CN102073867A - 一种遥感图像分类方法及装置 - Google Patents

Abstract

本发明公开了一种遥感图像分类方法及装置，涉及图像处理技术，根据目标地物的覆盖情况，对遥感图像进行目标地物分布区域的划分，划分出目标地物纯净区域、目标地物混合区域和非目标地物区域，然后对目标地物纯净区域和非目标地物区域使用硬分类算法进行分类，对目标地物混合区域使用软分类算法进行分类，再将各区域的分类结果结合起来作为遥感图像分类结果。由于对纯净区域和混合区域各采取了合适的分类方法进行分类，进而提高遥感图像的分类精度。根据本发明，能够有效解决混合像元问题，并且充分结合了传统的硬分类方法和软分类方法各自的优势，大幅提高图像分类精度。

Description

一种遥感图像分类方法及装置

技术领域

本发明涉及图像处理技术，尤其涉及一种遥感图像分类方法及装置。

背景技术

目前，遥感图像分类是获取遥感图像内部信息的一种重要手段。遥感图像分类的目的是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息，按照设定的规则或算法划分为不同的类别。

遥感图像分类中两种传统方式为，硬分类方法和软分类方法。

硬分类方法(hard classifications)是一种像元级的图像分类方法，它在分类过程中把遥感图像简单的看成都是由纯净像元组成，将每一个像元分为单一的土地覆盖类别。硬分类方法根据人工参与程度分为非监督分类和监督分类。Support vector machines(SVM，支撑向量机)是Vapnik等人在1995提出的一种学习方法，是一种硬分类方法，因其易用、稳定和具有相对较高的精度而得到广泛的应用。

硬分类过程中面临的最大难题是“混合像元”现象，由于遥感图像的数据结构是具有一定大小、面积的栅格像元，因此无论遥感卫星的分辨率达到多高，栅格图像如何细化，一个像元所覆盖的地理特征或地理现象都不只是一种类型，而是多种地物共同作用的结果。因此，混合像元的存在是使用硬分类的传统像元级遥感分类精度难以达到使用要求的主要原因。

为了提高遥感应用的精度，就必须解决混合像元的分解问题，使遥感应用由像元级达到亚像元级。

软分类方法(soft classifications)是一种亚像元级的图像分类方法，针对遥感图像中的混合像元现象，根据光谱组成信息等，计算出每一个混合像元内的土地覆盖类别组成百分比。Linear spectral mixture modeling(LSMM，线性光谱混合模型)是一种软分类方法，能够很好的解决光谱混合问题，因此它被广泛的应用于提取混合像元各个组成部分的丰度。

软分类过程中面临的主要问题是对于纯净目标区域分类不准确的问题，由于软分类方法在整个分类过程中将图像中的所有像元全部当作混合像元来分解，因此产生的分类结果都是以丰度的形式表达，对于纯净区域的像元也同样使用百分比的形式，所以容易造成分类误差。

发明内容

本发明实施例提供一种遥感图像分类方法及装置，以提高遥感图像的分类精度。

一种遥感图像分类方法，包括：

通过设置合适的阈值，将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区域；

使用硬分类方法对所述目标地物纯净区域和所述非目标地物区域进行分类，获得目标地物纯净区域分类结果和非目标地物区域分类结果，使用软分类方法对所述目标地物混合区域进行分类，获得目标地物混合区域分类结果；

结合所述目标地物纯净区域分类结果、所述目标地物混合区域分类结果和所述非目标地物区域分类结果，获得所述遥感图像的分类结果。

相应的，一种遥感图像分类装置，包括：

区域划分单元，用于将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区域。

分类单元，用于使用硬分类方法对所述目标地物纯净区域和所述非目标地物区域进行分类，使用软分类方法对所述目标地物混合区域进行分类；

分类结果确定单元，用于结合所述目标地物纯净区域、所述目标地物混合区域和所述非目标地物区域的分类结果，获得所述遥感图像的分类结果。

本发明实施例提供一种遥感图像分类方法及装置，根据目标地物的覆盖情况，对遥感图像进行目标地物分布区域的划分，划分出目标地物纯净区域、目标地物混合区域和非目标地物区域，然后对目标地物纯净区域和非目标地物区域使用硬分类算法进行分类，对目标地物混合区域使用软分类算法进行分类，再将各区域的分类结果结合起来作为遥感图像分类结果。由于对纯净区域和混合区域各采取了合适的分类方法进行分类，进而提高了遥感图像的分类精度。

附图说明

图1为本发明实施例提供的遥感图像分类方法流程图；

图2为本发明实施例提供的T1值和T2值确定方法流程图；

图3为本发明实施例提供的训练样本选择方法流程图；

图4为本发明实施例提供的遥感图像分类装置结构示意图；

图5为现有技术中使用硬分类方法的分类结果示意图；

图6为现有技术中使用软分类方法的分类结果示意图；

图7为本发明实施例中使用本发明实施例提供的遥感图像分类方法的分类结果示意图。

具体实施方式

本发明实施例提供一种遥感图像分类方法及装置，根据目标地物的覆盖情况，对遥感图像进行目标地物分布区域的划分，划分出目标地物纯净区域、目标地物混合区域和非目标地物区域，然后对目标地物纯净区域和非目标地物区域使用硬分类算法进行分类，对目标地物混合区域使用软分类算法进行分类，再将各区域的分类结果结合起来作为遥感图像分类结果。由于对纯净区域和混合区域各采取了合适的分类方法进行分类，进而提高遥感图像的分类精度。

如图1所示，本发明实施例提供的遥感图像分类方法，包括：

步骤S101、将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区域；

步骤S102、使用硬分类方法对目标地物纯净区域和非目标地物区域进行分类，使用软分类方法对目标地物混合区域进行分类；

步骤S103、结合目标地物纯净区域、目标地物混合区域和非目标地物区域的分类结果，获得遥感图像的分类结果。

由于在步骤S101中，将遥感图像划分成了目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，并在步骤S102中采用了合适的分类方法分别对各个区域进行分类，进而提高了分类精度。

在步骤S101中，将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，在具体划分时，可以通过目视的方法进行人为的划分，也可以通过预先设定的规则进行划分，本发明实施例提供一种划分方法，预先设定非目标地物阈值T1以及目标地物阈值T2，并认为像元值小于T1的像元属于非目标地物区域，像元值大于T2的像元属于目标地物纯净区域，像元值介于T1和T2之间的像元属于目标地物混合区域。具体的：当像元的像元值小于预先设定的非目标地物阈值T1时，确定像元属于非目标地物区域；当像元的像元值大于预先设定的目标地物阈值T2时，确定像元属于目标地物纯净区域；当像元的像元值大于或等于预先设定的非目标地物阈值T1并且小于或等于预先设定的目标地物阈值T2时，确定像元属于目标地物混合区域。或者也可以当像元的像元值小于或等于预先设定的非目标地物阈值T1时，确定像元属于非目标地物区域；当像元的像元值大于或等于预先设定的目标地物阈值T2时，确定像元属于目标地物纯净区域；当像元的像元值大于预先设定的非目标地物阈值T1并且小于预先设定的目标地物阈值T2时，确定像元属于目标地物混合区域。其中，T1和T2可以根据经验进行设定，且0＜T1＜T2＜1，像元值为像元为目标地物的概率值。

由于每个遥感图像都有自身的地域特点，若单纯的根据经验值设定T1和T2则可能会对区域划分的精确度有一定影响，当根据每个遥感图像自身的特点来设定T1和T2的值时，则会进一步提高区域划分的精度，进而进一步提高遥感图像的分类精度。

本发明实施例相应提供一种确定非目标地物阈值T1和目标地物阈值T2的方法，如图2所示，包括：

步骤S201、确定对遥感图像进行硬分类后的图像C，以及确定遥感图像中每个像元的像元值；

步骤S202、遍历图像C，当第t个像元的硬分类值为0且以该像元为中心的m*m个像元的硬分类值总和不为0，则认为该像元为非目标地物的边缘像元，当第t个像元的硬分类值为1且以该像元为中心的m*m个像元的硬分类值总和不为m*m，则认为该像元为目标地物的边缘像元，其中，t＝1，2，3......s，s为遥感图像中的总像元个数，m为大于1的奇数；

步骤S203、确定T1值为遥感图像中所有非目标地物的边缘像元的像元均值，确定T2值为遥感图像中所有目标地物的边缘像元的像元均值，其中，像元均值为像元值的平均值。

在步骤S202中，当m为奇数时，可以唯一确定一个中心像元，以该中心像元的硬分类值和以该像元为中心的m*m个像元的硬分类值总和来确定这个中心像元是否为非目标地物的边缘像元或目标地物的边缘像元。m的值可以根据遥感图像的实际情况来设定，当遥感图像本身较大，且其中的地物覆盖均匀、地物面积较大时，可以将m设置的较大，当遥感图像本身较小，且地物覆盖变化较多时，则可以将m设置的较小，通常情况下3≤m≤9较好，对于一般的遥感图像，将m值设置为3时，所确定出的T1值和T2值可以对遥感图像进行较佳的区域划分。

具体的，以m为3的情况距离进行说明：在计算T1和T2时，首先对遥感图像进行硬分类，获取硬分类后的图像C和图像R。其中，图像C为目标地物01值图像，0值代表非目标地物，1值代表目标地物，图像R为目标地物规则图像，像元的像元值代表该像元归属目标地物的概率，在图像C中，像元为目标地物时，该像元的硬分类值为1，像元为非目标地物时，该像元的硬分类值为0。

以3×3大小的窗口遍历图像C，如果第t个像元作为3×3大小的窗口的中心(t＝1，2，3...s，s为图像C中的总像元个数)满足公式(1)，则认为该第t个像元为非目标地物的边缘像元，遍历完成后，记录所有非目标地物的边缘像元，计算图像R中，所有非目标地物的边缘像元的像元均值，即T1；

W_Center＝0

$\underset{x=1}{\overset{9}{\mathrm{\Σ}}}{W}_x\≠0---\left(1\right)$

如果第t个像元作为3×3大小的窗口的中心满足公式(2)，则认为该第t个像元属于目标地物的边缘E’_t，遍历完成后，记录E’_t位置中的所有像元，计算图像R中，在目标地物的边缘E’_t位置中所有像元的像元均值，即T2；

W_Center＝1

$\underset{x=1}{\overset{9}{\mathrm{\Σ}}}{W}_x\≠9---\left(2\right)$

式(1)、(2)中：W_Center表示3×3大小的窗口的中心像元的硬分类值；W_x表示3×3窗口中的9个像元中的第x个像元的硬分类值。

根据遥感图像的成像原理，目标地物混合区域中的像元一般分布在目标地物与其他地物的边界地区，因此利用上述方法能够快速准确的划分目标地物分布区域。

在本发明实施例中，硬分类方法可以采用支撑向量机分类方法，软分类方法可以采用线性光谱混合模型分类方法，当然，本领域技术人员可以根据实际情况采用其它的硬分类方法和软分类方法，例如最大似然分类法和非线性混合光谱模型法。

下面简单介绍一下本发明实施例所使用的支撑向量机分类方法和线性光谱混合模型分类方法：

支撑向量机这种硬分类方法最初是从二元分类器发展而来，本发明实施例采用根据支撑向量机二元分类器概率输出估计多类概率的方法。假设所需分类的区域可分为N类，对任意i，j两类生成SVM二元分类器，共可生成N(N-1)/2个二元分类器。每一个二元分类器可以估计某像元属于第i类的条件概率r_ij＝P(y＝i |y＝i or j)。因此r_ij满足：

r_ij+r_ji＝1， $r_{\mathrm{ij}}=\frac{P_i}{P_i+P_j}---\left(3\right)$

式(3)中，P_i表示像元属于第i类的概率。由于共有N(N-1)/2个二元分类器，所以可构建N(N-1)/2个形如式(3)的方程，待解的未知数个数为N。在N＞3的情况下，方程的个数超过未知数的个数，为超定方程组。该超定方程组的最优解可表达如下：

$\min \mathrm{imize}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j:j\≠i}{\mathrm{\Σ}}{(r_{\mathrm{ji}}{P}_i-r_{\mathrm{ij}}{P}_j)}^2$

$\mathrm{subject\; to}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{P}_i=1,P_i\≥0---\left(4\right)$

求解出Pi，即SVM分类方法的概率输出，取作为待分像元的归属类。

软分类方法中的线性光谱混合模型定义为：像元在某一光谱波段的反射率(亮度值)是由构成像元的基本组分的反射率(光谱亮度值)以其所占像元面积比例为权重系数的线性组合。可用以下公式表达：

$R_{\mathrm{ib}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{ki}}{C}_{\mathrm{kb}}+{\mathrm{\ϵ}}_{\mathrm{ib}}$

$\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{ki}}=1$ (k＝1，2，3Λn)

(5)

式(5)中：R_ib是已知的，为第b波段第i像元的光谱反射率；f_ki是待求值，为对应于i像元的第k个基本组分所占的分量值；C_kb为第k个基本组分在第b波段的光谱反射率；ε_ib为残余误差值，即光谱的非模型化部分；n为基本组分的数目，m为可用波段数，波段数要大于n(n≤m+1)，以便利用最小二乘法求解。

$\mathrm{RMS}={[\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\ϵ}}_{\mathrm{ib}}\right)}^2/n]}^{1/2}---\left(6\right)$

线性光谱混合模型从混合像元R_ib中分离和提取出各基本组分的平均光谱响应C_kb，通过求解线性方程来反解基本组分在像元中所占的面积比例f_ki。模型计算的结果表现为各基本组分的分量值图像和以均方根误差表示的残余误差图像。

通常，在对遥感图像进行分类时，首先需要针对该遥感图像建立训练样本，即，确定遥感图像中每个地物类型的训练样本。

本发明实施例中可以采用人工选择训练样本，也可以采用其它方式选择训练样本，例如，如图3所示，可以采用如下方式确定训练样本：

步骤S301、通过非监督分类方法将遥感图像中的地物类别分为预先设定的类别数，该类别数设定的越大，所确定的训练样本就越精确，通常该类别数设定为30左右，通常在区间[20，40]中取值，其中，非监督分类方法为计算机按照一定规则自动的根据像元光谱或空间等特征组成集群组，然后分析者将每个组和参考数据将其划分到某一类别中；

步骤S302、对比非监督分类结果与遥感图像，确定每一类别的地物类型；

步骤S303、重新确定遥感图像中所包含的地物类别数；由于在步骤S301中所设定的类别数并非准确的数目，通常会大于遥感图像中实际所包含的地物类别数，所以在确定每一类别的地物类型后，即可将同为一种地物类型的类别合并起来，重新确定遥感图像中所包含的地物类别数。

步骤S304、对地物类别重新进行编码，即对遥感图像中确定为纯净地物的区域进行赋值，剔除难以判定的区域并建立初步训练样本集；

步骤S305、在初步训练样本集中，针对每一种地物类型，随机选择设定数量的像元作为该地物类型的训练样本，所选择的像元数量通常为遥感图像波段数的10-30倍。

在实际操作中，若步骤S301中设定的类别数比较准确，也可以省略步骤S303。

本发明实施例还相应提供一种遥感图像分类装置，如图4所示，包括：

区域划分单元401、用于将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区域；

分类单元402，用于使用硬分类方法对目标地物纯净区域和非目标地物区域进行分类，使用软分类方法对目标地物混合区域进行分类；

分类结果确定单元403，用于结合目标地物纯净区域、目标地物混合区域和非目标地物区域的分类结果，获得遥感图像的分类结果。

进一步，当需要进行训练样本确定时，遥感图像分类装置中还包括：训练样本确定单元，用于确定遥感图像中每个地物类型的训练样本。

区域划分单元401可以通过预先设定的规则进行划分，例如，预先设定非目标地物阈值T1以及目标地物阈值T2，并规定像元的像元值小于T1时，确定像元属于非目标地物区域；像元的像元值大于T2时，确定像元属于目标地物纯净区域；像元的像元值大于或等于T1并且小于或等于T2时，确定像元属于目标地物混合区域。其中，T1和T2可以根据经验进行设定，且0＜T1＜T2＜1，像元值为像元为目标地物的概率值。

为进一步提高分类精度，区域划分单元401还可以根据遥感图像自身的特点来设定T1和T2的值，此时，区域划分单元401还用于：

确定对遥感图像进行硬分类后的图像C，以及确定遥感图像中每个像元的像元值；遍历图像C，当第t个像元的硬分类值为0且以该像元为中心的m*m个像元的硬分类值总和不为0，则认为该像元为非目标地物的边缘像元，当第t个像元的硬分类值为1且以该像元为中心的m*m个像元的硬分类值总和不为m*m，则认为该像元为目标地物的边缘像元，其中，t＝1，2，3......s，s为遥感图像中的总像元个数，m为大于1的奇数；确定T1值为遥感图像中所有非目标地物的边缘像元的像元均值，确定T2值为遥感图像中所有目标地物的边缘像元的像元均值，其中，像元均值为像元值的平均值。

本发明实施例提供一种遥感图像分类方法及装置，根据目标地物的覆盖情况，对遥感图像进行目标地物分布区域的划分，划分出目标地物纯净区域、目标地物混合区域和非目标地物区域，然后对目标地物纯净区域和非目标地物区域使用硬分类算法进行分类，对目标地物混合区域使用软分类算法进行分类，再将各区域的分类结果结合起来作为遥感图像分类结果。由于对纯净区域和混合区域各采取了合适的分类方法进行分类，进而提高遥感图像的分类精度。

通常情况下，在进行遥感精度评价时，可以采用均方根误差(root meansquare error，RMSE)和总量精度等精度标准来衡量。

其中，均方根误差分析的定义形式为：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x\left(i\right)-y\left(i\right))}^2}---\left(7\right)$

式(7)中，x(i)表示分类图像单个像元中某一地物类型所占的百分比，y(i)表示Quickbird图像单个像元中对应地物类型所占的百分比，n表示分类图像中像元的总个数。RMSE的值越小，代表与真值越接近，说明分类的精度越高。

总量精度的定义形式为：

$\mathrm{Ta}=(1-|\frac{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i\right)\×{S_p}^2-\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{Q}_i\right)\×{S_q}^2}{\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{Q}_i\right)\×{S_q}^2}\left|\right)\×100\%---\left(8\right)$

式(8)中，P_i表示图像P第i个像元的像元值；n表示图像P的像元个数；Sp表示图像P的分辨率；Q_i表示图像Q第i个像元的像元值；m表示图像Q的像元个数；S_q表示图像Q的分辨率。各种分类方法的精度评价结果如表1所示。

分类方法	总值(m2)	精度(％)	RMSE
				SVM	2388384.0	94.69	0.241
LSMM	2958012.7	69.57	0.231
				本发明实施例提供的分类方法	2370441.7	95.48	0.203
Quickbird手工数字化	2267856.0	100.00

表1  三种分类方法精度评价表

根据上述实验结果可以发现：(1)使用本发明实施例提供的分类方法的RMSE值为0.203，比使用SVM方法的RMSE值减小了0.04，比使用LSMM方法的RMSE值减小了0.03；(2)使用本发明实施例提供的分类方法的总量精度达到95.48％，比使用SVM方法的总量精度提高了近1个百分点，比使用LSMM方法的总量精度提高了近25个百分点。证明本发明实施例提供的分类方法能够有效解决硬分类和软分类各自存在的问题，提高分类的精度。

参见图5、图6、图7，其中图5为使用硬分类的方法对遥感图像进行分类的分类结果图，图6为使用软分类的方法对遥感图像进行分类的分类结果图，图7为使用本发明实施例提供的分类方法对遥感图像进行分类的分类结果图，由图7中可以看出，使用本发明实施例提供的分类方法结合了软分类和硬分类各自的优势，对于目标地物纯净区域和目标地物混合区域各采取了合适的分类方法进行分类，提高了遥感图像的分类精度。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种遥感图像分类方法，其特征在于，包括：

将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区域；

使用硬分类方法对所述目标地物纯净区域和所述非目标地物区域进行分类，获得目标地物纯净区域分类结果和非目标地物区域分类结果，使用软分类方法对所述目标地物混合区域进行分类，获得目标地物混合区域分类结果；

结合所述目标地物纯净区域分类结果、所述目标地物混合区域分类结果和所述非目标地物区域分类结果，获得所述遥感图像的分类结果。

2.如权利要求1所述的方法，其特征在于，所述将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，具体包括：

当像元的像元值小于预先设定的非目标地物阈值T1时，确定所述像元属于非目标地物区域；

当像元的像元值大于预先设定的目标地物阈值T2时，确定所述像元属于目标地物纯净区域；

当像元的像元值大于或等于预先设定的非目标地物阈值T1并且小于或等于预先设定的目标地物阈值T2时，确定所述像元属于目标地物混合区域，其中0＜T1＜T2＜1，所述像元值为所述像元为目标地物的概率值。

3.如权利要求1所述的方法，其特征在于，所述将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，具体包括：

当像元的像元值小于或等于预先设定的非目标地物阈值T1时，确定所述像元属于非目标地物区域；

当像元的像元值大于或等于预先设定的目标地物阈值T2时，确定所述像元属于目标地物纯净区域；

当像元的像元值大于预先设定的非目标地物阈值T1并且小于预先设定的目标地物阈值T2时，确定所述像元属于目标地物混合区域，其中0＜T1＜T2＜1，所述像元值为所述像元为目标地物的概率值。

4.如权利要求2或3所述的方法，其特征在于，所述非目标地物阈值T1和所述目标地物阈值T2的设定方法包括：

确定对所述遥感图像进行硬分类后的图像C，以及确定所述遥感图像中每个像元的像元值；

遍历所述图像C，当第t个像元的硬分类值为0且以该像元为中心的m*m个像元的硬分类值总和不为0，则认为该像元为非目标地物的边缘像元，当第t个像元的硬分类值为1且以该像元为中心的m*m个像元的硬分类值总和不为m*m，则认为该像元为目标地物的边缘像元，其中，t＝1，2，3......s，所述s为所述遥感图像中的总像元个数，所述m为大于1的奇数；

确定所述T1值为所述遥感图像中所有非目标地物的边缘像元的像元均值，确定所述T2值为所述遥感图像中所有目标地物的边缘像元的像元均值。

5.如权利要求4所述的方法，其特征在于，所述m值为3。

6.如权利要求1所述的方法，其特征在于，所述硬分类方法为支撑向量机分类方法；所述软分类方法为线性光谱混合模型分类方法。

7.如权利要求1所述的方法，其特征在于，所述将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域之前，还包括：

确定所述遥感图像中每个地物类型的训练样本。

8.如权利要求7所述的方法，其特征在于，所述确定所述遥感图像中每个地物类型的训练样本，具体包括：

通过非监督分类方法将所述遥感图像中的地物类别分为预先设定的类别数；

对比所述非监督分类结果与所述遥感图像，确定每一类别的地物类型；

对所述遥感图像中确定为纯净地物的区域进行赋值，剔除难以判定的区域并建立初步训练样本集；

在所述初步训练样本集中，针对每一种地物类型，随机选择设定数量的像元作为该地物类型的训练样本。

9.一种遥感图像分类装置，其特征在于，包括：

区域划分单元，用于将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区域；

分类单元，用于使用硬分类方法对所述目标地物纯净区域和所述非目标地物区域进行分类，使用软分类方法对所述目标地物混合区域进行分类；

分类结果确定单元，用于结合所述目标地物纯净区域、所述目标地物混合区域和所述非目标地物区域的分类结果，获得所述遥感图像的分类结果。

10.如权利要求9所述的装置，其特征在于，还包括：

训练样本确定单元，用于确定所述遥感图像中每个地物类型的训练样本。

Images