CN103208001B - 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 - Google Patents

Abstract

本发明公开一种结合形状自适应邻域和纹理特征提取的遥感图像处理方法，对图像进行预处理；对压缩图像进行灰度共生矩阵计算；将所产生的灰度共生矩阵进行SAN不规则对象窗口的S系数修改，得到规则的矩阵；根据修改后的规则的矩阵计算新的共生矩阵，选择特征明显、相关性低的纹理描述符；提取SAN不规则图形中的纹理特征图；计算得到更加精确的具融合特征的图像，即邻域的总体综合特征。可提高基于形状自适应邻域方法4%的总体分类精度。本方法既能更完整地提取遥感图像中不规则形状SAN特征中的纹理特征，又能较好地处理地物模糊边缘的混合像素特征提取问题，适于地表自然状态物体的纹理提取。

Description

结合形状自适应邻域和纹理特征提取的遥感图像处理方法

技术领域

本发明涉及遥感图像处理领域，更具体地，涉及一种结合形状自适应邻域和纹理特征提取的遥感图像处理方法。

背景技术

随着航天、航空技术的发展，多源、海量遥感数据获取，使遥感图像自动分类研究迫在眉急。然而，单纯依据光谱特征的图像分类精度无法令人信服，始终不及目视解译的识别精度，未能投入到实际应用中。人们依据人类视觉认知的理论，又补充了形状特征完善其分类效果，如：面向对象、形状自适应邻域(SAN)等方法提取特征、辅助分类，虽有改善，但其分类精度仍不尽人意。纹理特征作为遥感图像的三种有用信息之一，它是提高遥感图像分类精度的重要解决途径，也将对运用人类视觉认知过程深入识别目标对象起到积极的作用。

纹理可视为灰度(颜色)在空间以一定的形式变化而产生的图案(模式)，它是像素之间空间关系的描述。在遥感图像分类技术的应用中，纹理特征提取一直受到国内外学者的关注，各种经典的图像纹理特征提取方法几乎均被应用到遥感图像分类中，包括：统计方法、结构方法、模型方法，以及信号处理的频域分析方法等。在各种方法中，被研究得最多的就是统计方法，有灰度共生矩阵(GLCM)、纹理谱统计、变差函数、自相关函数等。其中，灰度共生矩阵(GLCM)被视为描述遥感图像中自然分布地物纹理特征信息最完整的一种算法，也是被研究的最为广泛的方法之一。由于这种方法的计算量庞大，使其应用受限，该算法的研究者探索了多种解决途径：一是采用压缩图像数据来减少计算量；二是指出灰度共生矩阵中的14个纹理描述符，大多数存在高度相关性，只有少数几个不相关，可通过优选纹理描述符，既减少计算量，又保持较完备的纹理信息，满足提高遥感图像分类精度的要求；三是通过改进共生矩阵的数据结构来节省计算时间。这些为灰度共生矩阵方法投入遥感图像分析应用提供了有益的借鉴和启示。

然而，各种纹理特征提取方法的一个共同缺点均是在提取特征前未确定边界，使得其在计算纹理特征的过程中，将其他异类的像素也包含在内，导致了地物边界像素分类模糊，且难以确定窗口大小，并对其结果影响很大等现象。前期已有研究提出了“一种形状自适应邻域(SAN)的遥感图像形状特征提取方法”，它可辅助解决纹理特征提取中确定边界的问题。该方法根据所选择图像颜色特征或灰度的目标像素，据其异质性对邻域像素进行特征提取，并保证自适应特征提取的形状对象与目标像素是同一类地物。显然，自适应邻域特征提取的对象是自然界地物不规则的形状，而传统的纹理提取方法所计算对象都是在矩形或方形的规则矩阵中。迄今为止，尚未有方法在自适应邻域下进行纹理特征的提取。

发明内容

针对现有技术的不足，本发明提出一种结合形状自适应邻域和纹理特征提取的遥感图像处理方法，保证在不规则SAN形状特征对象中提取纹理特征，它既能解决纹理特征边界模糊的问题，又能缓解纹理信息提取窗口难确定的问题，并满足算法自身所需的概率分布特征。

为实现上述目的，本发明的技术方案为：

一种结合形状自适应邻域和纹理特征提取的遥感图像处理方法，包括如下步骤：

S1.图像预处理：选择图像波段进行彩色RGB图像合成，转换到HSV颜色空间；在图像HSV空间中定义其像素异质性，逐像素生成形状自适应邻域SAN，即基于颜色特性的形状特征图；对该形状特征图进行压缩；

S2.对压缩图像进行灰度共生矩阵计算；将所产生的灰度共生矩阵进行SAN对象窗口的S系数修改，得到规则的矩阵，其中：S系数为不规则SAN中的像元数与窗口的尺寸大小的商；

S3.根据步骤S2修改后的规则的共生矩阵计算新的共生矩阵，选择熵、对比度和相似性三个特征明显、相关性低的纹理描述符；提取SAN不规则图形中的纹理特征图；

S4.对步骤S3计算所得的SAN的纹理特征图进行特征级的数据融合，生成具有彩色、SAN形状和纹理特征的融合图像，即邻域的总体特征。

其中步骤S1中生成的形状自适应邻域SAN是指：对于每一个像素，其邻域的形状不确定，具体的邻域形状视该像素与其相邻的像素点的异质性来判断是否属同一类来确定。这样，每一个邻域内的特征只表达了“中心”像素的特征与指定阈值范围内的SAN特征；而其中的图像压缩则是为了减少计算量。步骤S2中的S系数修改是修改窗口矩阵的方法，是为了解决不规则形状矩形纹理计算算法中的概率分布问题。步骤S3中选择的纹理描述符是从灰度共生矩阵分析方法中的14个纹理描述符中选择的。

更进一步的，所述步骤S1中的对形状特征图进行压缩是采用Zip压缩工具，将其8比特(256×256)彩色结果图像压缩为5比特图像(32×32)。

更进一步的，所述步骤S2中的S系数修改方式为：在邻域外部，即非计算区域，模拟出跟邻域内部等概率分布的像素点或像素点对，将检测域扩展为一个矩阵，使得每个检测域都是一个规则的矩阵；规则的矩阵乘以系数S得到步骤S3所述的新的共生矩阵；

或

对于灰度共生矩阵，共生矩阵乘以系数S修改得到步骤S3所述的新的共生矩阵。即对于灰度共生矩阵可不用模拟数据，而直接乘以一个系数S修改灰度共生矩阵的数据，解决窗口像素对分布概率的归一化问题。

更进一步的，所述步骤S3选择熵、对比度和相似性为纹理描述符；提取SAN不规则图形中的三个纹理特征图；其中熵、对比度和相似性的定义分别为：

熵是反映图像的信息量，表示纹理的复杂程度，即不一致性，熵是图像内容随机性的度量；

对比度是图像特定位置i和j间像素对的灰度差；

相似性是图像统计量主要检测邻域均值、方差的空间变化几何结构，即图像检测域中的相似程度。

熵：在灰度共生矩阵中，如果矩阵中各元素值相等，则熵值大，当各元素值差异较大时，则熵值小。

对比度：对于细纹理，相邻像素对比度差大，且类似的像素对多，则灰度共生矩阵的对比度统计值较大；而粗纹理则其对比度值较小。因此，对比度值的大小反映了纹理的粗细度。

相似性：越规则的纹理，检测域的相似程度就越大，而乱序、无周期的纹理，检测域的相似程度就越小。所以，它反映纹理的规则性。

更进一步的，

所述熵值为： $f_{ENT}=\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{M}{\Σ}}p(i,j)\log \[p(i,j)\]---\left(1\right)$

所述相似性为：

$f_{CON}=\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}{(i-j)}^{2}p(i,j)---\left(2\right)$

$f_{COR}=\frac{1}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\underset{i=0}{\overset{M}{\Σ}}\underset{j=0}{\overset{N}{\Σ}}ijp(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y---\left(3\right)$

其中：

${\mathrm{\μ}}_x=\underset{i=0}{\overset{M}{\Σ}}i\underset{j=0}{\overset{N}{\Σ}}p(i,j)---\left(4\right)$

${\mathrm{\μ}}_y=\underset{j=0}{\overset{N}{\Σ}}j\underset{i=0}{\overset{M}{\Σ}}p(i,j)---\left(5\right)$

${\mathrm{\σ}}_x=\underset{i=0}{\overset{M}{\Σ}}{(i-{\mathrm{\μ}}_x)}^2\underset{j=0}{\overset{N}{\Σ}}p(i,j)---\left(6\right)$

${\mathrm{\σ}}_y=\underset{j=0}{\overset{N}{\Σ}}{(j-{\mathrm{\μ}}_y)}^2\underset{i=0}{\overset{M}{\Σ}}p(i,j)---\left(7\right).$

更进一步的，所述步骤S4的数据融合的方式为：

SANFeature＝Fusion(SPE,γ(H),SHA)

其中，Fusion概括了特征融合的方法，SPE是SAN的光谱特征；SHA是SAN的形状特征，γ(H)是SAN的纹理特征，SANFeature是融合后的SAN的总特征。在具有颜色特征的SAN形状的限定下，生成的纹理特征图，即获得目标对象的总体融合特征图像，利用其可使得总体分类结果可提升4％的精度。

更进一步的，所述步骤S1中的波段为任意三个波段彩色合成图像，或单独波段高分辨率的图像。

与现有技术相比，本发明的有益效果为：

本发明充分利用遥感图像三大特征的分层分类方法，即：利用HSV颜色处理产生的识别优势和图像异质性特征，采用已有算法计算出SAN形状特征分布图像，又进一步以SAN形状边界限定了纹理提取的范围内，提取出每个形状对象单元中灰度共生矩阵方法中熵、对比度和相似度的纹理特征层，为提升遥感图像分类精度提供了总体融合特征图层；

同时针对SAN形状不规则，无法满足灰度共生矩阵统计方法的数据概率分布要求，提出了采用S系数方法取代非计算区域窗口模拟的繁琐方法，解决了不规则形状统计概率分布的归一化问题。其中，S系数由计算邻域大小与窗口大小的商决定。具体体现在：

1)解决了在不规则形状图斑中进行图像纹理分析时，不符合统计方法所需的概率分布要求的困境，提出便捷、可行性的S系数计算方法；

2)解决了纹理计算窗口大小设定困难的矛盾，窗口太小会提取不到纹理；窗口太大则大大增加了跨边界计算的概率，使边界更加模糊。由于本发明的算法限定了纹理计算的图形便捷，则不受窗口边界影响，可尽可能大地使用计算窗口；

3)在SAN图形边界内提取纹理特征，则也解决了纹理特征图边界模糊的问题，不会使原本较清晰的SAN边界受无边界限制的纹理提取特征图的干扰，而提高了图像分类精度；

4)与单纯形状自适应邻域算法相比，它仅靠颜色来进行异质性的判定将会错分部分像素，如：同类地物颜色不相同，但纹理一样；本发明是对邻域内像素的纹理特征再计算一次；实质上，计算过程是对图像像素进行颜色特征提取，形状特征提取，纹理特征提取等的不断迭代，便可得到更加精确地综合特征，可比仅用SAN(只含颜色和形状特征)的分类结果进一步提高4％的分类精度。

附图说明

图1-4为SAN生成原理示意图。

图5、6为灰度共生矩阵算法窗口复制示意图。

图7为纹理分析常规方法的边界模糊示意图。

图8为本发明产生纹理分析边界清晰的示意图。

图9为窗口选择对纹理分析影响的示意图。

图10、11为分类结果比较分析图。

图12为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步的描述基于形状自适应邻域的灰度共生矩阵的纹理提取解决途径，但本发明的实施方式并不限于此。

本发明是结合形状自适应邻域SAN和纹理提取的遥感图像处理方法，假设：获取一组多波段图像h，或高分辨率图像g，若令SAN是其压缩图像f定义的一个不规则多边形区域，对于离散的数字图像，SAN则是有限的离散格点，包括如下步骤：

1)图像的预处理──将多光谱图像h进行图像波段RGB彩色图像合成，转换到HSV颜色空间；或对高分辨率图像g直接进行对比度增强，如：直方图均衡化或分段线性拉伸等。其中，为提升颜色特征的信息识别能力，则将RGB彩色图像转换为符合人类视觉认知的HSV颜色空间。

2)对在HSV空间中的图像h，或对图像g直接定义其像素异质性(即：选择阈值)，逐像素生成其形状自适应邻域(SAN，Shape Adaptive Neighborhood)，即：基于颜色或灰度特性的形状特征图。在此，形状自适应邻域，如图1-4所示，中心点的四种不同邻域，是指：对于每一个象元，其邻域的形状不确定，具体的邻域形状视该象元与其相邻的像素点的异质性来判断，它们是否属同一类来确定。图1-4中，“·”代表中心点A，为中心点A的邻域，虚线框表示视野窗口。这样，每一个邻域内的特征只表达了“中心”象元与指定阈值范围内的SAN特征。即：

假设：CF₀是颜色特征的“中心像元”，而CF_i为边缘像元i的颜色特征，逐像元确定是否归属某类SAN；两两像元的异质性可表达为：diff＝|CF_o-CF_i|，在给定阈值T内，以SAN₀为中心像元，并遵循i∈SAN₀ iff diff＜T逐一确定像元i是否属于该SAN。在此，iff代表“ifand only if”。同理，高分辨率图像则是设定灰度特征的“中心像元”，据边缘像元i的灰度特征，逐像元确定是否归属某类SAN。

diff＝ω₁·H+ω₂·S+ω₃·I (1)

其中，ω_i为三个分量的权重，ω₁+ω₂+ω₃＝1.这样，对于给定的阈值T，如果diff<T，则两像素为同种地物，否则不同。

然后，给定SAN大小的最大值W*W，根据以上的异质性，即可确定每一个像素的SAN。

3)计算SAN的形状特征，采用两个描述形状紧凑性的算子描述形状特征：外观比(R)和形状因子(F)，其计算公式如下：

$\begin{array}{cc}R=\frac{L}{W}& F=\frac{{\left|B\right|}^2}{4\mathrm{\&pi;}A}\end{array}---\left(2\right)$

其中，L和W分别是邻域的最小外包矩形的长和宽，A是区域的面积，B是区域的周长。

此外，还须定义形状的有效性。对于遥感图像而言，由于地物的形状变化多样，没有固定的形状，如：对于森林覆盖、土地利用类型、湖泊等地物而言，其分布具有较大的随机性，故形状有效性对于这类地物判识的意义不明显；而对于道路这类规则线状地物、居民区、农田、操场等具有规则形状的地物而言，形状的特征则显得十分重要。因此，需要对邻域的形状进行有效性约束。在此，采用一个向量：eff＝[Re,Fe]，分别对以上两个形状描述算子进行有效性的设置。由此，SAN的形状特征可以表达为：

SHA＝[R,F,Re,Fe] (3)

4)为了解决灰度共生矩阵方法计算量大的问题，采用Zip工具分别压缩HSV彩色图像和SAN图像像素的灰度量级，减少运算数据量。

5)随后，可依图像尺度和SAN的不规则形状的尺寸任选窗口大小，如：图9中窗口4和5所示。继而，针对SAN的不规则形状特征灰度共生矩阵图像纹理提取算法的需求，采用S系数修改窗口矩阵的方法，解决不规则形状矩阵纹理计算的概率分布问题。其实施思路是：在邻域外部，即非计算区域，模拟出跟邻域内部等概率分布的像素点或像素点对如图5，6所示，图5为SAN算法计算范围，图6为模拟数据后的计算范围，在图5、6中，黑色“■”表示计算区域，表示通过复制计算区域的像素模拟出来的区域，“□”表示非计算区域。将检测域扩展为一个矩阵，使得每个不规则检测域，均成为一个规则的矩阵；然后，再对该矩阵进行正常的纹理特征提取。研究表明，根据灰度共生矩阵的形成特点，可不用模拟数据，而直接乘以一个系数S修改共生矩阵的数据，而系数S则由计算邻域大小与窗口大小的商决定。假设：图像窗口数据为：

$\begin{array}{cc}\left[\begin{array}{c}NNN12\\ 11011\\ 2210N\\ 1102N\\ NN10N\end{array}\right]& P_{(1,1)}\end{array}=\left[\begin{array}{ccc}(0,0)& (0,1)& (0,2)\\ (1,0)& (1,1)& (1,2)\\ (2,0)& (2,1)& (2,2)\end{array}\right]=\left[\begin{array}{ccc}2& 0& 0\\ 0& 3& 2\\ 1& 1& 0\end{array}\right]---\left(4\right)$

形状自适应邻域 共生矩阵

其中，N代表非计算区域。在此，窗口大小为25，邻域大小为17，则系数S为0.68。若将共生矩阵的每一个元素乘以系数S，则生成新共生矩阵如下：

$\left[\begin{array}{ccc}2& 0& 0\\ 0& 3& 2\\ 1& 1& 0\end{array}\right]\&RightArrow;\left[\begin{array}{ccc}1.36& 0& 0\\ 0& 2.04& 1.36\\ 0.68& 0.68& 0\end{array}\right]---\left(5\right)$

原共生矩阵 新的共生矩阵

新的共生矩阵可供灰度共生矩阵方法中任何纹理描述符计算其纹理特征图。

6)分析研究表明，在灰度共生矩阵分析方法中的14个纹理描述符中，对比度、熵和相似性三个纹理描述符具较高的重要性，且互不相关。因此，本发明采用修改后的新矩阵计算灰度共生矩阵的熵、对比度和相似性(优选后的纹理描述符)的纹理特征图，在SAN不规则图形中提取纹理特征。所优选纹理描述符分别定义如下：

本发明所优选纹理描述符分别定义如下：

①熵反映图像的信息量，表示纹理的复杂程度(即不一致性)，它是图像内容随机性的度量。在灰度共生矩阵中，如果矩阵中各元素值相等，则熵值大，当各元素值差异较大时，则熵值小。

$f_{ENT}=\underset{i=0}{\overset{M}{\&Sigma;}}\underset{j=0}{\overset{M}{\&Sigma;}}p(i,j)\log \&lsqb;p(i,j)\&rsqb;---\left(6\right)$

②对比度则是图像特定位置i和j间像素对的灰度差。对于细纹理，相邻像素对灰度差大，且类似的像素对多，则共生矩阵的对比度统计值较大；而粗纹理则其对比度值较小。因此，对比度值的大小反映了纹理的粗细度。

③相似性作为图像统计量主要检测邻域均值、方差的空间变化几何结构，即图像检测域中的相似程度。越规则的纹理，检测域的相似程度就越大，而乱序、无周期的纹理，检测域的相似程度就越小。所以，它反映纹理的规则性。

$f_{CON}=\underset{i=0}{\overset{M}{\&Sigma;}}\underset{j=0}{\overset{N}{\&Sigma;}}{(i-j)}^{2}p(i,j)---\left(7\right)$

$f_{COR}=\frac{1}{{\mathrm{\&sigma;}}_x{\mathrm{\&sigma;}}_y}\underset{i=0}{\overset{M}{\&Sigma;}}\underset{j=0}{\overset{N}{\&Sigma;}}ijp(i,j)-{\mathrm{\&mu;}}_x{\mathrm{\&mu;}}_y---\left(8\right)$

其中：

${\mathrm{\&mu;}}_x=\underset{i=0}{\overset{M}{\&Sigma;}}i\underset{j=0}{\overset{N}{\&Sigma;}}p(i,j)---\left(9\right)$

${\mathrm{\&mu;}}_y=\underset{j=0}{\overset{N}{\&Sigma;}}j\underset{i=0}{\overset{M}{\&Sigma;}}p(i,j)---\left(10\right)$

${\mathrm{\&sigma;}}_x=\underset{i=0}{\overset{M}{\&Sigma;}}{(i-{\mathrm{\&mu;}}_x)}^2\underset{j=0}{\overset{N}{\&Sigma;}}p(i,j)---\left(11\right)$

${\mathrm{\&sigma;}}_y=\underset{j=0}{\overset{N}{\&Sigma;}}{(j-{\mathrm{\&mu;}}_y)}^2\underset{i=0}{\overset{M}{\&Sigma;}}p(i,j)---\left(12\right)$

7)对从步骤6)计算所得具有形状限定的SAN纹理特征图，它涵盖了遥感图像的颜色或灰度特征、SAN形状特征和相应的纹理特征，相当于特征级数据融合后，图像中各类地无差异的总体特征，其融合公式可视为：

SANFeature＝Fusion(SPE,γ(H),SHA) (13)

其中，Fusion是特征融合的方法，本发明提出SAN分层融合方法；首先，SPE是SAN的光谱特征，即：步骤1)图像光谱的HSV转换和步骤2)光谱异质性分析，作为SAN形状生成的依据；SHA是SAN的形状特征，它通过步骤3)SAN特征提取方法进一步得到图像的形状特征；γ(H)是在SAN内的纹理特征，即：步骤5)从计算获得的新共生矩阵中，进一步提取纹理特征图的结果；SANFeature是融合后的SAN的总体特征，即：利用SAN分层融合形成的熵、对比度和相似度纹理特征图支持遥感图像精细分类，生成邻域的总体分类结果(图6)。在此，以SAN总体特征为训练样本，采用最大似然分类方法计算图像的分类结果。

在上述方法中，步骤1)的具体操作属遥感图像预处理的常规方法，其中，一是将RGB合成图像转换到HSV颜色空间，主要目的是使其在形成SAN时，可处于图像颜色异质性更符合人类视觉认知的颜色空间，获得更丰富的色调特征；或者，对高分辨率图像g直接进行对比度增强，如：直方图均衡化或分段线性拉伸等，获得图像灰度层次丰富的异质性特征，以便生成高精度SAN类别。具体的处理流程不再赘述。

在上述方法中，步骤2)据方程(1)计算SAN，给定SAN大小的最大值W*W，根据以上的异质性，即可确定每一个像素的SAN。其中，ω_i为三个分量的权重，ω₁+ω₂+ω₃＝1.这样，对于给定的阈值T，如果diff<T，则两像素为同种地物，否则不同。

在上述方法中，步骤3)采用常规的两个描述形状特征紧凑性的算子：外观比(R)和形状因子(F)检验所得形状的有效性，以保证结合SAN的纹理提取结果的有效性。

在上述方法中，步骤4)是采用Zip压缩工具将其由8比特(256×256)彩色合成图像和SAN图像压缩为5比特图像(32×32)，降低灰度共生矩阵纹理提取的计算量。

在上述方法中，步骤5)中，针对SAN的不规则形状特征图像纹理提取算法的需求，采用S系数修改窗口矩阵的方法，解决不规则形状矩阵纹理计算的概率分布问题。而系数S则由邻域大小与窗口大小的商决定，若将共生矩阵的每一个元素乘以系数S，则可生成新共生矩阵。新的共生矩阵可供灰度共生矩阵方法中任何纹理描述符计算其纹理特征图。

步骤5)也是本发明的核心：在SAN邻域外部，如图5-6，即非计算区域，模拟出跟邻域内部等概率分布的像素点或像素点对，将每个不规则检测域扩展为一个规则矩阵；实施操作时，可据灰度共生矩阵的形成特点，不用复制数据，而直接乘以一个系数S修改共生矩阵的数据，解决窗口像素对出现概率的归一化问题。其中，系数S由像元分布邻域(邻域内像元数)与窗口大小(窗口内像元数)的‘商’决定。然后，选择特征明显、相关性低的纹理描述符，如：灰度共生矩阵中对比度、熵和相似性等纹理描述符，对这些新矩阵进行正常的纹理特征提取，生成各自的纹理特征图。由于它们是基于图像的颜色生成SAN形状，又在其限定不规则形状内进一步进行纹理特征识别分析，故可认为它们是融合了颜色、形状和纹理图像特征的总体特征图，可对提高遥感图像的识别分类精度起到重要的作用。

在上述方法中，步骤6)是在共生矩阵方法的14个纹理描述子中优选出熵、对比度和相似性3个特征明显，互不相关的纹理描述子分别计算遥感图像的纹理特征图：具体推理和操作过程如下：

由步骤5)生成的SAN不规则形状纹理的新共生矩阵图，实现了两个目标：自动生成不规则目标，并使其共生矩阵归一化，便于对SAN进行纹理特征提取，即：优选熵、对比度和相似性三个纹理描述子，采用公式(6)～公式(12)生成纹理特征图，以备作为图像总体融合特征分类的特征向量；

在上述方法中，步骤7)是对分层融合过程(从步骤2)、5)和6))计算所得的SAN光谱特征、纹理特征和形状特征的融合结果，即：计算所得遥感图像的SAN总体特征进行分类，其分类方法采用常用的最大似然分类。

综上所述，本发明提出的结合形状自适应邻域和灰度共生矩阵特征提取的遥感图像纹理处理方法，它是对遥感图像采用分层特征提取、融合的方法，利用图像颜色在HSV颜色空间中融合、识别的优势，以及图像异质性的特征，逐像素计算出图像的SAN形状特征分布图像；进而，在形状自适应邻域(SAN)的基础上，提出在限定不规则多边形SAN中提取图像纹理特征的方法，即：利用SAN形状边界限定了纹理提取的范围，又进一步提出S系数方法，解决了不规则形状统计概率分布的归一化问题；该方法选择了灰度共生矩阵方法中熵、对比度和相似度三个纹理描述子，生成了包含颜色、形状和纹理特征的三个融合特征图像层；最后，采用常用的(ENVI图像处理软件)中最大似然分类方法进行土地利用类型分类。

本发明的优点或效果体现在如下方面：

方法上：提出了充分利用遥感图像三大特征的分层分类方法，即：利用HSV颜色处理产生的识别优势和图像异质性特征，采用前期研发的算法计算出SAN形状特征分布图像，又进一步以SAN形状边界限定了纹理提取的范围内，提取出每个形状对象单元中灰度共生矩阵方法中熵、对比度和相似度的纹理特征层，为提升遥感图像分类精度提供了总体融合特征图层；

针对形状自适应邻域(SAN)形状不规则，无法满足灰度共生矩阵统计方法的数据概率分布要求，提出了采用S系数方法取代非计算区域窗口模拟的繁琐方法，解决了不规则形状统计概率分布的归一化问题。其中，S系数由计算邻域大小与窗口大小的商决定。

本发明主要解决了以下情形：

(1)解决了在不规则形状图斑中进行灰度共生矩阵图像纹理分析时，不符合统计方法所需的概率分布要求的困境，提出便捷、可行性的S系数计算方法，如图5、6所示的模拟窗口；

(2)解决了纹理计算窗口大小设定困难的矛盾，窗口太小会提取不到纹理，如图9中的窗口1；窗口太大则大大增加了跨边界计算的概率，如图9中的窗口3，使边界更加模糊。由于本发明的算法限定了纹理计算的图形便捷，则不受窗口边界影响，可尽可能大地使用计算窗口，如图9中窗口4和窗口5；

(3)同时，本发明提出的方法是在SAN图形边界内提取纹理特征，则也解决了纹理特征图边界模糊的问题，图7为纹理分析常规方法的边界模糊示意图，图8为采用本发明产生纹理分析边界清晰的示意图，不会使原本较清晰的SAN边界受无边界限制的纹理提取特征图的干扰，而提高了图像分类精度；

(4)与单纯形状自适应邻域算法相比，它仅靠颜色来进行异质性的判定将会错分部分像素，如：同类地物颜色不相同，但纹理一样；有了本发明算法后，又对邻域内像素的纹理特征再计算一次；实质上，计算过程如图12所示，是对图像像素进行颜色特征提取，形状特征提取，纹理特征提取等的不断迭代，便可得到更加精确地综合特征，可比仅用SAN(只包含颜色和形状特征)的分类结果进一步提高4％的分类精度，如图10、11。

表1、表2分别给出在无形状边界限制与在SAN下的两种灰度共生矩阵进行熵、对比度和相似性纹理描述符分析后，其最大似然分类结果与目视解译分类结果的混淆矩阵精度比较。混淆矩阵(Confusion Matrix)主要是用于比较分类结果和地表真实信息，它是通过将每个地表真实像元的位置和分类与分类图像中的相应位置和分类像元比较计算得来。混淆矩阵的每一列代表了地表地物真实分类，其数值等于分类图像中对应地表的像元类别数量，可有像元数和百分比两种表示，并将分类结果的精度显示在一个混淆矩阵里面。实验证明，各种类型的地物分类精度均有所提高，但自然地物的分类精度提高约在7～10％，人工地物仅在0.5％，总体分类精速度提高4.4％，结果符合灰度共生矩阵方法的特征，即：方法更适用于自然地物分类。

表1灰度共生矩阵的混淆矩阵

	建筑区	林地	水体	总数	精度
						建筑区	245165	37667	7637	290469	84.4％
林地	18959	131838	972	151769	86.8％
						水体	2886	4010	48922	55818	87.6％
总数	267010	173515	57531	512378
						精度	91.8％	75.9％	85.0％		83.1％

表2SAN下的灰度共生矩阵的混淆矩阵

	建筑区	林地	水体	总数	精度
						建筑区	268374	22352	1637	292363	91.7％
林地	19612	133395	562	153569	86.8％
						水体	2697	6174	46910	55781	84.0％
总数	290683	161921	49109	512378
						精度	92.3％	82.3％	95.5％		87.5％

值得提及的是，本发明提出的方法可以在任意三个波段彩色合成的多光谱图像上进行颜色、形状和纹理总体特征提取；也可以在单独波段高分辨率的图像上进行灰度、形状和纹理总体特征提取。同时，采用前述提出的SAN颜色、形状和纹理信息综合提取方法，本发明设计了遥感图像特征提取的综合处理流程和技术方案，并开发了相应的图像处理功能模块，可集成于任何图像处理软件产品中。

在具体的实施过程中，遥感图像形状自适应和灰度共生矩阵纹理特征提取的结合方法是将多光谱图像进行RGB彩色合成，构成彩色图像；再将其转换至符合人类视觉认知的HSV颜色空间，提升颜色特征的信息识别能力；进而，将其压缩为5比特彩色图像(32×32)，以减少灰度共生矩阵方法的计算量。这些处理流程可被视为图像预处理过程，具体的操作过程：

(1)首先，将多光谱图像进行图像预处理，如：消除噪声，辐射校正，几何校正等，这些均为已成熟的技术与方法；

(2)然后，将三幅多光谱图像进行彩色合成，可采用现有成熟方法；

(3)其后，将RGB彩色合成图像转换成HSV颜色图像，也可采用现有成熟方法。

本方法所实施的结合遥感图像形状自适应和灰度共生矩阵纹理特征提取的图像处理方法具体步骤如下：

(1)根据HSV彩色图像之颜色特征的异质性，计算图像的形状自适应邻域(SAN)，作为灰度共生矩阵纹理特征提取的不规则形状特征，SAN计算窗口设置为7×7，这是我们前期的研究成果；

(2)对所计算的SAN形状特征进行形状的有效性的分析，采用公式(2)中外观比R和形状因子F两个描述形状紧凑性的算子描述形状特征，对邻域的形状进行有效性约束，以保证SAN形状对纹理提取的；

(3)紧接着，再采用Zip压缩工具将HSV彩色图像和SAN图像压缩为5比特彩色图像，作为本发明的图像颜色特征的基础实验数据。

(4)随后，便可依图像尺度(分辨率)、纹理特征(纹理的粗细)和SAN的不规则形状的尺寸任选窗口大小，本实验设置为5×5的窗口。

(4)继而，针对SAN的不规则形状特征图像纹理提取算法的需求，采用S系数修改窗口矩阵的方法，解决不规则形状矩阵纹理计算的概率分布问题。在此，直接将窗口中的原始数据乘以一个系数S修改共生矩阵的数据，而系数S则由SAN的不规则形状计算邻域内有效像元数与窗口大小的商决定。新的共生矩阵可供灰度共生矩阵方法中任何纹理描述符计算其纹理特征图。

(5)选择灰度共生矩阵分析方法中对比度、熵和相似性作为三个纹理描述符，在SAN不规则图形中提取纹理特征。事实时，逐一对每个SAN中修改后的新灰度共生矩阵计算纹理特征图；

(6)最后，将具有颜色特征、形状约束的对比度、熵和相似性的纹理特征图作为三个输入向量进行土地利用类型的分类(可任意选择图像分类方法)。本发明采用最大似然分类进行土地利用类型分类，最终输出结合颜色、形状、纹理三种特征的遥感图像分类结果，如图10、11，并对其与该图像目视解译(结合野外考察)结果进行混淆矩阵的比较。

以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所做出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (6)

1.一种结合形状自适应邻域和纹理特征提取的遥感图像处理方法，其特征在于，包括如下步骤：

S1.图像预处理：选择图像波段进行RGB彩色图像合成，转换到HSV颜色空间；在图像HSV空间中定义其像素异质性，逐像素生成形状自适应邻域SAN，即基于颜色特性的形状特征图；对该形状特征图进行压缩；

S2.对压缩图像进行灰度共生矩阵计算；将所产生的灰度共生矩阵进行SAN对象窗口的S系数修改，得到规则的共生矩阵，其中S系数为不规则SAN中的像元数与窗口的尺寸大小的商；

S3.根据步骤S2修改后的规则的共生矩阵计算新的共生矩阵，选择熵、对比度和相似性三个特征明显、相关性低的纹理描述符；提取SAN不规则图形中的纹理特征图；

S4.对步骤S3计算所得的SAN的三幅纹理特征图进行特征级的数据融合，得到具有彩色、SAN形状和纹理特征的融合图像，即邻域的总体特征；

所述步骤S2中SAN对象窗口的S系数修改方式为：在邻域外部，即非计算区域，模拟出跟邻域内部等概率分布的像素点或像素点对，将检测域扩展为一个矩阵，使得每个检测域都是一个规则的矩阵；规则的矩阵乘以系数S得到步骤S3所述的新的共生矩阵；

或

对于灰度共生矩阵，共生矩阵乘以系数S修改得到步骤S3所述的新的共生矩阵。

2.根据权利要求1所述的结合形状自适应邻域和纹理特征提取的遥感图像处理方法，其特征在于，所述步骤S1中的对形状特征图进行压缩是采用Zip压缩工具。

3.根据权利要求1所述的结合形状自适应邻域和纹理特征提取的遥感图像处理方法，其特征在于，所述步骤S3选择熵、对比度和相似性为纹理描述符；提取SAN不规则图形中的三个纹理特征图；其中熵、对比度和相似性的定义分别为：

熵是反映图像的信息量，表示纹理的复杂程度，即不一致性，熵是图像内容随机性的度量；

对比度是图像特定位置i和j间像素对的灰度差；

相似性是图像统计量主要检测邻域均值、方差的空间变化几何结构，即图像检测域中的相似程度。

4.根据权利要求1所述的结合形状自适应邻域和纹理特征提取的遥感图像处理方法，其特征在于，

所述熵值为： $f_{ENT}=\underset{i=0}{\overset{M}{\&Sigma;}}\underset{j=0}{\overset{N}{\&Sigma;}}p(i,j)log\&lsqb;p(i,j)\&rsqb;---\left(1\right)$

所述相似性为：

$f_{CON}=\underset{i=0}{\overset{M}{\&Sigma;}}\underset{j=0}{\overset{N}{\&Sigma;}}{(i-j)}^{2}p(i,j)---\left(2\right)$

$f_{COR}=\frac{1}{{\mathrm{\&sigma;}}_x{\mathrm{\&sigma;}}_y}\underset{i=0}{\overset{M}{\&Sigma;}}\underset{j=0}{\overset{N}{\&Sigma;}}ijp(i,j)-{\mathrm{\&mu;}}_x{\mathrm{\&mu;}}_y---\left(3\right)$

其中：

${\mathrm{\&mu;}}_x=\underset{i=0}{\overset{M}{\&Sigma;}}i\underset{j=0}{\overset{N}{\&Sigma;}}p(i,j)---\left(4\right)$

${\mathrm{\&mu;}}_y=\underset{j=0}{\overset{N}{\&Sigma;}}j\underset{i=0}{\overset{M}{\&Sigma;}}p(i,j)---\left(5\right)$

${\mathrm{\&sigma;}}_x=\underset{i=0}{\overset{M}{\&Sigma;}}{(i-{\mathrm{\&mu;}}_x)}^2\underset{j=0}{\overset{N}{\&Sigma;}}p(i,j)---\left(6\right)$

${\mathrm{\&sigma;}}_y=\underset{j=0}{\overset{N}{\&Sigma;}}{(j-{\mathrm{\&mu;}}_y)}^2\underset{i=0}{\overset{M}{\&Sigma;}}p(i,j)---\left(7\right).$

5.根据权利要求1所述的结合形状自适应邻域和纹理特征提取的遥感图像处理方法，其特征在于，所述步骤S4的数据融合的方式为：

SANFeature＝Fusion(SPE,γ(H),SHA)

其中，Fusion概括了特征融合的方法，SPE是SAN的光谱特征；SHA是SAN的形状特征，γ(H)是SAN的纹理特征，SANFeature是融合后的SAN的总特征。

6.根据权利要求1所述的结合形状自适应邻域和纹理特征提取的遥感图像处理方法，其特征在于，所述步骤S1中的波段为任意三个波段彩色合成图像，或单独波段高分辨率的图像。