MLC和MPS两种结果的概率矢量的融合，并且得到最终的分类结果。

(4)数据融合

在得到所需的MLC和MPS概率矢量后，就可以使用consensus理论来对两种概率结果进行融合。本实施例分别选取了当MLC的权重为0.50，0.51，0.52，0.53，0.54，0.55，相应的MPS权重为0.50，0.49，0.48，0.47，0.46，0.45时分别按照公式(2)进行了融合。最终得到的融合结果同样也是一个由各类别对应归属概率组成的概率矢量。具体的融合方法如下所示：

本实施例选取两类地物，第一类为ω₁，第二类为ω₂，假设像元x在MLC分类结果中概率矢量为(0.9，0.1)，即p₁(ω₁|x)＝0.9，p₁(ω₂|x)＝0.1，并且MPS模拟得到的概率矢量为(0.6，0.4)，即p₂(ω₁|x)＝0.6，p₂(ω₂|x)＝0.1，p₂(ω₂|x)＝0.4。

取MLC权重赋值为λ₁＝0.6，而MPS权重为λ₂＝0.4，融合过程如下采有公式

对于第一类地物的归属概率为g₁(x)＝0.6·0.9+0.4·0.6＝0.78，而对于第二类地物的归属概率为g₂(x)＝0.6·0.1+0.4·0.4＝0.22，最后融合后的概率矢量为(0.78，0.22)。

(5)在步骤(4)中，得到和结果是一个由各类别对应归属概率组成的概率矢量，在每个像元的概率矢量中对应某一类别的归属概率最大，则将这个像元分到相应的该类别中去，从而得到最终的分类结果。在所有分类结果中，当MLC的权重为0.52，MPS权重为0.48时，分类结果比较好，结果如图6所示。

通过误差矩阵的比较，本发明方法的总体精度为81.161％，MLC分类的总体精度为47.653％，因此可以证明本算法显著提高了遥感图像的分类精度。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1、一种融合光谱信息和多点模拟空间信息的分类方法，其特征在于包括以下步骤：

步骤1、对遥感图像的光谱信息的像元进行最大似然分类(MLC)，得到每个像元对于各类别的概率矢量；

步骤2、为多点模拟(MPS)选择样本数据；

步骤3、根据步骤2中选定的样本数据，对于图像中每一个像元根据其条件数据数目，使用多点模拟方法建立概率模型并且保存概率矢量；所述的多点模拟方法为等间隔排序模拟方法，或单正规方程模拟算法(SNESIM)，或神经网络多点模拟方法；

步骤4、采用数据融合方法将步骤2中的得到的概率矢量和步骤3中的概率矢量融合起来；所述的数据融合方法包括协商一致理论(Consensus)的对数意见池、或线性意见池，或证据理论以及基于统计理论的融合方法；

步骤5、在步骤4中，得到的结果是一个由各类别对应归属概率组成的概率矢量，在每个像元的概率矢量中对应某一类别的归属概率最大，则将这个像元分到相应的该类别中去，从而得到最终的分类结果。

2、根据权利要求1所述的一种融合光谱信息和多点模拟空间信息的分类方法，其特征在于：所述的步骤2中选择样本数据的方法为：将遥感图像最大似然分类(MLC)中的样本数据作为多点模拟(MPS)样本数据，或者是将遥感图像中确定的像元作为多点模拟(MPS)的样本数据，即设置一个阈值，凡是对于某一类别的归属概率大于该阈值，则将其作为多点模拟(MPS)的样本数据。

3、根据权利要求1所述的一种融合光谱信息和多点模拟空间信息的分类方法，其特征在于：所述的等间隔排序模拟方法的步骤如下：

(1)根据选定的训练图像和训练模板建立搜索树；

(2)设置排序间隔N；

(3)对所有待模拟像元进行排序得到序列P，对序列P中的前n个待模拟像元在指定的搜索范围内根据训练模板搜索其条件数据，然后再在搜索树中搜索和计算其对于各个类别的归属概率，从而得到每个像元的分类结果的概率矢量，当每个像元模拟完以后，均将其作为剩余的未模拟像元的条件数据；

(4)当序列前n个像元模拟完毕以后，对序列重新进行排序，重复步骤(3)，直至所有的像元均模拟完毕。

4、根据权利要求1所述的一种融合光谱信息和多点模拟空间信息的分类方法，其特征在于：所述的线性意见池数据融合的方法为：有n类地物，记为Ω＝{ω₁，ω₂，…，ω_n}，像元x在MLC分类结果中概率矢量为P₁＝(p₁₁，p₁₂，…，p_1n)，并且MPS模拟得到的概率矢量为P₂＝(p₂₁，p₂₂，…，p_2n)，取MLC权重赋值为λ₁，而MPS权重为λ₂，融合过程如下采有公式

则对于第一类地物的归属概率为g₁(x)＝λ₁p₁₁+λ₂p₂₁，对于第二类地物的归属概率为g₂(x)＝λ₁p₁₂+λ₂p₂₂，…，而对于第n类地物的归属概率为g_n(x)＝λ₁p_1n+λ₂p_2n，最后融合后的概率矢量为G＝{g₁(x)，g₂(x)，…，g_n(x)}。

Images