CN103593853A - 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 - Google Patents

Abstract

本发明公开了一种基于联合稀疏表达的遥感影像多尺度面向对象分类方法，包括步骤：首先，挖掘遥感影像的空间特征，并结合光谱特征构造增广特征；其次，利用训练像素样本和增广特征构造过完备字典，采用过完备字典对初始分割的图斑进行联合稀疏表达；然后，基于联合稀疏表达对图斑进行均质性分析和重建效果分析；最后，根据均质性分析和重建效果分析结果判断图斑分割是否合理，对同时满足均质性水平和重建效果的图斑进行类别标识。本发明将分割和分类过程有机结合以获取合适的地物图斑进行分类，实现了遥感影像对象层面上的分类识别，能获取符合目视判读的分类结果，大大提高了遥感影像的解译精度，具有重大的应用价值。

Description

基于联合稀疏表达的遥感影像多尺度面向对象分类方法

技术领域

本发明涉及光学遥感数据分析技术领域，尤其涉及一种基于联合稀疏表达的遥感影像多尺度面向对象分类方法。

背景技术

随着遥感技术快速发展，尤其是近年来高空间分辨率遥感卫星的发射，卫星遥感已经越来越多的应用到科学与生产的各个领域，如数字城市建设、大比例尺资源环境调查、环境监测、精密农业、考古等专项遥感监测。高分辨率遥感数据本身具有以下特点：1）单幅影像数据量显著增加；2）成像光谱波段数变少；3）地物的几何结构和纹理信息更加明显。传统的像素级遥感影像分类效率以及其所能获得的结果信息都十分有限，而且处理过程中往往会存在大量椒盐错分现象。

目前，国际上高分辨率遥感影像分类技术的发展趋势主要有两大类：

（1）面向像素的影像分类技术

该类技术充分挖掘高空间分辨率遥感影像的丰富空间信息，从空间特征提取、分类器构建以及分类后处理三个方面进行深入研究。具体思路为：利用影像空间信息，提取上下文、纹理以及形状特征，结合光谱特征融合生成具有更好地物描述能力的增广特征来提高可分能力；融合多分类器的分类系统，充分利用不同分类器之间的互补信息并提供一个置信度更高的类别标记；利用初始硬分类得到的标记考虑上下文信息进行分类的后处理。

该类技术挖掘了高分辨率遥感影像的空间信息，一定程度上提高了解译精度，但依然存在以下问题：1）未考虑象元大小与地物类别、地块面积的关系；2）影像内部的光谱多变性产生“椒盐”错分现象；3）逐像素的处理耗时。

（2）面向对象的影像分类技术

该类技术作为遥感影像分类领域的重大变革，最重要的特点是分类的最小单元是“同质”多边形对象（即，图斑），而不是单个像素。在高分辨率遥感领域，这种对象可通过分割技术获得。通过对对象操作，不仅可获得地物的光谱信息，更能获得包括纹理、形状大小、上下文等丰富的空间信息，充分利用高分辨率遥感影像的特点，使分类结果更接近于目视判读的效果，大大提高了分类精度。在面向对象的影像分类方法中，影像分割是关键，分割效果决定分类精度。由于高分辨率遥感影像空间分辨率高、噪声大、尺度跨度大，选择出某一个单一的最优图斑尺度具有相当的局限性，容易造成过分割或者欠分割现象，从而影响对影像对象的判读。另一方面，手动调节分割尺度要求用户具有一定的专业知识，加剧了面向对象分类技术自动化处理的难度。

发明内容

针对现有高分辨率遥感影像分类技术存在的问题，本发明提出了一种基于联合稀疏表达的遥感影像多尺度面向对象分类方法。

本发明充分利用了影像的空间信息和光谱信息，并利用联合稀疏表达获取满足均质性要求和重建效果要求的图斑进行标记，将影像分割与影像分类有机结合，利用联合稀疏表达分类理论标记图斑的类别信息。

本发明的技术方案如下：

基于联合稀疏表达的遥感影像多尺度面向对象分类方法，包括步骤：

步骤1，结合空间属性特征和光谱属性特征构造影像数据的增广特征；

步骤2，基于训练像素样本和增广矩阵构造过完备字典，训练像素样本包括不同类别的像素样本，过完备字典覆盖了所有类别的训练像素样本在增广特征空间中的分布；

步骤3，采用面向对象的影像分割方法对影像数据进行初始化分割获得初始化的图斑；

步骤4，基于图斑内像素在增广特征空间的表达构造图斑的联合信号矩阵，采用过完备字典对图斑的联合信号矩阵进行联合稀疏表达，从而获得图斑的联合稀疏表达矩阵；

步骤5，基于联合稀疏表达矩阵对图斑依次进行均质性分析与重建效果分析，所述的均质性分析基于稀疏重建过程中各类别像素的贡献程度来判断图斑是否满足均质性水平，所述的重建效果分析对基于图斑的联合系数表达矩阵重建的信号进行分析；

步骤6，根据均质性分析与重建效果分析结果对图斑做如下操作：

1）图斑均满足均质性水平和重建效果时，将该图斑标记为“稀疏表达过程中起到最多贡献的字典基对应的类别”；

2）图斑满足均质性水平但不满足重建效果时，该图斑为“过分割图斑”，对该图斑放大分割尺度参数进行再次分割，对再次分割获得的新图斑执行步骤4；

3）当图斑不满足均质性水平时，该图斑为“欠分割图斑”，对该图斑缩小分割尺度参数进行再次分割，对再次分割获得的新图斑执行步骤4。

步骤1中所述的增广特征是将属性特征矢量叠加构造获得，所述的属性特征包括空间特征和光谱特征。

步骤3中所述的初始化分割采用均值漂移分割法。

步骤4中采用同步正交匹配追踪法对图斑的联合信号矩阵进行联合稀疏表达，从而获得图斑的联合稀疏表达矩阵。

所述的均质性分析基于 $\mathrm{SCI}\left(X_{l_i}\right)=\frac{K\·{\max }_i{\left|\right|{\mathrm{\δ}}_k\left(X_{l_i}\right)\left|\right|}_1/{\left|\right|X_{l_i}\left|\right|}_1-1}{K-1}\∈\left[\mathrm{0,1}\right]$ 判断图斑是否满足均质性水平，其中，表示图斑的均质性水平值；仅保留联合稀疏表达矩阵中第k类训练像素样本对应的元素，将其他元素均赋值0，构成新矩阵k为训练像素样本类别编号；K为训练像素样本中像素样本类别总数。

基于获得的均质性水平值

判断图斑是否满足均质性水平，具体为：

依次令k取1、2、…、K，针对各k值分别计算图斑的均质性水平值取K个均质性水平值

中的最大值

当

大于预设阈值T₁时，图斑满足均质性水平；否则，图斑不满足均质性水平。

所述的重建效果分析基于判断图斑是否满足重建效果，其中，r为图斑的重建效果值；

为图斑的联合信号矩阵；D为过完备字典；

为图斑的联合稀疏表达矩阵；

基于获得的重建效果值r判断图斑是否满足重建效果，具体为：

当重建效果值r小于阈值T₂，图斑满足重建效果；否则，图斑不满足重建效果。

和上述基于联合稀疏表达的遥感影像多尺度面向对象分类方法对应的系统，包括：

增广特征获得模块，用来结合空间属性特征和光谱属性特征构造影像数据的增广特征；

过完备字典构造模块，用来基于训练像素样本和增广矩阵构造过完备字典，训练像素样本包括不同类别的像素样本，过完备字典覆盖了所有类别的训练像素样本在增广特征空间中的分布；

初始化分割模块，用来采用面向对象的影像分割方法对影像数据进行初始化分割获得初始化的图斑；

联合稀疏表达矩阵构建模块，用来基于图斑内像素在增广特征空间的表达构造图斑的联合信号矩阵，采用过完备字典对图斑的联合信号矩阵进行联合稀疏表达，从而获得图斑的联合稀疏表达矩阵；

分析模块，用来基于联合稀疏表达矩阵对图斑依次进行均质性分析与重建效果分析，所述的均质性分析基于稀疏重建过程中各类别像素的贡献程度来判断图斑是否满足均质性水平，所述的重建效果分析对基于图斑的联合系数表达矩阵重建的信号进行分析；

图斑标记模块，用来将该图斑标记为“稀疏表达过程中起到最多贡献的字典基对应的类别”。

本发明首先利用训练像素样本构造过完备字典，采用过完备字典将自适应尺度下的影像图斑进行联合稀疏表达重建，从而获得影像分类结果。本发明的联合稀疏表达过程利用了包含多属性特征的增广特征，能有效保持图斑中像素的光谱信息和空间信息；通过联合稀疏表达反应图斑中像素的整体统计特性；在检验图斑均质性的同时，自适应地对影像中不同尺度地物提取合适的分割尺度，在联合稀疏表达分类的框架下对图斑进行识别标记。

本发明有效地利用多种属性特征的互补、多类别地物之间的协同表达能力，实现遥感影像对象层面上的分类识别，以提高高分辨率遥感影像的解译精度，消除分类结果中的“椒盐”错分现象，在数字城市建设、大比例尺资源环境调查、环境监测、精密农业、考古等专项遥感监测等方面具有重大的应用价值。因此，本发明方法不仅具有非常重要的学术价值而且具有重要的现实意义。

附图说明

图1是本发明实施例的流程图；

图2是实施例遥感影像的假彩色合成图；

图3是实施例中经实地定标后的遥感影像；

图4是实施例中遥感影像的分类结果。

具体实施方式

本发明可通过计算机程序自动运行，下面将结合图1及实施例详述本发明方法的具体步骤。

步骤1，提取高空间分辨率遥感影像数据的属性特征，充分挖掘其上下文、形状、纹理等影像空间信息，结合影像光谱特征构造包含空间信息的增广特征。

本发明面向对象的联合稀疏表达过程，是针对包含了光谱、上下文、形状、纹理等属性特征的增广特征进行联合稀疏表达，将各属性特征用矢量叠加的方式组合，各具体属性特征提取方法为现有技术。

本实施例中，构造大小400×400的影像的增广特征，光谱属性特征维数为4，上下文、形状大小、纹理三个空间属性特征维数均为30，针对影像各像素分别提取其光谱属性特征和空间属性特征的数据，构成获得包括400×400×(4+30+30+30)个属性特征数据的增广特征矩阵。

步骤2，基于训练像素样本构造过完备字典。

本实施中采用了包含13个类别的260个训练像素样本，各训练像素样本分在增广特征空间中表达为94维的列向量d_m，m表示训练像素样本编号，m=1、2、…、260。列向量d_m构造成大小94×260的矩阵D，即过完备字典，D=[d₁,…,d_m,…,d₂₆₀]。矩阵D覆盖了所有类别的260个训练像素样本在增广特征空间中的分布，基于矩阵D的有限个列原子能有效重建实施例中任一类别的像素。

步骤3，对高空间分辨率遥感影像数据进行初始化分割获得初始化的图斑。

本步骤可采用常规的面向对象的影像分割方法对影像数据进行初始化化分割，例如，均值漂移分割方法，图割分割方法。本实施例中，采用均值漂移分割方法进行初始化分割，基于一组初始分割尺度参数，将影响数据分割为P0个初始化的图斑。

步骤4，基于图斑内所有像素构造图斑的联合信号矩阵，采用过完备字典逐图斑对各图斑的联合信号矩阵进行联合稀疏表达，获得各图斑的联合稀疏表达矩阵。

假设图斑i包括l_i个像素，将l_i个像素分别在增广特征空间中表达为94维的列向量d'_m，将l_i个94维列向量d'_m构成图斑i的联合信号矩阵

联合信号矩阵的构造方法同步骤2中过完备字典的构造。

采用过完备字典分别对各图斑的联合信号矩阵

进行联合稀疏表达，并求解各图斑的联合稀疏表达矩阵本实施例中采用同步正交匹配追踪（SOMP）方法获得图斑i的联合稀疏表达矩阵

见公式（1）。

$\underset{X_{l_i}}{\min }{\left|\right|S_{l_i}-{\mathrm{DX}}_{l_i}\left|\right|}_{F}s\·t\·{\left|\right|X_{l_i}\left|\right|}_{\mathrm{row},0}\≤T_0---\left(1\right)$

式（1）中，||·||_F表示Frobenius范数；||·||_row，0表示行稀疏范数，要求联合稀疏表达矩阵

的非零行的数量应当小于等于T₀，T₀为控制联合稀疏表达矩阵

中非零行数量的阈值，根据经验设定。

步骤5，基于图斑的联合稀疏表达矩阵逐图斑依次进行均质性分析与重建效果分析。

5.1均质性分析

当图斑i中像素均属于第k类像素时，图斑i的联合稀疏表达矩阵

的非零行应该都对应于过完备字典中隶属于第k类训练像素样本的列，即认为第k类训练像素样本在稀疏重建图斑i的时候起到了决定性的作用，而其他类别的训练像素样本仅起到协同帮助的作用。因此，本发明利用稀疏重建过程中各类别像素的贡献程度来判断图斑是否满足均质性水平（SCI），均质性水平（SCI）值的计算见公式（2）：

$\mathrm{SCI}\left(X_{l_i}\right)=\frac{K\·{\max }_i{\left|\right|{\mathrm{\δ}}_k\left(X_{l_i}\right)\left|\right|}_1/{\left|\right|X_{l_i}\left|\right|}_1-1}{K-1}\∈\left[\mathrm{0,1}\right]---\left(2\right)$

式（2）中，表示图斑i的均质性水平值；仅保留联合稀疏表达矩阵

中第k类训练像素样本对应的元素，将其他元素均赋值0，构成新矩阵

k为训练像素样本类别编号；K为训练像素样本中像素样本类别总数。

由公式（2）可以看出，当

越趋近于1，图斑i的联合稀疏表达矩阵的稀疏重建过程越主要依靠某一类训练像素样本，从而反映出更高的均质性。

对所有图斑进行均质性分析，对不满足均质性水平的图斑进行再次分割，并对再次分割后获得的新图斑继续进行均值性分析，直至影像中所有图斑均满足均质性水平。

基于均质性水平值

判断图斑i的均质性水平的具体方法如下：

假设训练像素样本包括K类别的像素样本，依次令k取1、2、…、K，针对各k值分别计算图斑i的均质性水平值

取K个均质性水平值

中的最大值

当

大于预设阈值T₁时，图斑满足均质性水平；否则，图斑不满足均质性水平，则认为当前分割尺度参数下的分割结果对图斑i产生了欠分割现象，缩小分割尺度参数，对图斑i再次进行均值漂移分割，对分割后获得的新图斑执行步骤4。

5.2重建效果分析

对满足均质性水平的图斑判断其重建效果。当图斑存在由过分割现象产生的错分，主要是因为过小图斑受到噪声等外部因素干扰破坏了图斑整体的统计特性，在这种情况下，利用图斑的联合稀疏表达矩阵重建效果将会不理想。由此，由此，需要对图斑的联合稀疏表达矩阵进行重建效果分析，并判断图斑是否为过分割图斑，采用公式（3）判断重建效果：

$r={\left|\right|S_{l_i}-{\mathrm{DX}}_{l_i}\left|\right|}_F---\left(3\right)$

式（3）中，r为图斑的重建效果值；

为图斑的联合信号矩阵；D为过完备字典；

为图斑的联合稀疏表达矩阵。

从式（3）可以看出，重建效果值r越小表示联合稀疏表达过程的重建效果越好。设置阈值T₂逐一判断各图斑是否满足重建效果，当重建效果值r小于阈值T₂，图斑满足重建效果；否则，图斑不满足重建效果。

对满足重建效果的图斑进行类别标记，标记类别为“稀疏表达过程中起到最多贡献的字典的基对应的类别”，见公式（4）；不满足重建效果的图斑，则认为当前分割尺度参数下的分割结果对该图斑产生了过分割现象，放大分割尺度参数，对图斑再次进行均值漂移分割，对分割后获得的新图斑执行步骤4。

$\mathrm{label}\left(X_{l_i}\right)={\min }_k{\left|\right|S_{l_i}-{\mathrm{D\δ}}_k\left(X_{l_i}\right)\left|\right|}_F---\left(4\right)$

式（4）中，

表示图斑的标记类别；

为图斑的联合信号矩阵；D为过完备字典；仅保留联合稀疏表达矩阵

中第k类训练像素样本对应的元素，将其他元素均赋值0，构成新矩阵

对所有满足均质性水平的图斑进行重建效果分析，对满足重建效果的图斑进行类别标识；对不满足均质性水平的图斑进行再次分割，并对再次分割后获得的新图斑继续进行重建效果分析，直至影像中所有图斑均满足重建效果水平，即完成了影像的分类。

综上，根据均质性分析与重建效果分析结果对图斑进行如下操作：

1）当图斑的联合稀疏表达矩阵均满足均质性水平和重建效果时，将该图斑标记为“稀疏表达过程中起到最多贡献的字典基对应的类别”，具体标记方法参见公式（4）；

2）当图斑的联合稀疏表达矩阵满足均质性水平，但不满足重建效果时，将该图斑标记为“过分割图斑”，并对过分割图斑放大分割参数进行再次分割，对分割获得的新图斑执行步骤4；

3）当图斑的联合稀疏表达矩阵不满足均质性水平时，则该图斑标记为“欠分割图斑”，对欠分割图斑缩小分割参数进行再次分割，对分割获得的新图斑执行步骤4。

以下将结合附图及实施例进一步说明本发明的有益效果。

实施例采用的影像数据为2011年IKONOS传感器获取的武汉地区的高分辨率遥感影像，影像大小400×400×4，其假彩色合成结果见图2。该遥感影像经过实地定标选择13个类别的像素，分布见图3。对图3中各类像素随机选择20个像素作为训练样本，其他像素作为测试样本，采用本发明方法进行分类，分类结果见图4，分类精度高达90.46%。

本发明对面向对象的遥感影像分类具有广泛的通用性，受客观因素限制少。上述模拟实验实际测试结果表明，本发明具有较高精度，能有效消除图斑内部的“椒盐”错分现象，保持平滑地物的平整性和细碎地物的细节信息。

本领域普通技术人员可以理解，利用本发明不仅能够自动搜索高分辨率遥感影像中各个地物的合适分割尺度，减小分割尺度对面向对象分类方法的约束，还可以通过分割分类过程相互约束的效应使得对象的提取更加合理。

应该注意到并理解，在不脱离后附的权利要求所要求的本发明的精神和范围的情况下，能够对上述详细描述的本发明做出各种修改和改进。因此，要求保护的技术方案的范围不受所给出的任何特定示范教导的限制。

应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

Claims (7)

1.基于联合稀疏表达的遥感影像多尺度面向对象分类方法，其特征在于，包括步骤：

步骤1，结合空间属性特征和光谱属性特征构造影像数据的增广特征；

步骤2，基于训练像素样本和增广矩阵构造过完备字典，训练像素样本包括不同类别的像素样本，过完备字典覆盖了所有类别的训练像素样本在增广特征空间中的分布；

步骤3，采用面向对象的影像分割方法对影像数据进行初始化分割获得初始化的图斑；

步骤4，基于图斑内像素在增广特征空间的表达构造图斑的联合信号矩阵，采用过完备字典对图斑的联合信号矩阵进行联合稀疏表达，从而获得图斑的联合稀疏表达矩阵；

步骤5，基于联合稀疏表达矩阵对图斑依次进行均质性分析与重建效果分析，所述的均质性分析基于稀疏重建过程中各类别像素的贡献程度来判断图斑是否满足均质性水平，所述的重建效果分析对基于图斑的联合系数表达矩阵重建的信号进行分析；

步骤6，根据均质性分析与重建效果分析结果对图斑做如下操作：

1）图斑均满足均质性水平和重建效果时，将该图斑标记为“稀疏表达过程中起到最多贡献的字典基对应的类别”；

2）图斑满足均质性水平但不满足重建效果时，该图斑为“过分割图斑”，对该图斑放大分割尺度参数进行再次分割，对再次分割获得的新图斑执行步骤4；

3）当图斑不满足均质性水平时，该图斑为“欠分割图斑”，对该图斑缩小分割尺度参数进行再次分割，对再次分割获得的新图斑执行步骤4。

2.如权利要求1所述的基于联合稀疏表达的遥感影像多尺度面向对象分类方法，其特征在于：

步骤1中所述的增广特征是将属性特征矢量叠加构造获得，所述的属性特征包括空间特征和光谱特征。

3.如权利要求1所述的基于联合稀疏表达的遥感影像多尺度面向对象分类方法，其特征在于：

步骤3中所述的初始化分割采用均值漂移分割法。

4.如权利要求1所述的基于联合稀疏表达的遥感影像多尺度面向对象分类方法，其特征在于：

步骤4中采用同步正交匹配追踪法对图斑的联合信号矩阵进行联合稀疏表达，从而获得图斑的联合稀疏表达矩阵。

5.如权利要求1所述的基于联合稀疏表达的遥感影像多尺度面向对象分类方法，其特征在于：

所述的均质性分析基于 $\mathrm{SCI}\left(X_{l_i}\right)=\frac{K\·{\max }_i{\left|\right|{\mathrm{\δ}}_k\left(X_{l_i}\right)\left|\right|}_1/{\left|\right|X_{l_i}\left|\right|}_1-1}{K-1}\∈\left[\mathrm{0,1}\right]$ 来判断图斑是否满足均质性水平，其中，表示图斑的均质性水平值；仅保留联合稀疏表达矩阵中第k类训练像素样本对应的元素，将其他元素均赋值0，构成新矩阵

k为训练像素样本类别编号；K为训练像素样本中像素样本类别总数；

基于获得的均质性水平值

判断图斑是否满足均质性水平，具体为：

依次令k取1、2、…、K，针对各k值分别计算图斑的均质性水平值

取K个均质性水平值

中的最大值

当

大于预设阈值T₁时，图斑满足均质性水平；否则，图斑不满足均质性水平。

6.如权利要求1所述的基于联合稀疏表达的遥感影像多尺度面向对象分类方法，其特征在于：

所述的重建效果分析基于

判断图斑是否满足重建效果，其中，r为图斑的重建效果值；

为图斑的联合信号矩阵；D为过完备字典；

为图斑的联合稀疏表达矩阵；

基于获得的重建效果值r判断图斑是否满足重建效果，具体为：

当重建效果值r小于阈值T₂，图斑满足重建效果；否则，图斑不满足重建效果。

7.基于联合稀疏表达的遥感影像多尺度面向对象分类系统，其特征在于，包括：

增广特征获得模块，用来结合空间属性特征和光谱属性特征构造影像数据的增广特征；

过完备字典构造模块，用来基于训练像素样本和增广矩阵构造过完备字典，训练像素样本包括不同类别的像素样本，过完备字典覆盖了所有类别的训练像素样本在增广特征空间中的分布；

初始化分割模块，用来采用面向对象的影像分割方法对影像数据进行初始化分割获得初始化的图斑；

联合稀疏表达矩阵构建模块，用来基于图斑内像素在增广特征空间的表达构造图斑的联合信号矩阵，采用过完备字典对图斑的联合信号矩阵进行联合稀疏表达，从而获得图斑的联合稀疏表达矩阵；

分析模块，用来基于联合稀疏表达矩阵对图斑依次进行均质性分析与重建效果分析，所述的均质性分析基于稀疏重建过程中各类别像素的贡献程度来判断图斑是否满足均质性水平，所述的重建效果分析对基于图斑的联合系数表达矩阵重建的信号进行分析；

图斑标记模块，用来将该图斑标记为“稀疏表达过程中起到最多贡献的字典基对应的类别”。

Images