CN102222235A - 基于对象集成高度信息的面向对象的高光谱分类处理方法 - Google Patents

Abstract

本发明涉及一种基于对象集成高度信息的面向对象的高光谱分类处理方法，包括以下步骤：1)对HyMap影像和DSM数据进行预处理；2)将HyMap影像与DSM数据进行影像匹配，若匹配成功，执行步骤3)；3)将HyMap影像分割成了多个图像对象；4)对每个图像对象的光谱信息进行二进制编码；5)为每个图像对象计算形状因子的值，并将这些值转换成为了二进制编码；6)将从DSM获取的具有高度的地面对象的相对高度信息转换成为二进制码；7)系统将目标对象的描述转换成二进制编码；8)用编码匹配算法对图像编码和目标编码进行匹配。与现有技术相比，本发明具有需要的训练样本更少，却可以获取更高的分类精度等优点。

Description

基于对象集成高度信息的面向对象的高光谱分类处理方法

技术领域

本发明涉及一种高光谱分类处理方法，尤其是涉及一种基于对象集成高度信息的面向对象的高光谱分类处理方法。

背景技术

为了在光谱库中对待定目标进行快速查找和匹配，可以对光谱进行二值编码，使得光谱可以用简单的0-1序列来表述，使用二值编码法有助于提高图像光谱数据的分析处理效率。根据Mazer等提出的方法，若每个图像对象由n个像素组成，首先计算图像对象每一层(波段)的灰度平均值。在光谱二进制编码方法中，图像的每个空间分辨率元素(也就是像素)用一个L维的向量来表示，

$\stackrel{\→}{X_{\mathrm{ij}}}={[X_{\mathrm{ij}}\left(1\right),X_{\mathrm{ij}}\left(2\right),...,X_{\mathrm{ij}}\left(l\right),...,X_{\mathrm{ij}}\left(L\right)]}^T---\left(1\right)$

其中L是影像的光谱波段数，下标(i，j)表示该像素在给定影像中的空间位置，定义标量v_ij为像素(i，j)的光谱均值，

光谱均值，

$v_{\mathrm{ij}}=\left[\frac{1}{L}\right]\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{X}_{\mathrm{ij}}\left(l\right)---\left(2\right)$

从而我们可以构建一个L位二进制码矢量

$\stackrel{\→}{Y_{\mathrm{ij}}^a}=H\{\stackrel{\→}{X_{\mathrm{ij}}}-v_{\mathrm{ij}}\}---\left(3\right)$

其中H(v)是单位跃阶算子，由以下公式定义，

$H\left(v\right)=\left\{\begin{array}{cc}0,& v\≥0\\ 1,& v>0\end{array}\right.---\left(4\right)$

以上构建的矢量是光谱振幅的二进制表示。考虑到每个测量波长处的本地波度也包含了许多有用信息，可以构建另一个L位的二进制编码

$\stackrel{\&RightArrow;}{Y_{\mathrm{ij}}^b}=\left\{\begin{array}{cc}0,& [X_{\mathrm{ij}}(l+1)-X_{\mathrm{ij}}(l-1)]<0\\ 1,& [X_{\mathrm{ij}}(l+1)-X_{\mathrm{ij}}(l-1)]\&GreaterEqual;0\end{array}\right.,l=\mathrm{1,2},...,L---\left(5\right)$

这里，X_ij(0)＝X_ij(0)，X_ij(L+1)＝X_ij(1)。这样

和这两个二进制码矢量就构成了一组2L位的矢量

该矢量采用二进制编码书写，并且表示了像素(i，j)的光谱信息。

一旦完成编码，则可利用基于最小距离的算法来进行匹配识别，用于决定光谱特征是否匹配的算法是汉明距(Hamming distance)，该距离根据如下算法得来：

二进制编码法被认为是一种快速有效的高光谱影像分类方法，后续的相关研究提出了分段编码、多门限编码等改进。Qian等(1996)在原有二进制编码的基础上，增加了2L长度的编码用以描述光谱的变化值是否超过给定的阈值。Chang等(2009)在纹理编码法的基础上，提出了一种基于纹理特征的高光谱二进制编码法，用纹理特征来描述相邻波段的光谱变化。这些研究都是基于像素的高光谱分析方法，没有考虑高光谱影像目标的形状等信息。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种需要的训练样本更少、计算量更低、却可以获取更高的分类精度的基于对象集成高度信息的面向对象的高光谱分类处理方法。

本发明的目的可以通过以下技术方案来实现：

一种基于对象集成高度信息的面向对象的高光谱分类处理方法，其特征在于，包括以下步骤：

1)对HyMap影像和DSM数据进行预处理，包括HyMap影像校正，以及从DSM中找出具有高度的地面对象；

2)将HyMap影像与DSM数据进行影像匹配，若匹配成功，执行步骤3)，若匹配不成功，返回步骤1)；

3)采用基于边缘探测的分割方法与Full Lambda-Schedule算法将HyMap影像分割成了多个图像对象；

4)对每个图像对象的光谱信息进行二进制编码；

5)为每个图像对象计算形状因子的值，并将这些值转换成为了二进制编码；

6)将从DSM获取的具有高度的地面对象的相对高度信息转换成为二进制码；

7)客户端输入对目标对象的描述，系统将目标对象的描述转换成二进制编码；

8)用编码匹配算法对图像编码和目标编码进行匹配，确定两者之间的相似度。

所述的步骤1)中的HyMap影像校正包括正射校正、大气校正、辐射校正。

所述的步骤4)的光谱信息包括光谱均值、坡度信息，并用两倍于波段数的二值编码来表示。

所述的5)中的形状因子包括面积、不对称系数、矩形系数、长宽比、紧致度，每个因子用5个编码来表达。

所述的6)的相对高度信息分成三类，

类型A：相对高度低于1.5m；

类型B：相对高度高于1.5m低于5m；

类型C：相对高度高于5m，每个类型对应一个二进制编码。

所述的7)中的目标对象的描述包括对光谱、形状与大小、高度的描述，所述的光谱描述来自于光谱库或数据本身的训练集。

所述的8)中的编码匹配算法具体如下：

使用汉明距计算图像光谱和目标光谱的距离，用以确定光谱信息的近似度，在衡量形状，大小和高度信息的近似度时，使用的是位与操作，通过以下公式计算得到：

计算得到目标对象编码和图像对象编码的特征距离，通过该距离判断图像对象与目标对象的相似程度。

与现有技术相比，本发明在使用了形状，大小，高度等和对象相关的信息后，可以有效的提高分类的精度，该方法的整体分类精度高于平行多面体、最小距离、最大似然、马氏距离和二进制编码分类法，将分类精度提高了4.2％-57.8％不等，其Kappa系数也是六种分类方法中最高的。这符合人们对世界的认知理论，光谱特征类似的地物可能并不是同一种类型，以建筑物为例，若以光谱特征来判断，房顶为水泥的建筑物可能被划到水泥地表的一类，房顶为绿化的建筑物可能被划到草地的这一类，而有了高度信息的帮助，这种错分现象就不会发生。再以道路为例，道路旁的停车场或者空地与道路的光谱几乎完全一致，若不考虑停车场和空地的形状一般为规则的矩形，而道路比较狭长，道路错分到空地，或空地错分到道路的情况都有可能发生。正是由于避免了这些情况的发生，本发明才取得了相对其他分类方法更高的分类精度。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种基于对象集成高度信息的面向对象的高光谱分类处理方法，所述的方法包括以下步骤：

1)对HyMap影像和DSM数据进行预处理，包括HyMap影像校正，以及从DSM中找出具有高度的地面对象；

2)将HyMap影像与DSM数据进行影像匹配，若匹配成功，执行步骤3)，若匹配不成功，返回步骤1)；

3)采用基于边缘探测的分割方法与Full Lambda-Schedule算法将HyMap影像分割成了多个图像对象；

4)对每个图像对象的光谱信息进行二进制编码；

5)为每个图像对象计算形状因子的值，并将这些值转换成为了二进制编码；

6)将从DSM获取的具有高度的地面对象的相对高度信息转换成为二进制码；

7)客户端输入对目标对象的描述，系统将目标对象的描述转换成二进制编码；

8)用编码匹配算法对图像编码和目标编码进行匹配，确定两者之间的相似度。

一、影像分割

影像分割可以自动将影像分成不同的重要区域，或者分成不同的对象，并且分割后的对象能够被进一步处理方法所识别。目前已有很多学者提出了一些不同的影像分割方法，也有学者对现有的影像分割方法进行了比较，评估各类分割算法的质量。本发明根据分割的实际视觉效果，选择了一种基于边界的影像分割算法，并采用由Robinson等(2002)提出的一种Full Lambda-Schedule算法进行分割后各影像片段的合并。该算法根据各片段的光谱和空间信息将相邻的区域进行合并。当一对相邻区域i和j的合并开销t_i，j比规定的阈值lambda要小的时候该两个区域将进行合并，lambda的值介于0到100之间：

$t_{i,j}=\frac{\frac{\left|O_i\right|\&CenterDot;\left|O_j\right|}{\left|O_i\right|+\left|O_j\right|}\&CenterDot;{\left|\right|u_i-u_j\left|\right|}^2}{\mathrm{length}(\&PartialD;(O_i,O_j))}---\left(7\right)$

其中O_i是图像中的第i个区域，|O_i|是区域i的面积，u_i是区域i内的像素灰度平均值，u_j是区域j内的像素灰度平均值，||u_i-u_j||是区域i和j灰度值间的欧氏距离(Euclidean Distance)，

是区域O_i和O_j共用边界的长度。在这里，我们选择的lambda值为88.0。

二、图像对象的二进制编码

一个图像对象的编码由280个二进制编码组成，这组编码由三个部分构成，即：光谱信息，形状和大小信息，以及高度信息。图像对象的光谱振幅和坡度用252位编码

表示，图像对象的形状和大小用25位编码

表示，图像对象的相对高度用3位编码表示，具体编码方法和含义如下：

三、光谱信息

图像对象的光谱信息的编码与传统的二进制编码方法一致，将一个图像对象的光谱均值和坡度信息用两倍于波段数的二值编码来表示，如HyMap传感器具有126个波段，因此图像对象的光谱信息用2*126即252个二值编码来表示。

四、形状信息

单个图像对象的形状和大小信息是用25位编码来表示的，其中包含了面积，不对称性，紧致度，矩形系数以及长宽比，每个因子用5个编码来表达，这些因子的具体含义和计算方法如下：

(1)面积(Area)

在没有经过地理编码的数据里，一个像素的面积为1。相应的，一个图像对象的面积A就是构成这个图像对象的像素数。如果影像数据已经经过了地理编码，图像对象的面积就是每个像素在地表实际覆盖的面积乘上构成该图像对象的像素数。

(2)不对称性(Asymmetry)

图像对象越长，它的不对称性越大。对一个图像对象来说，可以先根据图像对象的形状估计一个椭圆，不对称性即用这个椭圆的长短轴之比来表示。

$\mathrm{Asymmetry}=1-\frac{n}{m}---\left(8\right)$ 不对称性越高，Asymmetry的值越大，取值范围为0到1。

(3)紧致度(Compactness)

紧致度等于图像对象多边形的面积A_p与相同周长的圆形的面积相比而得到的。式(3)用于计算每个图像对象多边形的紧致度。紧致度Compactness取值范围为0到1，圆形紧致度最高，为1。

$\mathrm{Compactness}=\frac{4\&CenterDot;\mathrm{\&pi;}\&CenterDot;A_p}{{\mathrm{Perimeter}}^2}---\left(9\right)$

式中，Perimeter是构成图像对象多边形的各条边的长度之和。这些图像对象多边形的计算是基于Douglas Peucker算法，该算法是最常用的多边形提取的算法，它是一个自上而下的过程，从给定的一个多边形的边界线开始(即构成图像对象的像素边框)，然后把它们重复分成更小的部分。

(4)矩形系数(Rectangular fit)

计算矩形系数的第一步是构建一个矩形，该矩形和图像对象的面积完全一致，计算该矩形时，图像对象的长宽比同样也需要被考虑到。随后，落在矩形之外的图像对象的面积A_O与图像对象的面积A进行比较。如果矩形系数为0，意味着该图像对象的形状与矩形完全不符，矩形系数为1的话，表示该图像对象为矩形。

$\mathrm{Rec}\tan \mathrm{gularFit}=1-\frac{A_o}{A}---\left(10\right)$

(5)长宽比(Length/width ratio)

图像对象长宽比可用图像对象的包围盒来估算：

$\mathrm{\&gamma;}=\frac{a^2+{((1-f)\&CenterDot;b)}^2}{A}---\left(11\right)$

其中a是图像对象包围盒的长度，b是图像对象包围盒的宽度，f是填充度，表示图像对象的面积A与包围盒的面积a*b之比，长宽比的最小值为1。

这些形状和大小描述因子的二进制编码都是按照一种相同的方法，每个描述因子用5位二进制编码来表示。以因子面积(Area)为例，在本研究区域内，图像对象的面积从16平米到1162000平米不等(相当于1到72625个像素)，根据图像对象面积的直方图，我们可以将这些图像对象分成5类，每一类在直方图中占据整个直方图面积的百分之二十。这样每个图像对象的面积就由5位编码来表示，如，如果编码为00100的话，表示该图像对象的面积大于T2但小于T3。

五、高度信息

图像对象的高度信息可以从数字地面模型或其他高度信息中获得，如，机载激光扫描(Lidar)数据，合成孔径雷达(SAR)。本发明中，我们使用了地面物体的相对高度信息，首先根据DSM过滤得到DEM，然后用DSM减去DEM即可得地物的相对高度。

高度信息的二进制编码是根据图像目标的相对高度确定的。根据实际经验，我们将图像目标的相对高度分成三类：相对高度低于1.5m，相对高度高于1.5m低于5m，相对高度高于5m。编码“001”表示该图像对象的高度大于5m。

六、目标对象

目标对象的标准反映用户对目标的期望，这些标准来源于人们对土地利用土地覆盖种类的常识，研究区域的实际情况，以及用户的特殊需求。类似于“建筑物至少高3米”，或“森林区域的紧致度一般来说要小于城市区域草地的紧致度”这样的描述都有可能成为目标对象的标准。这些标准可以在研究开始之间就预先定义好，可以根据对影像的观察而得，也可以从统计数据等其他数据源得来。

一个完整的目标对象的标准描述包括对光谱，形状和大小，以及高度这三方面信息的定义。目标对象的光谱标准一般来说来自于光谱库或来自数据本身的训练集，而目标对象的形状，大小和高度标准一般来自于实际经验。

以类别“工业建筑”为例：

(1)工业建筑的光谱特性由建筑物的屋顶材料确定，人工采集光谱样本是较为可行的提供光谱标准的方法；

(2)建筑物往往具有较为规则的形状，建筑物图像对象的紧致度和矩形系数相对于图像中的其他对象较高；

(3)一般来说，建筑物的占地面积不会特别大，并且面积有大有小；

(4)工业建筑物的高度一般来说大于5米。

若要将这些描述翻译成二进制编码的话：

(1)样本的光谱根据式(1)与式(3)所述方法表示为多组2L长度的二进制编码；

(2)建筑物的紧致度较高，设定为Bin4-Bin5，考虑到有可能存在并不是完全呈矩形形状的建筑物，我们将建筑物的矩形系数可处的范围稍放宽，设定为Bin3-Bin5；

(3)建筑物的占地面积设定为Bin1-Bin2；

(4)建筑物的相对高度应落在Bin3，考虑到图像对象取值为对象内像素平均值，因此设定为Bin2-Bin3；

(5)另外，从常识我们可以获悉建筑物的长度相比道路等地物而言较短，长宽比一般不会过于悬殊，因此我们将建筑物的长宽比设定为Bin1-Bin2。

七、特征匹配

我们可以使用汉明距计算图像光谱和目标光谱的距离，用以确定光谱信息的近似度。与光谱信息不同的是，在衡量形状，大小和高度信息的近似度时，我们使用的是位与操作，由以下公式计算得来：

公式(8)的后半部更像一个掩膜操作，对于一个因子(面积，高度等)，结果只有0(不匹配)和1(匹配)两种情况。由于公式(8)统计的实际是光谱的不符合数，因此式(8)中就用形状大小和高度的因子总数6减去了匹配的因子数。

经式(7)与(8)计算而得的是目标编码和图像对象编码的特征距离，该距离可以描述图像对象与目标对象的相似程度，如果我们可以定义出数个目标对象，该方法就可以用于图像的分类，对于某个图像对象，我们首先计算该对象到所有目标对象的距离，这样我们可以得到与图像对象距离最小的类别j，以及图像对象与其的距离i。如果距离i小于我们所规定的阈值，该图像对象将被分类为类别j，否则该对象将分类为“未分类”类。

Claims (7)

1.一种基于对象集成高度信息的面向对象的高光谱分类处理方法，其特征在于，包括以下步骤：

1)对HyMap影像和DSM数据进行预处理，包括HyMap影像校正，以及从DSM中找出具有高度的地面对象；

2)将HyMap影像与DSM数据进行影像匹配，若匹配成功，执行步骤3)，若匹配不成功，返回步骤1)；

3)采用基于边缘探测的分割方法与Full Lambda-Schedule算法将HyMap影像分割成了多个图像对象；

4)对每个图像对象的光谱信息进行二进制编码；

5)为每个图像对象计算形状因子的值，并将这些值转换成为了二进制编码；

6)将从DSM获取的具有高度的地面对象的相对高度信息转换成为二进制码；

7)客户端输入对目标对象的描述，系统将目标对象的描述转换成二进制编码；

8)用编码匹配算法对图像编码和目标编码进行匹配，确定两者之间的相似度。

2.根据权利要求1所述的一种基于对象集成高度信息的面向对象的高光谱分类处理方法，其特征在于，所述的步骤1)中的HyMap影像校正包括正射校正、大气校正、辐射校正。

3.根据权利要求1所述的一种基于对象集成高度信息的面向对象的高光谱分类处理方法，其特征在于，所述的步骤4)的光谱信息包括光谱均值、坡度信息，并用两倍于波段数的二值编码来表示。

4.根据权利要求1所述的一种基于对象集成高度信息的面向对象的高光谱分类处理方法，其特征在于，所述的5)中的形状因子包括面积、不对称系数、矩形系数、长宽比、紧致度，每个因子用5个编码来表达。

5.根据权利要求1所述的一种基于对象集成高度信息的面向对象的高光谱分类处理方法，其特征在于，所述的6)的相对高度信息分成三类，

类型A：相对高度低于1.5m；

类型B：相对高度高于1.5m低于5m；

类型C：相对高度高于5m，每个类型对应一个二进制编码。

6.根据权利要求1所述的一种基于对象集成高度信息的面向对象的高光谱分类处理方法，其特征在于，所述的7)中的目标对象的描述包括对光谱、形状与大小、高度的描述，所述的光谱描述来自于光谱库或数据本身的训练集。

7.根据权利要求1所述的一种基于对象集成高度信息的面向对象的高光谱分类处理方法，其特征在于，所述的8)中的编码匹配算法具体如下：

使用汉明距计算图像光谱和目标光谱的距离，用以确定光谱信息的近似度，在衡量形状，大小和高度信息的近似度时，使用的是位与操作，通过以下公式计算得到：

$D_h(\stackrel{\&RightArrow;}{Z_{\mathrm{ij}}},\stackrel{\&RightArrow;}{Z_{\mathrm{mn}}})=6-\underset{l=1}{\overset{28}{\mathrm{\&Sigma;}}}{Z}_{\mathrm{ij}}\left(l\right)\left(\mathrm{AND}\right)Z_{\mathrm{mn}}\left(l\right)---\left(2\right)$

计算得到目标对象编码和图像对象编码的特征距离，通过该距离判断图像对象与目标对象的相似程度。

Images