CN104036300A - 基于均值漂移分割的遥感图像目标识别方法 - Google Patents

Abstract

本发明公开了一种基于均值漂移分割的遥感图像目标识别方法，主要解决现有技术中遥感图像目标识别算法识别精度低，速度慢的缺点。其实现步骤是：(1)读取遥感图像，并进行伪彩色合成；(2)对合成后的图像进行归一化；(3)从归一化后的图像中构建训练集；(4)对归一化后的图像利用均值漂移算法进行图像分割；(5)对分割后的图像利用步骤(3)得到的训练集，使用K最近邻算法进行识别，得到输入遥感图像的识别结果。本发明能快速、准确识别遥感图像的多类目标，可用于复杂背景下对遥感图像的目标识别。

Description

基于均值漂移分割的遥感图像目标识别方法

技术领域

本发明属于图像处理技术领域。更进一步涉及一种遥感图像目标识别方法，可用于复杂背景下对遥感图像的目标识别。

背景技术

随着航空航天遥感技术的持续发展，获得了越来越多的遥感数据，而作为遥感图像处理技术的一个应用，在复杂背景下对遥感图像的目标检测与识别有着非常重要的军事和民用价值，受到了人们越来越多的关注。

目前遥感图像目标识别方法主要有针对单一目标的识别方法，有基于支持向量机的识别方法，还有基于词袋模型的识别方法。

针对单一目标的识别方法主要通过分析目标的特性，建立针对目标特性模型的方法来实现，也有结合目标的先验知识对某一特定目标进行识别的方法。但是当要检测多类目标时，就必须针对每一类目标设计一种方法最后进行叠加，其处理效率会随着目标类数的增多而变得十分缓慢。

基于支持向量机的识别方法，首先需要提取遥感图像的特征，然后从各个类别中选取部分训练样本输入到支持向量机训练，对剩余的样本进行识别分类。这种基于统计学的支持向量机方法在处理复杂问题时能力有限，因此得到的遥感图像识别结果精度很低。

基于词袋模型的方法源于文本分析领域中的词袋表示，用词袋模型来进行遥感图像目标识别，是利用遥感图像的目标图像训练集构建描述目标特性的视觉单词编码，从而将原本由图像像素点描述转化为视觉词袋表示。但是由于遥感图像数据量大，所构成的词袋规模也会很大，从而直接影响到整个算法的运算效率。

综上，现有的遥感图像目标识别方法具有精度低、执行速度慢的缺点。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于均值漂移分割的遥感图像目标识别方法，以提高识别精度和速度。

本发明的技术方案是，将遥感图像进行预处理，提取预处理后图像的特征，通过均值漂移运算进行聚类分割，针对分割后的分割区域使用K最近邻结点法进行识别，其实现步骤包括如下：

(1)输入SPOT-6卫星遥感图像，并对其进行伪彩色图像合成，再对合成的图像进行归一化处理，得到归一化后的图像P_a；

(2)从归一化后的图像P_a中提取150个训练样本，得到训练集U；

(3)从归一化后的图像P_a中提取灰度特征，对该图像采用基于均值漂移方法进行分割，得到分割后的图像P_b；

(4)在分割后的图像P_b中加入训练集U，利用K最邻近结点法对分割后的图像P_b中的各个分割子区域进行识别，合并相邻的同一类别分割子区域，得到识别图像P_c。

本发明与现有方法相比具有如下优点：

第一，由于本发明先进行了分割，将遥感图像划分为若干个分割子区域，有利于提高识别的速度和精度。

第二，由于本发明在分割时使用均值漂移算法进行分割，这是一种快速有效的聚类分割算法，能够快速准确的得到分割子区域。

第三，本发明在均值漂移算法进行分割后，使用K最近邻方法进行识别，这是数据挖掘分类方法中最简单的方法，运算效率很高。

附图说明

图1为本发明的实现流程图；

图2为本发明针对西安郊区的遥感图像识别实验效果图；

图3为本发明针对西安咸阳机场一角的遥感图像识别实验效果图。

具体实施方式

下面结合附图，对本发明实现的步骤和效果作进一步的详细描述。

参照图1，本发明的实现步骤如下：

步骤1，读取spot-6卫星遥感图像的四个通道图像作为输入图像。

读取SPOT-6卫星遥感图像的四个通道，分别为波段为0.455um～0.525um的蓝光通道、波段为0.530um～0.590um的绿光通道、波段为0.625um～0.695um的红光通道、波段为0.760um～0.890的近红外光通道；将这四个通道的图像作为输入图像。

步骤2，对输入的图像进行伪彩色图像合成。

伪彩色合成是将多个通道的图像合成为一幅彩色图像的技术。彩色图像由三个通道构成，分别为红通道、绿通道、蓝通道，合成步骤如下：

(2a)将近红外通道的图像输入给彩色图像的红通道，将红光通道的图像输入给彩色图像的绿通道，将绿光通道的图像输入给彩色图像的蓝通道；

(2b)将彩色图像的红通道、彩色图像的绿通道、彩色图像的蓝通道存入同一幅图像中，得到的这幅图像即为合成的伪彩色图像。

步骤3，对合成的伪彩色图像按如下步骤进行归一化处理，得到归一化后的图像P_a，

(3a)按照如下公式对合成的伪彩色图像中的像素点进行归一化：

$p^{*}=\frac{x^{*}-x_{\min }}{x_{\max }-x_{\min }},$

式中，p^*为图像归一化后的像素值，x^*为图像归一化前的像素值，x_min和x_max分别是输入图像像素的最小值和最大值。

(3b)将伪彩色图像中的所有像素点按照步骤(3a)进行归一化，得到归一化后的图像P_a，{P_a|p_j ^*∈P_a,j＝1,2,...,s}，其中s为图像中像素点的个数。

步骤4，从归一化后的图像P_a中提取150个训练样本，得到训练集U。

(4a)从归一化后的图像P_a中选取30*30像素大小的图像块g；

(4b)统计图像块g中所有像素点的值，计算出平均值E和方差σ²，得到一个训练样本u(E,σ²)；

(4c)每一类目标选取30个图像块g，获得30个训练样本u，选取5类目标，分别是绿地、荒地、建筑、水域、机场，共包括150个训练样本u，构成训练集U，{U|u_q∈U,q＝1,2,...,150}。

步骤5，对归一化后的图像P_a用基于均值漂移方法进行分割，得到分割后的图像P_b。

常用的分割方法有很多，可采用均值偏移算法、分水岭算法、水平集算法、基于图论的分割方法等。

本实例采用基于均值漂移的方法对归一化后的图像P_a进行分割，其步骤如下：

(5a)从归一化后的图像P_a中选择一个像素，记为x，选取以该像素x为中心的一个窗口；

(5b)计算该像素x的均值漂移向量m_h(x)：

$m_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)},$

式中，x_i是以像素x为中心的窗口中的像素点，k(x)为单位高斯核函数，h是核函数k(x)的带宽；

(5c)设定误差阈值ε，取ε＝0.1，判断|m_h(x)-x|＜ε是否成立，若成立，则x即为收敛点z，跳转至步骤(5d)，否则更新x＝m_h(x)，返回步骤(5b)重新迭代；

(5d)依次求出归一化后的图像P_a中的每个像素点的局部收敛点z_i,i＝1,2,...,n；

(5e)将具有相同收敛点z_i的像素点归为同一类，即划为一个分割子区域，得到分割后的图像P_b。

步骤6，利用K最近邻法对分割后的图像P_b中的各个分割子区域进行识别。

常用的识别方法有很多，可采用K最近邻法、支持向量机方法、决策树方法等。

本实例采用K最近邻法对分割后的图像P_b进行识别，其步骤如下：

(6a)分别计算分割后的图像P_b中一个分割子区域与步骤(4)得到的训练集U中每一个训练样本u的欧式距离；

(6b)将步骤(6a)计算得到的欧氏距离以从小到大的顺序排列，取出其中前10个欧式距离最小的训练样本u，将这些训练样本u中大多数所属的类别，作为该分割子区域的所属类别；

(6c)分别对分割后的图像P_b中每一个分割子区域的类别进行识别，完成对分割后的图像P_b中各个分割子区域的识别。

步骤7，将分割后的图像P_b中所属为同一类别的相邻分割子区域合并，完成基于均值漂移分割的遥感图像目标识别。

本发明的效果可以通过以下仿真实验做进一步的说明。

1.仿真条件

本发明是在中央处理器为Intel(R)Core i3-21003.10GHZ、内存4G、WINDOWS7操作系统上，运用MATLAB软件进行的仿真。实验图像数据为SPOT6卫星遥感图像，由四个通道的图像组成，分别为：波长为0.455um～0.525um的蓝光通道、波长为0.530um～0.590um的绿光通道、波长为0.625um～0.695um的红光通道、波长为0.760um～0.890的近红外光通道，图像的空间分辨率是2m。

2.仿真内容

仿真1，用本发明对西安郊区的卫星遥感图像进行识别，结果如图2所示，其中图2a为西安郊区卫星遥感图像的原图，图2b为西安郊区卫星遥感图像的识别结果图。

仿真2，用本发明对西安咸阳机场的卫星遥感图像进行识别，结果如图3所示，其中图3a为西安咸阳机场卫星遥感图像的原图，图3b为西安咸阳机场卫星遥感图像的识别效果图。

由图2b、图3b的仿真结果可见，本发明对于遥感图像的识别结果很好、速度很快，识别时间都小于一秒。

综上所述，本发明能够快速、有效得对遥感图像的进行识别。

Claims (6)

1.基于均值漂移分割的遥感图像目标识别方法，包括如下步骤：

(1)输入SPOT-6卫星遥感图像，并对其进行伪彩色图像合成，再对合成的图像进行归一化处理，得到归一化后的图像P_a；

(2)从归一化后的图像P_a中提取150个训练样本，得到训练集U；

(3)从归一化后的图像P_a中提取灰度特征，对该图像采用基于均值漂移方法进行分割，得到分割后的图像P_b；

(4)在分割后的图像P_b中加入训练集U，利用K最近邻法对分割后的图像P_b中的各个分割子区域进行识别，合并相邻的同一类别分割子区域，得到识别图像P_c。

2.根据权利要求1所述的基于均值漂移分割的遥感图像目标识别方法，所述步骤(1)的伪彩色图像合成，按照如下步骤进行：

(1a)读取SPOT-6卫星遥感图像的四个通道，分别为波段为0.455um～0.525um的蓝光通道、波段为0.530um～0.590um的绿光通道、波段为0.625um～0.695um的红光通道、波段为0.760um～0.890的近红外光通道；

(1b)把近红外通道的图像作为彩色图像的红通道，把红光通道的图像作为彩色图像的绿通道，把绿光通道的图像作为彩色图像的蓝通道，从而合成一幅伪彩色图像。

3.根据权利要求1所述的基于均值漂移分割的遥感图像目标识别方法，所述步骤(1)中对合成的图像进行归一化处理，按照如下公式进行：

$p^{*}=\frac{x^{*}-x_{\min }}{x_{\max }-x_{\min }},$

式中，x^*和p^*分别为图像归一化前后的像素值，x_min和x_max分别是输入图像像素的最小值和最大值。

4.根据权利要求1所述的基于均值漂移分割的遥感图像目标识别方法，所述步骤(2)从归一化后的图像P_a中提取150个训练样本，按照如下步骤进行：

(2a)从归一化后的图像P_a中选取30*30像素大小的图像块g；

(2b)计算图像块g中所有像素点的均值和方差，得到一个训练样本u；

(2c)每一类目标选取30个图像块g，获得30个训练样本u，选取5类目标，分别是绿地、荒地、建筑、水域、机场，共包括150个训练样本得到训练集U。

5.根据权利要求1所述的基于均值漂移分割的遥感图像目标识别方法，所述步骤(3)中对归一化后的图像P_a采用基于均值漂移方法进行分割，按照如下步骤进行：

(3a)从归一化后的图像P_a中选择一个像素，记为x，选取以该像素x为中心的一个窗口；

(3b)计算该像素x的均值漂移向量m_h(x)：

$m_h\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}g\left({\left|\right|\frac{x-x_i}{h}\left|\right|}^2\right)}$

式中，x_i是以像素x为中心的窗口中的像素点，k(x)为单位高斯核函数，h是核函数k(x)的带宽；

(3c)设定误差阈值ε，取ε＝0.1，判断|m_h(x)-x|＜ε是否成立，若成立，则x即为收敛点z，跳转至步骤(3d)，否则更新x＝m_h(x)，返回步骤(3b)重新迭代；

(3d)依次求出归一化后的图像P_a中的每个像素点的局部收敛点z_i,i＝1,2,...,n；

(3e)将具有相同收敛点z_i的像素点归为同一类，即划为一个分割子区域，得到分割后的图像P_b。

6.根据权利要求1所述的基于均值漂移分割的遥感图像目标识别方法，所述步骤(4)中利用K最近邻法对分割后的图像P_b中的各个分割子区域进行识别，按照如下步骤进行：

(4a)分别计算分割后的图像P_b中一个分割子区域与训练集U中每一个训练样本的欧式距离；

(4b)将步骤(4a)计算得到的欧氏距离以从小到大的顺序排列，取出其中前10个欧式距离最小的训练样本u，将这些训练样本u中大多数所属的类别，作为该分割子区域的所属类别；

(4c)分别对分割后的图像P_b中每一个分割子区域的类别进行识别，完成对分割后的图像P_b中各个分割子区域的识别。