CN104102928B

CN104102928B - 一种基于纹理基元的遥感图像分类方法

Info

Publication number: CN104102928B
Application number: CN201410301138.5A
Authority: CN
Inventors: 杨卫东; 刘婧婷; 孙向东; 王梓鉴; 邹腊梅; 曹治国; 黎云; 吴洋
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2014-06-26
Filing date: 2014-06-26
Publication date: 2017-11-24
Anticipated expiration: 2034-06-26
Also published as: CN104102928A

Abstract

本发明公开了一种基于纹理基元的遥感图像分类方法，包括：选取典型地物的遥感图像作为第一训练集和第二训练集；提取第一训练集中同类地物图像的邻域特征向量并聚类形成纹理基元，不同地物的纹理基元组成纹理基元字典；利用纹理基元字典对第二训练集中图像的邻域特征向量进行标记，并对中心像素进行分箱，统计各个图像的中心像素‑纹理基元二维联合分布，形成纹理模型库；将待分类的图像划分成超像素，经拉普拉斯校准后统计各超像素的中心像素‑纹理基元二维联合分布，并与纹理模型库中的模型进行比较，实现超像素的分类，进而实现图像分类。本发明利用了超像素的强同质性和纹理的空间分布规律，分类正确率高，具有较强的适应性和抗干扰性。

Description

一种基于纹理基元的遥感图像分类方法

技术领域

本发明属于遥感图像处理技术领域，更具体地，涉及一种基于纹理基元的遥感图像分类方法。

背景技术

随着遥感成像技术的发展以及卫星可见光、多光谱和高光谱等多源影像成像分辨率的提高，高分辨率的遥感影像已经开始广泛应用于各个领域。纹理作为场景的重要外观特征，为视觉感知提供了重要信息。有研究表明，大范围场景图像中有80％的信息都是纹理信息，因此，纹理分析是描述图像场景的重要手段。

传统的纹理特征，例如共生矩阵、行程长度等，都是从信号与特征空间的角度人为地提取出来的，当场景图像中各类景物的纹理非常复杂时，这些简单的纹理特征受其表达能力所限，特征的分类性能就会下降。纹理的统计建模理论表明，只需要用很少几个参数来描述纹理特征，就能为纹理提供简练的表示，而且能把纹理分析问题转化为一个明确的统计推理问题来处理。纹理基元(texton)就是这种统计推理中的常用统计单元，其描述了自然图像中基本的微观结构，包含图像的几何、形态和灰度信息，是能被人类视觉预先感知的原子信息。纹理基元描述了局部纹理特征，对整幅图像中不同纹理基元的分布进行统计则可获得图像的全局纹理信息。将一幅图像分解为简单的纹理基元，不仅能压缩图像的维度，减少变量之间的相关性，更有利于图像建模，而图像建模是图像分割和识别中不可或缺的一步。

常用的纹理基元提取方法都是基于滤波的方法，该方法来源于在神经生理学中被发现并被广泛接受的多通道滤波机制。用一组方向和空间选择的滤波器对纹理图像进行滤波，得到每个像素块的滤波响应向量，然后对这些滤波响应向量进行聚类，每个类别的代表向量就是一个纹理基元。常用的滤波器有Gabor滤波器、小波塔和滤波器组等。2009年，Manik Varma和Andrew Zisserman提出了一种基于统计的纹理分类方法(Manik Varma，Andrew Zisserman，“A Statistical Approach to Material Classification UsingImage Patch Exemplars”，IEEE Transactions on Pattern Analysis and MachineIntelligence，31(11)，2032-2047，2009)，该方法不使用滤波器，而是直接使用每个像素点周围的像素值作为特征，进而提取纹理基元。

在遥感影像获取时，由于受到成像时相、天气等变化参数的影响，所成的图像往往对比度较小,特征不明显。在这种情况下，即使采用灰度校正等预处理方法后，使用以上方法对同一场景在不同成像条件下所成的遥感图像进行场景分类时，也很难消除各变化因素对图像灰度的影响，导致典型地物间的特征不明显，区分度变小，分类结果差别较大。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种基于纹理基元的遥感图像分类方法，目的在于解决不同时相、不同大气环境参数条件下，同一场景的光学遥感图像的分类问题。

一种基于纹理基元的遥感图像分类方法，包括以下步骤：

(1)选取N类地物的多个遥感图像块并分为第一训练集和第二训练集；

(2)对所述第一训练集中属于第i类地物的每个遥感图像块，提取其每个像素的n×n邻域，其中i＝1,2,…,N，计算邻域内每个像素的灰度值与中心像素灰度值的差值，所述差值经正向偏移后，按行重新排列得到n²-1维的邻域特征向量，所述第i类地物所有遥感图像块的邻域特征向量组成所述第i类地物的邻域特征向量集合；

(3)对所述第i类地物的所述邻域特征向量集合进行k-means聚类，得到的聚类中心作为所述第i类地物的纹理基元；

(4)对所述第一训练集中所述N类地物的所有遥感图像块重复执行所述步骤(2)和(3)，得到所述N类地物中每一类地物的纹理基元，组成纹理基元字典；

(5)按照所述步骤(2)提取所述第二训练集中每个遥感图像块的每个像素的邻域特征向量，将得到的每个邻域特征向量与所述纹理基元字典中的纹理基元逐一进行比较，用距离其最近的纹理基元标记各邻域特征向量，统计标记后各纹理基元出现的频数；

(6)对所述第二训练集中每个遥感图像块的每个中心像素的灰度值进行分箱处理，得到各个箱子-纹理基元值对的频数；

(7)统计所述第二训练集中每个遥感图像块的中心像素-纹理基元二维联合分布，得到所述第二训练集中每个遥感图像块的纹理模型；

(8)对所述第二训练集中所述N类地物的所有遥感图像块重复执行所述步骤(5)～(7)，得到所述N类地物的纹理模型，形成各类地物的纹理模型库；

(9)将待分类的遥感图像块划分成多个超像素；

(10)对每个超像素依次执行所述步骤(5)和(6)，得到各个箱子-纹理基元值对的频数；

(11)对每个超像素的箱子-纹理基元值对的频数进行拉普拉斯校准，统计每个超像素的中心像素-纹理基元二维联合分布，得到每个超像素的纹理模型；

(12)使用最近邻分类器，将每个超像素的纹理模型与所述纹理模型库中已知类别属性的纹理模型逐一进行比较、分类，进而实现对所述待分类的遥感图像块的分类。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

将邻域内像素与中心像素做差，得到了去除变化因素后，纹理局部特征中各像素的变化关系，有效描述了纹理特征；

对中心像素的灰度值进行等宽分箱处理，使得在建模时既有效利用了中心像素的灰度信息，又避免了逐灰度级统计带来的过拟合现象；

对图像进行超像素划分并对超像素进行纹理建模，利用了超像素良好的同质性，为图像场景分类奠定了良好的基础；

对纹理模型进行拉普拉斯校准，增强了模型的适应性，避免了因个别分量为0而带来的χ²统计出错。

上述技术方案都保证了本发明能够在不同时相、不同大气环境参数条件下，对同一场景的光学遥感图像的分类获得较高的分类准确率。本发明考虑了超像素的强同质性和纹理的空间分布规律，分类正确率高，具有较强的适应性和抗干扰性。

附图说明

图1为本发明基于纹理基元的遥感图像分类方法的流程图；

图2为本发明使用的训练集的示意图；

图3为本发明提取邻域特征向量的示意图；

图4为本发明灰度值分箱的示意图；

图5为本发明一个训练样本的纹理模型；

图6为本发明超像素比较分类的示意图；

图7(a)为本发明使用的待分类遥感图像；

图7(b)为本发明对待分类图像进行超像素划分后的结果图；

图7(c)为本发明遥感图像分类的结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1所示为本发明基于纹理基元的遥感图像分类方法的流程图，包括如下步骤：

(1)训练集的获取

人工选取各类典型地物(例如：水域、植被、城区和农田)的遥感图像块(在本发明实施例中，采用8位灰度图)作为训练样本，每类10块，每块大小为100×100(即包含100×100个像素点)，并将这些样本平均分为如图2所示的训练集，即训练集1和训练集2，每个训练集包含4类典型地物，每类5块样本。本发明两个训练集大小的选取并不局限于平均分，只要保证每个训练集中的每类地物都有若干样本即可。训练样本数目与分类性能有关。

(2)纹理基元字典的建立

纹理基元字典包含了各类典型地物的纹理基元，而纹理基元是标准化后的邻域特征向量，因此，纹理基元字典的建立为后续邻域特征向量的标记和纹理模型的建立提供了标准。具体包括以下子步骤：

(2.1)提取邻域特征向量

图3所示为本发明提取邻域特征向量的示意图。在训练集1中，对第i(i＝1,2,3,4)类地物遥感图像中每个图像块的每个像素点，提取该像素点的n×n邻域(n×n一般不超过图像的1/4大小)，在本发明实施例中，以n＝3为例进行说明，计算其邻域内每个像素点的灰度值与中心像素x_c灰度值的差值，该差值经正向偏移255后，按行重排得到8维(中心像素除外)的邻域特征向量。对于8位的灰度图，其灰度级为0～255，邻域内每个像素点与中心像素做差后，差的范围为-255～255(因为8位灰度图的灰度级为0～255，考虑极端情况：当邻域内某个像素为0，中心像素为255时，差为-255；当邻域内某个像素为255，中心像素为0时，差为255，因此差的范围为-255～255)。为了避免之后的聚类步骤出错，需要将差值全部变为正值，因此正向偏移255。而对于16位的灰度图，其灰度级为0～65535，做差后，差的范围为-65535～65535，因此要正向偏移65535，以保证差值全部为正。

对1幅100×100的训练样本可提取邻域特征向量98×98＝9604个，则同类地物的5幅训练样本共有邻域特征向量9604×5＝48020个，即该类地物的邻域特征向量集合大小为48020。

(2.2)同类地物的邻域特征向量聚类形成纹理基元

对第i类的48020个邻域特征向量进行k-means聚类。在本发明实施例中，取k＝10(k的取值与纹理的复杂程度有关，纹理越复杂，k值越大。通常k＝1～20。此处对各个类别的地物统一取k＝10进行说明)，聚类收敛后，10个聚类中心则代表第i类地物形成的10个纹理基元。

(2.3)各类地物的纹理基元组成纹理基元字典

同样地，对其余各类地物的遥感图像分别执行子步骤(2.1)和(2.2)，得到各类地物的10个纹理基元。在本发明实施例中，4类地物的纹理基元的总和组成纹理基元字典，其大小为4×10＝40。

本发明在提取领域特征向量时，对每个像素的n×n邻域，首先计算邻域内每个像素与中心像素x_c灰度值的差，再将差值进行正向偏移，排列得到n²-1维(中心像素x_c除外)的邻域特征向量。在遥感图像获取时，由于受到成像时相、天气等大气参数环境变化的影响，即使采用灰度校正等预处理方法，也很难消除各变化成像因素对图像灰度的影响。有时所成图像的对比度较小，从而导致在对图像进行场景分类时，典型地物间的特征不明显，区分度变小，分类准确率急剧下降，为遥感图像分类带来了困难。本发明旨在减弱对比度较小对遥感图像分类的影响。考虑到图像对比度变化时，每个像素的灰度值都会变化，但是相似像素灰度间的差值在对比度变化前后却基本不变，即纹理分布的内在规律受对比度影响较小。因此，本发明将邻域内每个像素与中心像素x_c做差，并将差值作为纹理信息，提取邻域特征向量，获得纹理基元并建立纹理模型，实现对纹理图像的分类。

(3)纹理模型库的建立

对训练集2中各类地物的遥感图像块分别进行纹理建模，每一幅遥感图像块得到一个纹理模型，各类典型地物的纹理模型的集合组成纹理模型库。其中，每类典型地物都有几个模型与之对应，以增强模型的适应性。纹理模型库的建立是实现遥感图像分类的基础。

在本发明实施例中，使用马尔可夫随机场(Markov Random Field，MRF)对纹理进行建模。统计建模理论认为，图像是一个随机场，纹理是随机场上概率分布的采样。在通常情况下，中心像素只与其邻域像素有关，而与图像中的其他像素无关，因此，使用马尔可夫随机场对纹理图像进行建模：

将图像I看作一个2维的有限网格，中心像素x_c是网格中的一个点，N(x_c)是中心像素x_c的邻域(不含中心像素x_c)，于是，图像I内中心像素x_c出现的概率p(x_c|I)可以表示为：

p(x_c|I)＝p(x_c|N(x_c))

又因为：

在理想情况下，对一幅纹理规则的图像I，给定像素x_c，其邻域N(x_c)是确定的，即邻域出现的概率p(N(x_c))是一个常数。因此，对概率p(x_c|I)的研究可以等价为对中心像素x_c及其邻域N(x_c)的联合分布p(x_c,N(x_c))的研究：

本发明在学习阶段形成的纹理基元texton可以看作标准化后的邻域特征向量，后续步骤中，用纹理基元texton标记已知类别属性和未知类别属性的纹理图像邻域特征向量的过程即是用标准化的邻域特征向量替代一般的邻域特征向量的过程，这为纹理模型的统计提供了简便。

本发明在统计纹理模型前还对中心像素行了分箱(binning)离散化处理，将中心像素的灰度值分成了多个包含一定灰度级的箱子bin(分箱的数目与待分类的图像对比度有关，对比度越大，分的箱子数就越多。对于8位灰度图像，一般分为8-64个箱子)。灰度值分箱离散化使得纹理模型在数据过拟合和欠拟合中取得了平衡，提高了纹理模型的适应性和抗干扰能力。在本发明实施例中，用各个箱子bin表示中心像素x_c，标准化后的邻域特征向量即纹理基元texton表示邻域N(x_c)，因此，公式(1)中的中心像素x_c及其邻域N(x_c)的联合分布p(x_c,N(x_c))可表示为箱子bin和纹理基元texton的联合分布f(bin,texton)：

p(x_c,N(x_c))→f(bin,texton)

在本发明实施例中，将遥感图像的联合分布f(bin,texton)作为纹理模型。因此，该纹理模型满足归一性：

纹理模型库的建立具体包括以下子步骤：

(3.1)提取并标记邻域特征向量

对训练集2中各遥感图像块的每个像素按照子步骤(2.1)的方式提取其邻域特征向量。将遥感图像块中的每一像素的邻域特征向量与上述纹理基元字典中的纹理基元逐个进行比较，计算邻域特征向量与纹理基元之间的欧氏距离：

d＝||V-T||²

其中，V表示邻域特征向量，T表示纹理基元。

对每个像素的邻域特征向量，用距离该邻域特征向量最近的纹理基元对其进行标记，统计标记后各个纹理基元出现的频数。

(3.2)对中心像素的灰度值进行分箱处理

根据图像中各像素的灰度分布，对灰度值进行离散化处理，进一步细化图像的纹理信息。图4所示为本发明灰度值分箱的示意图，在本发明实施例中采用等宽分箱法，将灰度等级划分为32个箱子(bin)，每个箱子包含8个灰度等级。如图4所示，0～7灰度级对应1号箱、8～15灰度级对应2号箱、…、248～255灰度级对应32号箱。统计每个纹理基元在中心像素灰度级上的分布频数，得到各个箱子-纹理基元值对的频数。在本发明实施例中，根据步骤(3.1)，已知一幅遥感图像块中各个纹理基元出现的频数，进一步地，对于同一个纹理基元，其所对应的中心像素的灰度值可能是不同的(因为纹理基元其实就是量化后的邻域特征向量，但是提取邻域特征向量的时候，只提取了像素的n×n邻域中的n²-1个像素排列成邻域特征向量，并没有使用中心像素的灰度值)，因此，对于同一个纹理基元，统计其所对应的中心像素灰度值都落在哪些箱子中，那么对应箱子-纹理基元值对的频数就加1，否则对应箱子-纹理基元值对的频数就为0。

(3.3)统计中心像素-纹理基元的联合分布

根据各个箱子-纹理基元值对的频数，利用频率计算公式：

得到每个箱子-纹理基元值对的频率，所有箱子-纹理基元值对的频率组成了中心像素-纹理基元的二维联合分布f_m(bin,texton)，即纹理模型。在本发明实施例的纹理模型中，中心像素灰度值由上述32个箱子表示，中心像素的邻域由上述40个纹理基元表示，由此可以看出，纹理模型的大小依赖于箱子的数量和纹理基元的数量，而这两个量的大小都是在建模的过程中可以选择，因此，本建模方法具有很强的灵活性。

图5所示为本发明一个训练样本的纹理模型，其中每一个箱子-纹理基元值对都对应了该参数下的纹理局部特征在图像中出现的频率，所有值对的频率之和为1。

(3.4)各类地物的纹理模型组成纹理模型库

同样地，对训练集2中的每个遥感图像块都按照子步骤(3.1)～(3.3)的顺序执行，得到各类地物的5个纹理模型。在本发明实施例中，训练集2的4类地物的纹理模型组成纹理模型库，其大小为20。

(4)遥感图像地物分类

本发明中遥感图像分类，是利用计算机已经学习到的有关地物类型的先验知识——已知类别属性的纹理模型，“自动地”将图像中的各类典型地物进行分类，具体包括以下子步骤：

(4.1)划分超像素

将待分类的遥感图像划分为若干具有准确边界的同质区域，并称这些区域为超像素。图7(a)所示为本发明待分类的遥感图像，大小为1000×800像素，为了使划分出的超像素可以正确反映出纹理的统计特征，超像素中包含的像素数应该不少于训练样本包含的像素数(即100×100)，因此，超像素大小设定为(1000×800)/(100×100)＝80，并认为划分出的每一个超像素都具有单一的纹理属性。超像素个数K是依据训练集2中每个遥感图像块所含的像素数S进行划分的，即：

其中，S′是待分类的遥感图像块所含的像素个数。通常情况下，受图像场景复杂程度的影响，超像素个数K在的范围中取值。

(4.2)提取并标记邻域特征向量

按照子步骤(3.1)的方法对每一个超像素提取并标记邻域特征向量，并统计每一个超像素中各个纹理基元出现的频数。

(4.3)对中心像素的灰度值进行分箱处理

与子步骤(3.2)相同，使用等宽分箱法将每一个超像素中各中心像素的灰度等级划分为32个箱子，每个箱子包含8个灰度等级，统计每个纹理基元在中心像素灰度级上的分布频数，得到各个箱子-纹理基元值对的频数。

(4.4)拉普拉斯校准

对超像素的箱子-纹理基元值对的频数进行拉普拉斯校准，对每一个值对的频数都加1，最后用频数除以总频数，统计每个超像素的中心像素-纹理基元二维联合分布，得到拉普拉斯校准后超像素的纹理模型。拉普拉斯校准提高了适应性，避免了χ²统计可能出现的错误。

(4.5)统计中心像素-纹理基元的联合分布

利用公式(2)，对拉普拉斯校准后各个箱子-纹理基元值对的频数分别除以总频数，得到该超像素的中心像素-纹理基元二维联合分布f_s(bin,texton)，即该超像素的纹理模型。

(4.6)比较分类

图6所示为本发明超像素比较分类的示意图。使用最近邻分类法，将每一个超像素的纹理模型f_s(bin,texton)与纹理模型库中已知类别属性的纹理模型f_m(bin,texton)逐一进行比较，模型之间的距离使用χ²统计来度量，即：

根据χ²统计比较结果，将超像素标记为纹理模型库中距其最近(即指χ²统计比较结果最小)的纹理模型所属的类别，所有超像素的类别属性都标记完成后，即实现了对整幅图像的分类。

本发明在对遥感图像进行分类时，首先将图像划分为若干超像素，然后对划分出来的超像素进行纹理建模，进而分类。传统的高分辨率遥感图像分类的最小单元为像素，特征提取过程包含的空间结构信息过少，缺乏对典型地物区域信息的合理统计，所以导致最后的分类效果较差。而超像素作为近些年图像分析领域出现的新方法，能够较好的描述子区域信息，相比于基于逐像素的特征提取的方法，基于超像素的区域特征提取方法更能准确的描述典型地物的空间结构特征，生成的超像素结构紧凑、同质性强，为建立纹理模型提供了纹理属性单一的图像片元。

图7(a)所示为本发明实施例中使用的待分类遥感图像，图7(b)为本发明对待分类遥感图像进行超像素划分后的结果图，图7(c)为本发明遥感图像分类结果的伪彩色图像。对照图7(a)和7(c)可以看出，本发明提出的遥感图像分类方法除了能够对大块的典型地物进行准确分类外，还能够对城区中的小区域植被以及水域中的小区域植被进行准确分类，分类性能良好，准确率高。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于纹理基元的遥感图像分类方法，其特征在于，包括以下步骤：

步骤(1)选取N类地物的多个遥感图像块并分为第一训练集和第二训练集；

步骤(2)对所述第一训练集中属于第i类地物的每个遥感图像块，提取其每个像素的n×n邻域，其中i＝1,2,…,N，计算邻域内每个像素的灰度值与中心像素灰度值的差值，所述差值经正向偏移后，按行重新排列得到n²-1维的邻域特征向量，所述第i类地物所有遥感图像块的邻域特征向量组成所述第i类地物的邻域特征向量集合；

步骤(3)对所述第i类地物的所述邻域特征向量集合进行k-means聚类，得到的聚类中心作为所述第i类地物的纹理基元；

步骤(4)对所述第一训练集中所述N类地物的所有遥感图像块重复执行所述步骤(2)和步骤(3)，得到所述N类地物中每一类地物的纹理基元，组成纹理基元字典；

步骤(5)按照所述步骤(2)提取所述第二训练集中每个遥感图像块的每个像素的邻域特征向量，将得到的每个邻域特征向量与所述纹理基元字典中的纹理基元逐一进行比较，用距离其最近的纹理基元标记各邻域特征向量，统计标记后各纹理基元出现的频数；

步骤(6)对所述第二训练集中每个遥感图像块的每个中心像素的灰度值进行分箱处理，得到各个箱子-纹理基元值对的频数；

步骤(7)统计所述第二训练集中每个遥感图像块的中心像素-纹理基元二维联合分布，得到所述第二训练集中每个遥感图像块的纹理模型；

步骤(8)对所述第二训练集中所述N类地物的所有遥感图像块重复执行所述步骤(5)～步骤(7)，得到所述N类地物的纹理模型，形成各类地物的纹理模型库；

步骤(9)将待分类的遥感图像块划分成多个超像素；

步骤(10)对每个超像素依次执行所述步骤(5)和步骤(6)，得到各个箱子-纹理基元值对的频数；

步骤(11)对每个超像素的箱子-纹理基元值对的频数进行拉普拉斯校准，统计每个超像素的中心像素-纹理基元二维联合分布，得到每个超像素的纹理模型；

步骤(12)使用最近邻分类器，将每个超像素的纹理模型与所述纹理模型库中已知类别属性的纹理模型逐一进行比较、分类，进而实现对所述待分类的遥感图像块的分类。

2.如权利要求1所述的方法，其特征在于，所述步骤(5)中，邻域特征向量与纹理基元之间的距离用欧氏距离d表示：

d＝||V-T||²

其中，V表示邻域特征向量，T表示纹理基元。

3.如权利要求1所述的方法，其特征在于，所述步骤(6)中使用等宽分箱法对每个中心像素的灰度值进行所述分箱处理，统计每个纹理基元在中心像素灰度级上的分布频数，得到各个箱子-纹理基元值对的频数。

4.如权利要求1-3中任一项所述的方法，其特征在于，所述步骤(7)中根据各个箱子-纹理基元值对的频数，得到每个箱子-纹理基元值对的频率，所有箱子-纹理基元值对的频率组成了中心像素-纹理基元的二维联合分布。

5.如权利要求1-3中任一项所述的方法，其特征在于，所述步骤(9)中的超像素个数K是依据所述第二训练集中每个遥感图像块所含的像素数S进行划分的，即：

<mrow> <mi>K</mi> <mo>=</mo> <mfrac> <msup> <mi>S</mi> <mo>&prime;</mo> </msup> <mi>S</mi> </mfrac> </mrow>

其中，S′是所述待分类的遥感图像块所含的像素个数。

6.如权利要求1-3中任一项所述的方法，其特征在于，步骤(12)中将每个超像素的纹理模型f_s(bin,texton)与所述纹理模型库中已知类别属性的纹理模型f_m(bin,texton)逐一进行比较，模型之间的距离使用χ²统计来度量，即：

<mrow> <msup> <mi>&chi;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mi>s</mi> </msub> <mo>,</mo> <msub> <mi>f</mi> <mi>m</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munder> <mo>&Sigma;</mo> <mrow> <mi>t</mi> <mi>e</mi> <mi>x</mi> <mi>t</mi> <mi>o</mi> <mi>n</mi> </mrow> </munder> <munder> <mo>&Sigma;</mo> <mrow> <mi>b</mi> <mi>i</mi> <mi>n</mi> </mrow> </munder> <mfrac> <msup> <mrow> <mo>&lsqb;</mo> <msub> <mi>f</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>b</mi> <mi>i</mi> <mi>n</mi> <mo>,</mo> <mi>t</mi> <mi>e</mi> <mi>x</mi> <mi>t</mi> <mi>o</mi> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>f</mi> <mi>m</mi> </msub> <mrow> <mo>(</mo> <mi>b</mi> <mi>i</mi> <mi>n</mi> <mo>,</mo> <mi>t</mi> <mi>e</mi> <mi>x</mi> <mi>t</mi> <mi>o</mi> <mi>n</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mn>2</mn> </msup> <mrow> <msub> <mi>f</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>b</mi> <mi>i</mi> <mi>n</mi> <mo>,</mo> <mi>t</mi> <mi>e</mi> <mi>x</mi> <mi>t</mi> <mi>o</mi> <mi>n</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>f</mi> <mi>m</mi> </msub> <mrow> <mo>(</mo> <mi>b</mi> <mi>i</mi> <mi>n</mi> <mo>,</mo> <mi>t</mi> <mi>e</mi> <mi>x</mi> <mi>t</mi> <mi>o</mi> <mi>n</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

根据χ²统计比较结果，将每一超像素标记为所述纹理模型库中距其最近的纹理模型所属的类别。