CN103559500A - 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 - Google Patents

Abstract

本发明公开了一种基于光谱与纹理特征的多光谱遥感图像地物分类方法，该方法采用四叉树分块技术对图像进行多级分块处理，以图像块的方式提取地物的光谱和纹理特征，采用SVM分类器对图像块进行地物分类，并通过区域增长方法对图像块分类边缘区域进行处理。与现有技术相比较，本多光谱遥感图像分类方法提高了光谱特征和纹理特征在地物分类中的抗噪性能，避免了纹理特征提取窗口大小的问题，使得分类结果区域一致性强、噪声少的优点。

Description

一种基于光谱与纹理特征的多光谱遥感图像地物分类方法

技术领域

本发明属于数字图像处理技术领域，涉及一种多光谱遥感图像地物分类方法，尤其涉及一种基于光谱与纹理特征的多光谱遥感图像地物分类方法，其为基于光谱特征与纹理特征对中高分辨率多光谱遥感图像中的典型地物进行分类方法。

背景技术

遥感图像能大面积反映地物情况，基于遥感图像的地物分类可应用于环境监测、资源调查、土地规划、灾害防治、地物测绘等多个方面。多光谱遥感图像通常具有4-7个波段，相较于单波段的全色遥感图像能获得地物在蓝、绿、红、近红外等波段的更多信息，有利于地物类型的识别。随着遥感图像分辨率的提高，高分辨率多光谱图像中显示地物的细节越来越多，也使得信息的利用变得复杂，有效利用多光谱遥感图像中的光谱特征与纹理特征是提高地物分类准确性的重要方面。

多光谱遥感图像地物分类是多光谱遥感图像应用的一个重要方面，所开展的研究较多，已出现了大量的地物分类算法。目前多光谱图像分类方法主要基于地物光谱特征和纹理特征来分类。基于像元光谱特征的分类方法易形成大量噪声点，分类区域一致性差，多用于低分辨率遥感图像地物分类。纹理特征也是地物的重要特征之一，统计熵、LBP等纹理特征被用于对Landsat-7ETM+、SPOT等图像的地物分类。由于高分辨率多光谱图像中地物的纹理特征复杂多变，纹理特征描述的窗口大小直接影响了分类结果。纹理特征的计算窗口尺寸过大，易包含多种地物，使得纹理描述不准确，导致误分；计算窗口尺寸过小，则不易体现地物的纹理，导致错分。不同的研究中纹理窗口大小存在明显差异，有的选择5×5，有的选择13×13等。

现有多光谱遥感图像地物分类方法，多能将纹理粒度较小、光谱较均一的地物较好地分类，但在高分辨率图像中居民区、山区等区域纹理粒度较粗，且混杂了少量其他地物类型，不易形成一个较大的分类区域，分类区域包含噪声多、一致性较差。土地规划、大环境分析等部分应用中对地物分类一致性要求较高，需要针对分辨率多光谱遥感图像研究一种基于光谱与纹理特征的多光谱遥感图像地物分类方法，能适应不同纹理粒度的地物分类。

发明内容

本发明所要解决的技术问题在于提供一种基于光谱与纹理特征的多光谱遥感图像地物分类的方法。该方法将四叉树分块技术与SVM分类技术相结合，更好地提取与应用地物的光谱与纹理特征，使得分类结果区域一致性较好。

为实现上述目的，本发明采用下述技术方案：一种基于光谱与纹理特征的多光谱遥感图像地物分类方法，包括如下步骤：

步骤（1）、典型地物样本库的建立：根据需要分类的地物类型，在同一卫星多光谱图像中选取每种地物的32×32像素的样本图像块50—100个，构成样本库；

步骤（2）、典型地物特征提取与归一化处理：对每个样本图像块提取光谱特征与纹理特征，分别统计出每种光谱、纹理特征的最大值与最小值，并进行归一化处理；

步骤（3）、SVM分类器训练：对每个样本图像块，将其归一化后的光谱与纹理特征形成一个特征向量，将其对应的地物类型形成另一个向量，作为训练样本输入到SVM中，得到SVM分类器；

步骤（4）、分块的特征选取与准则制定：根据对样本库中地物的区分能力，采用启发式方法从光谱特征、纹理特征中分别选择能有效区分地物的2-3个特征，并采用欧氏距离制定四叉树的分块准则；

步骤（5）、待分类图像的分块：从待分类图像的左上角开始，对每个64×64像素的图像块采用四叉树进行分块，得到待分类图像块；

步骤（6）、待分类图像的地物分类：分别计算每个待分类图像块的光谱特征与纹理特征，进行归一化处理后输入到SVM分类器，得到待分类图像块的地物类型；

步骤（7）、边界块处理：在地物分类的边缘，选取与边缘相邻的8×8图像块，按光谱特征采用区域增长方法形成1-3个区域，根据光谱特征欧氏距离合并到相似周围图像块。

其中，所述步骤（2）中，光谱特征主要包括各个波段的光谱值、波段间的比值、地物指数，纹理特征主要包括边缘丰度以及基于灰度共生矩的能量、相关性和熵，边缘丰度为边缘点与像素点的比值，其中边缘点是采用Sobel算子得到。

其中，所述步骤（3）中，采用光谱或纹理特征的阈值作为四叉树的分块准则，其中，光谱特征阈值的要求为：在欧氏距离取值范围内统计不同值在判断样本图像库中不同地物差异性的正确率，选择正确率最高的值作为光谱特征分块的阈值。

其中，所述步骤（7）中，在四叉树分块中，对图像块最多进行4级分块，最小分块为8×8像素。

其中，所述步骤（7）中，对于非拐角边缘，取其上下或左右的2个8×8像素的图像块，对于拐角边缘取其周围4个8×8像素的图像块。

本发明的原理在于：一种基于分块与SVM的多光谱遥感图像地物分类方法，其步骤具体的解释如下：

步骤（1）、典型地物样本库的建立：不同的多光谱卫星成像时选择的波段范围存在一定差异，因此发明针对某一卫星待分类的多光谱图像，选择一定数量的多光谱图像以建立样本库。主要过程是结合需要分类的地物类型，如植被、水体、人工建筑等，从多光谱图像中为每个类型的地物截取32×32像素大小的图像块作为地物特征分析与学习的样本库；

步骤（2）、典型地物特征提取与归一化处理：针对每类地物，分别提取样本图像库中图像块的光谱特征与纹理特征；为了避免不同特征的值域差异，分别统计出样本各个光谱、纹理特征的最大值与最小值，结合最大值与最小值对光谱、纹理特征进行归一化处理；

步骤（3）、分块的特征选取与规则制定：采用启发法进行特征选择，结合样本图像块库，分别从光谱特征与纹理特征中选择出能有效区分地物的2-3个特征；利用选择出来的光谱特征与纹理特征，采用光谱特征欧氏距离和纹理特征欧氏距离来制定四叉树分块规则；

步骤（4）、待分类图像分块：首先从待分类的图像左上角开始按64×64像素大小进行1级分块，然后利用四叉树技术根据分块规则对图像进行4级分块处理，最小分块大小8×8像素，也就是根据分块规则对1级、2级、3级分块做出分块或不分块的处理，每次分块处理按2×2平均分块；

步骤（5）、SVM分类器训练：选择SVM的核函数，将归一化后的每一个样本图像块的光谱与纹理特征形成特征向量，连同样本图像块的地物类型，作为训练样本输入到SVM中，得到SVM分类器，利用分类器对测试图像进行分类，根据分类准确性调整SVM的参数；

步骤（6）、图像块地物分类：将步骤（4）中的各图像块，分别计算光谱特征与纹理特征，并进行归一化，输入到步骤（5）获得的SVM分类器中，图像块被分为不同地物类型；

步骤（7）、边界块处理：沿着步骤（4）出现的边缘，取出与边缘相邻的8×8像素大小的图像块，采用区域增长的方式，在周围类别的引导下，将边界区域分成1-3个地物类型，得到1-3个区域，并根据光谱特征欧氏距离合并到相邻相似的图像块中。

本发明提出的多光谱遥感图像地物分类方法具有如下的优点：

1.从较大的窗口（32×32与16×16）提取光谱与纹理特征，对于居民区等粗粒度区域来说，其纹理特征提取更为完整，分类区域一致性较好；

2.按图像块对地物分类，对图像块内少量混杂地物具有较好的容忍性，使得分类区域噪声少；

3.对地物纹理粒度的大小具有更好的鲁棒性，避免了地物纹理特征窗口大小的选取问题。

附图说明

图1为一种基于光谱与纹理特征的多光谱遥感图像地物分类方法流程图；

图2为Sobel算子卷积核；

图3为某区域Quickbird多光谱遥感图像（待分类图像）示意图；

图4为待分类图像分块处理结果示意图；

图5为待分类图像按图像块分类结果示意图；

图6为边界块处理后图像地物分类结果示意图。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

如图1所示，本发明的实现共分为7个主要步骤，分别为：典型地物样本库的建立、典型地物特征提取与归一化处理、分块的特征选取与规则制定、待分类图像分块处理、SVM分类器训练、基于SVM的图像块分类和边界块处理。下面以将Quickbird多光谱遥感图像分类植被、建筑、水体等地物类型为例，对本发明的具体实施步骤进行详细的说明。

（1）典型地物样本库的建立

针对待分类的同卫星多光谱图像，结合需要分类的地物类型，从多光谱图像中每个类型的地物选取32×32像素大小的图像块作为地物特征分析与学习的样本库。

当某类地物中包含多个子类，子类间的光谱特征或纹理特征差异大时，需将地物的类型进行拆分，如将建筑类中的沥青和混凝土，其光谱特征差异较大，可进一步将人工建筑细分为沥青、混凝土等子类。并在各个子类中选取出典型的样本，以准确分析它们具有的光谱与纹理特征。

（2）典型地物特征提取与归一化处理

首先，对样本图像库中的图像块，从光谱和纹理两个方面提取典型地物典型样本的特征。其中光谱特征包括各个波段的光谱值、波段间的比值、NDVI（归一化植被指数）、WRI（水体指数）等，具体表示与计算方法见表1。不同卫星的波段数和波段范围存在差异，这里以Quickbird为例。其中纹理特征包括灰度共生矩的多个统计量（熵、相关性等）和边缘丰度等，边缘丰度ER的计算见公式（1）。

表1光谱特征

公式（1）中，可以选择Sobel算子来检测边缘，Sobel算子基于方向导数掩模求卷积的方法，本发明使用图2所示的两个卷积核对每个像素点作卷积，将两个卷积的最大值作为该点的输出，以较好地获取垂直方向边缘信息和水平方向边缘信息。

接着，对光谱特征与纹理特征利用公式（2）—公式（4）进行归一化处理，公式（2）—公式（4）中，x是原始特征值，Min是特征的最小值，Max是特征的最大值，x'是归一化后的特征值。

$x^{\′}=\frac{x-{\mathrm{Min}}^{\′}}{{\mathrm{Max}}^{\′}-{\mathrm{Min}}^{\′}}$                        公式（2）

Max'＝Max+(Max-Min)×0.25           公式（3）

Min'＝Min-(Max-Min)×0.25            公式（4）

（3）分块的特征选取与规则制定

选择合适的光谱特征与纹理特征作为图像四叉树分块规则中的特征，并确定四叉树分块规则的阈值，得到步骤（4）中四叉树分块的规则P。

首先，结合样本图像块库，根据典型地物间光谱特征的差异性，采用启发法进行特征选择，本发明选择

和

等光谱特征作为分块规则中特征；结合样本图像块库，根据典型地物间纹理特征的差异性，采用启发法进行特征选择，本发明选择灰度共生矩中的统计量相关性F_Cor和能量F_Engy以及边缘丰度ER等纹理特征作为分块规则P中特征。

然后，将图像分块规则P制定为光谱特征欧氏距离D_S或纹理特征欧氏距离D_T是否大于设定的阈值Γ_S和Γ_T，利用选择出来的光谱特征的欧氏距离D_S（计算方式见公式（5））以及选择出来的纹理特征的欧氏距离D_T（计算方式见公式（6））来度量不同地物图像块的差异性，其中阈值Γ_S和Γ_T通过统计法在样本库中测试得到。

$D_S={[{(\frac{{\mathrm{NIR}}_1}{B_1}-\frac{{\mathrm{NIR}}_2}{B_2})}^2+{(\frac{{\mathrm{NIR}}_1}{G_1}-\frac{{\mathrm{NIR}}_2}{G_2})}^2+{(\frac{{\mathrm{NIR}}_1}{R_1}-\frac{{\mathrm{NIR}}_2}{R_2})}^2]}^{1/2}$     公式（5）

$D_T={[{(F_{\mathrm{Cor}1}-F_{\mathrm{Cor}2})}^2+{(F_{\mathrm{Engy}1}-F_{\mathrm{Engy}2})}^2+{({\mathrm{ER}}_1-{\mathrm{ER}}_2)}^2]}^{1/2}$     公式（6）

阈值Γ_S和Γ_T根据样本分类的准确性来确定。将和

等光谱特征的最大值与最小值代入公式（5）中，确定阈值Γ_S的选取范围。将F_Cor和F_Engy以及ER等纹理特征的最大值与最小值代入公式（6）中，确定阈值Γ_T的选取范围。为了选定一个分块阈值，对阈值的选取范围，以0.5为步长，统计不同阈值在判断样本图像中不同地物差异性的正确率，选择正确率最好的阈值作为基于光谱特征和基于纹理特征分块的阈值Γ_S和Γ_T。

（4）待分类图像分块处理

按Step1—Step3对图像进行分块处理：

Step1：按64×64大小对待分类多光谱图像I进行粗分块，得到一级分块{R₁,R₂,…,R_n}；

Step2：对R_i按2×2分块得到二级分块{R_i1,R_i2,R_i3,R_i4}，按照规则P比较R_iu与R_iv（u≠v）的光谱与纹理特征，若存在R_iu与R_iv的光谱特征或纹理特征的阈值大于Γ_S和Γ_T，说明四个小块间存在较大差异，则保留分块{R_i1,R_i2,R_i3,R_i4}，否则不保留R_i的分块，即R_i为一个分块，不进一步分块；

Step3：按Step2方式对R_ij进行分块处理，直到分块大小为8×8。

对某一多光谱遥感图像（图3）进行分块处理后，其结果如图4所示。

（5）SVM分类器训练

将归一化后的每一个样本图像块的光谱与纹理特征形成特征向量，连同样本图像块的地物类型，作为训练样本输入到SVM中，得到SVM分类器。

（6）图像块地物分类

将步骤（4）中的各图像块，分别计算光谱特征与纹理特征，并进行归一化，作为特征向量输入到步骤（5）获得的SVM分类器中，得到各图像块的地物类型，如图5所示，其中SVM的核函数本发明建议使用径向基核函数，其参数设置为δ=8.0。

（7）边界块处理

按图像块分类后，虽然地物间边界大致出来了，但不准确，不同地物的边界区域存在明显的锯齿效应，需要对边界区域进一步处理，将地物的边界线找出来，如图6所示。沿着步骤（6）出现的边缘，对于非拐角边缘，取其上下或左右的2个8×8大小图像块，对于拐角边缘取其周围4个8×8大小边界块，采用区域增长的方式，在周围类别的引导下，将边界区域分成1-3个地物类型，以更精确地定位区域边界，主要过程如下：

Step1：沿现有的边缘，依次取出图像块作为待分析区域r_i0；

Step2：将待分析区域利用区域生长算法分为n个小区域{r_i1,r_i2,…,r_in}，其中区域生长算法以光谱特征的欧氏距离作为生长准则；

Step3：假设区域r_i0相近范围内存在数量为k的地物类型，比较{r_i1,r_i2,…,r_in}与相近地物类型的相似性，分别将{r_i1,r_i2,…,r_in}归为这k个地物类型；

Step4：比较{r_i1,r_i2,…,r_in}中与相邻图像块的地物类型，将{r_i1,r_i2,…,r_in}进行地物类型调整，合并部分小区域，使得合并后的剩下的区域数量小于等于3，降低地物边界的噪声。

本发明所提供的多光谱遥感图像地物分类方法主要是为了提高高分辨率图像地物分类区域一致性而专门提出的。但显然，本地物分类方法也适用于其他类型的遥感图像，如全色、高光谱等。

本发明未详细公开的部分属于本领域的公知技术。

以上对本发明所提供的基于光谱与纹理特征的多光谱遥感图像地物分类方法进行了详细说明，但显然本发明的具体实现形式并不局限于此。对于本技术领域的一般技术人员而言，在不背离本发明的权利要求范围的情况下对它进行的各种显而易见的改变都在本发明的保护范围之内。

Claims (5)

1.一种基于光谱与纹理特征的多光谱遥感图像地物分类方法，其特征在于包括如下步骤：

步骤（1）、典型地物样本库的建立：根据需要分类的地物类型，在同一卫星多光谱图像中选取每种地物的32×32像素的样本图像块50—100个，构成样本库；

步骤（2）、典型地物特征提取与归一化处理：对每个样本图像块提取光谱特征与纹理特征，分别统计出每种光谱、纹理特征的最大值与最小值，并进行归一化处理；

步骤（3）、SVM分类器训练：对每个样本图像块，将其归一化后的光谱与纹理特征形成一个特征向量，将其对应的地物类型形成另一个向量，作为训练样本输入到SVM中，得到SVM分类器；

步骤（4）、分块的特征选取与准则制定：根据对样本库中地物的区分能力，采用启发式方法从光谱特征、纹理特征中分别选择能有效区分地物的2-3个特征，并采用欧氏距离制定四叉树的分块准则；

步骤（5）、待分类图像的分块：从待分类图像的左上角开始，对每个64×64像素的图像块采用四叉树进行分块，得到待分类图像块；

步骤（6）、待分类图像的地物分类：分别计算每个待分类图像块的光谱特征与纹理特征，进行归一化处理后输入到SVM分类器，得到待分类图像块的地物类型；

步骤（7）、边界块处理：在地物分类的边缘，选取与边缘相邻的8×8图像块，按光谱特征采用区域增长方法形成1-3个区域，根据光谱特征欧氏距离合并到相似周围图像块。

2.如权利要求1所述的基于光谱与纹理特征的多光谱遥感图像地物分类方法，其特征在于：所述步骤（2）中，光谱特征主要包括各个波段的光谱值、波段间的比值、地物指数，纹理特征主要包括边缘丰度以及基于灰度共生矩的能量、相关性和熵，边缘丰度为边缘点与像素点的比值，其中边缘点是采用Sobel算子得到。

3.如权利要求1所述的基于光谱与纹理特征的多光谱遥感图像地物分类方法，其特征在于：所述步骤（3）中，采用光谱或纹理特征的阈值作为四叉树的分块准则，其中，光谱特征阈值的要求为：在欧氏距离取值范围内统计不同值在判断样本图像库中不同地物差异性的正确率，选择正确率最高的值作为光谱特征分块的阈值。

4.如权利要求1所述的基于光谱与纹理特征的多光谱遥感图像地物分类方法，其特征在于：所述步骤（7）中，在四叉树分块中，对图像块最多进行4级分块，最小分块为8×8像素。

5.如权利要求1所述的基于光谱与纹理特征的多光谱遥感图像地物分类方法，其特征在于：所述步骤（7）中，对于非拐角边缘，取其上下或左右的2个8×8像素的图像块，对于拐角边缘取其周围4个8×8像素的图像块。

Images