CN104463200A - 一种基于规则挖掘的卫星遥感图像分类方法 - Google Patents

Abstract

一种基于规则挖掘的卫星遥感图像分类方法，本发明首先对每幅卫星遥感图像进行多通道小波变换，提取图像的每个通道的小波变换系数的模的均值和方差组成纹理特征，所有卫星遥感图像的纹理特征构成纹理特征集；然后对纹理特征集进行类关联规则挖掘，直接挖掘特征集和类别集之间的相互关系，从而选择出最有效的特征结果集；最后用决策树分类。本发明方法简单，能够大幅度降低星上遥感图像特征集的复杂度，同时分类准确率非常高，可应用于星上遥感图像数据库的快速处理分发，是一种普适性很强的工程方法。

Description

一种基于规则挖掘的卫星遥感图像分类方法

技术领域

本发明涉及一种卫星遥感图像分类方法，特别是一种基于规则挖掘的卫星遥感图像分类方法，属于航天遥感领域。

背景技术

随着对地观测卫星尤其是高分辨率对地观测卫星星载遥感器数量和种类越来越多，获取图像的分辨率和数据量也在飞速发展，但数据又迫切需要实时和准实时传输，因此卫星遥感图像获取和数据传输之间的矛盾日益加剧，现有的数据传输系统已经不能够满足未来卫星数据快速处理分发的要求。如果在星上建立特定功能的卫星遥感图像处理系统，通过对实时获取的卫星遥感图像初步分类和筛选，然后再下传有用信息，则将极大地缓解数据传输通道的压力。于是，如何有效地进行卫星遥感图像分类是数据传输系统面临的关键问题之一。

目前针对遥感图像的分类问题国内外已经进行了大量的研究工作，分类器的设计方法众多，选用的特征也不尽相同。有模糊关联遥感图像分类方法、基于PCA-SVM(主成分分析-支持向量机)的遥感图像分类方法、基于小波变换系数等光谱特征的景物图像分类、融合空间信息和光谱信息来对超光谱图像进行地物分类等。

虽然这些研究工作各自取得了一定的成果，但是这些方法由于没有对卫星遥感图像特征进行充分分析，造成分类器设计较为复杂，不利于实际应用；另外，目前大部分的卫星遥感图像分类方法使用的特征均对应于特定的遥感器类型，普适性不好。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种基于规则挖掘的卫星遥感图像分类方法，首先基于多通道小波变换提取每一幅卫星遥感图像的纹理特征来构成纹理特征集；然后用关联规则挖掘的方法直接挖掘纹理特征集和类别集之间的关系来选择最优特征得到特征结果集；最后利用决策树分类器和特征结果集中的纹理特征对卫星遥感图像进行分类；解决了卫星遥感图像在轨快速分类问题，最大程度上满足了卫星遥感图像在轨快速分类的需求。

本发明的技术方案是：一种基于规则挖掘的卫星遥感图像分类方法，步骤如下：

(1)对每幅卫星遥感图像进行多通道小波变换，提取每一幅卫星遥感图像每个通道小波变换系数模的均值和方差组成该幅图像的纹理特征，所有卫星遥感图像的纹理特征构成纹理特征集；

(2)挖掘步骤(1)中获得的纹理特征集和卫星遥感图像类别之间的所有关联规则，关联规则的支持度定义如下：

$\mathrm{support}(\mathrm{Features}\⇒\mathrm{Classes})=P(\mathrm{Features}\∪\mathrm{Classes})$

关联规则的置信度定义如下：

$\mathrm{confidence}(\mathrm{Features}\⇒\mathrm{Classes})=P\left(\mathrm{Classes}\right|\mathrm{Features})$

设定最小支持度阈值A和最小置信度阈值B，同时满足最小支持度阈值和最小置信度阈值的关联规则为强关联规则，保留所有强关联规则，构成强关联规则集合；

(3)对步骤(2)中强关联规则集合中的强关联规则的优先次序进行排列，具体为：

(3a)根据规则长度对强关联规则集合进行升序排列，短规则优先于长规则；

(3b)根据置信度大小对步骤(3a)已排序的强关联规则集合中相同优先级的强关联规则进行降序排列，置信度大的规则优先于置信度小的规则；

(3c)根据支持度大小对步骤(3b)已排序的强关联规则集合中相同优先级的强关联规则进行降序排列，支持度大的规则优先于支持度小的规则；

(4)从步骤(3)中优先级排序后的强关联规则集中取出优先级最高的强关联规则，将优先级最高的强关联规则中的所有纹理特征作为本次特征选择的结果，添加到特征选择结果集中，用决策树分类器对该特征结果集进行分类测试，得到分类准确率；所述特征选择结果集初始设定为空集合，包含历次特征选择的所有纹理特征；

(5)将步骤(4)中选择出的纹理特征从步骤(1)中的纹理特征集合中删除；重复步骤(2)～步骤(4)，得到当前特征选择的特征结果集和分类准确率，并将当前特征选择的分类准确率与上一次特征选择的分类准确率进行比较，若本次特征选择的分类准确率小于等于上一次特征选择的分类准确率，且特征选择的次数大于等于类数目，则特征选择结束；

(6)利用决策树分类器和步骤(5)特征结果集中的纹理特征对卫星遥感图像进行分类。

所述决策树为C4.5决策树。

所述步骤(2)中A≥0.2，B≥0.9。

本发明与现有技术相比的优点在于：

(1)本发明首先基于小波变换对卫星遥感图像进行纹理特征提取，不需要预处理，直接挖掘特征集和类别集之间的关系来选择最优特征，最后决策树分类，整个方法简单且易于硬件实现；

(2)本发明用关联规则挖掘对卫星遥感图像进行纹理特征选择的过程中只保留每一类别图像最显著的特征，因此降维效果明显；

(3)本发明用关联规则挖掘的方法直接挖掘纹理特征集和类别集之间的关系来选择最优特征，能够大幅度降低星上遥感图像特征集的复杂度，同时分类准确率很高，非常适用于面向星上应用的遥感图像数据库的快速处理分发；

(4)通过选取不同卫星的成像数据，对多型号卫星所获取的遥感图像进行实验测试，结果表明：本方法均能快速准确地分类卫星遥感图像，是一种普适性很强的工程方法。

附图说明

图1为本发明的流程图；

图2是自建卫星地物图像库纹理特征集的部分图；

图3是自建卫星地物图像库特征选择结果集决策树分类结果图。

具体实施方式

以下结合附图和具体实现示例来说明本发明的具体实现：

本发明的自建卫星地物图像库的图像全部来源于遥感卫星图像库。图像全部为JPEG格式，灰度级为256。图像的内容包括城区、海冰、麦田、平原、沙海、山脉、沙漠和热带雨林等八种类型。每种类型所包含的图像数目不等，构成大小为包含8类地物图像的卫星地物图像库。有些图像中的纹理在方向上具有一致性，结构分布具有均匀性；有些图像中的纹理在方向上不具有一致性，结构分布没有规律。由于是自然图像，所包含的纹理信息更加丰富。

图1为本发明的流程图，从图1可知，本发明提供的一种基于规则挖掘的卫星遥感图像分类方法，其特征在于步骤如下：

(1)对每幅卫星遥感图像进行多通道小波变换，设输入图像为f(x,y)，二维Gabor函数表示为：

$g(x,y)=\left(\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\right)\exp [-\frac{1}{2}(\frac{x^2}{{\mathrm{\σ}}_x^2}+\frac{y^2}{{\mathrm{\σ}}_y^2})+2\mathrm{\πj\ωx}]$

则Gabor滤波后输出的图像可以表示为：

W_mn(x,y)＝∫∫f(x₁,y₁)×g_mn ^*(x-x₁,y-y₁)dx₁dy₁

式中*代表其共轭复数。假设局部纹理区域具有空间一致性，则相应的小波变换系数模的均值μ_mn和标准方差σ_mn的定义为：

μ_mn＝∫∫|W_mn(x,y)|dxdy

${\mathrm{\σ}}_{\mathrm{mn}}=\sqrt{\text{\∫\∫}{\left(\right|W_{\mathrm{mn}}(x,y)|-{\mathrm{\μ}}_{\mathrm{mn}})}^2\mathrm{dxdy}}$

假设频率尺度总数为M，方向总数为N，由均值和标准方差组成的纹理特征向量为：

F＝[μ₀₀,σ₀₀,μ₀₁,σ₀₁,…,μ_(M-1)(N-1),σ_(M-1)(N-1)]

本发明采用的Gabor滤波器的频率尺度总数M＝4，方向总数为N＝6(即0°，30°，60°，90°，120°，150°)，最高中心频率U_h＝0.3，最低中心频率U_l＝0.04。如此选择最高频率和最低频率是因为图像的最低数字频率为0，最高数字频率由奎奈斯特采样定理可以得到为0.568。根据人眼的视觉特性，[0.04，0.3]这一频率范围能够反映人眼对视觉纹理的感知。根据Gabor滤波器的参数确定法则，得到各个滤波器在横轴上的尺度因子如下：

$a={\left(\frac{U_h}{U_l}\right)}^{\frac{1}{M-1}}={\left(\frac{0.3}{0.04}\right)}^{\frac{1}{4-1}}={\left(\frac{30}{4}\right)}^{\frac{1}{3}}$

确定各个滤波器的中心频率横坐标为：

${\mathrm{\μ}}_{0_m}=U_l\·a^{m-1}=0.04{\·\left(\sqrt[3]{30/4}\right)}^{m/1},m=\mathrm{1,2,3,4}$

得到各个滤波器在横轴方向上的标准差为：

${\mathrm{\σ}}_{x_m}={\mathrm{\σ}}_{x_m}{a}^{m-M},m=\mathrm{1,2,3,4}$

其中，最高频率的滤波器在横轴方向上的标准差为：

${\mathrm{\σ}}_{x_M}=\frac{a-1}{a+1}\frac{U_h}{\sqrt{2\ln 2}}$

确定各个滤波器在纵轴方向上的标准差为：

${\mathrm{\σ}}_{y_m}={\mathrm{\σ}}_{y_M}{a}^{m-M}\text{=tg}\left(\frac{\mathrm{\π}}{N}\right)\sqrt{\frac{U_h^2}{2\ln 2}-{\mathrm{\σ}}_{x_M}}{a}^{m-M},m=\mathrm{1,2,3,4}$

其中，最高频率的滤波器在纵轴方向上的标准差为：

${\mathrm{\σ}}_{y_M}=\mathrm{tg}\left(\frac{\mathrm{\π}}{N}\right)\sqrt{\frac{U_h^2}{2\ln 2}-{\mathrm{\σ}}_{x_M}}$

上述各式确定了N＝0°时每个尺度下的滤波器的中心频率和标准差以后，其他30°，60°，90°，120°和150°角度下的滤波器可以旋转得到。得到不同方向和不同尺度的24个Gabor滤波器以后，即可对图像进行滤波。对每一幅卫星遥感图像分别进行24通道的Gabor小波变换，然后提取图像的每个通道小波变换系数的模的均值和方差作为特征向量，结果每幅图像生成48维的特征向量，其中均值和方差各24维。所有卫星遥感图像的纹理特征构成纹理特征集，其CSV格式文件的部分截图如图2所示。图2中，最左边一列为图像名称，每一行为图像的特征，其中mean1表示通道1小波变换系数的模的均值，variant1表示通道1小波变换系数的模的方差；以此类推。

(2)挖掘步骤(1)中获得的纹理特征集和卫星遥感图像类别之间的所有关联规则，关联规则的支持度定义如下：

$\mathrm{support}(\mathrm{Features}\⇒\mathrm{Classes})=P(\mathrm{Features}\∪\mathrm{Classes})$

关联规则的置信度定义如下：

$\mathrm{confidence}(\mathrm{Features}\⇒\mathrm{Classes})=P\left(\mathrm{Classes}\right|\mathrm{Features})$

设定最小支持度阈值A和最小置信度阈值B，同时满足最小支持度阈值和最小置信度阈值的关联规则为强关联规则，保留所有强关联规则，构成强关联规则集合；所述A≥0.2，B≥0.9；自建卫星地物图像库第一次挖掘出的强关联规则集合部分如下所示：

①mean5＝'(-inf-0.01796]'variant9＝'(-inf-0.01683]'＝＝>class＝Maitian supp:(0.260)conf:(1)

②mean6＝'(-inf-0.01306]'mean21＝'(-inf-0.00609]'＝＝>class＝Maitian supp:(0.260)conf:(1)

③mean11＝(0.02336-0.02598]variant12＝(-inf-0.01355]＝＝>class＝Shanmai supp:(0.240)conf:(1)

④mean10＝(0.01802-0.02054]variant12＝(0.01355-0.024]mean24＝(0.00856-0.01068]＝＝>class＝Yulin supp:(0.240)conf:(1)

⑤mean10＝(0.01802-0.02054]mean24＝(0.00856-0.01068]variant24＝(0.00854-0.01448]＝＝>class＝Yulinsupp:(0.240)conf:(1)

⑥mean11＝(0.00502-0.00764]variant12＝(-inf-0.01355]variant24＝(-inf-0.00854]＝＝>class＝Haibing supp:(0.293)conf:(1)

⑦variant12＝(0.01355-0.024]variant21＝(0.02444-0.02985]＝＝>class＝Pingyuan supp:(0.284)conf:(0.97)

⑧mean8＝(-inf-0.00905]mean11＝(-inf-0.00502]＝＝>class＝Shamo supp:(0.262)conf:(1)

⑨mean12＝(0.01296-0.0153]variant21＝(0.00821-0.01362]mean24＝(0.00644-0.00856]＝＝>class＝Chengqusupp:(0.270)conf:(0.93)

⑩variant1＝(-inf-0.03871]variant9＝(0.01683-0.02846]mean19＝(0.01006-0.01389]＝＝>class＝Shahai supp:(0.256)conf:(1)

以规则①为例，对上述规则解释如下：如果图像的mean5≤0.01796同时variant9≤0.01683，则这幅图像的类别为Maitian，其可信度为100％，这种情况在整个图像库中出现的概率为0.260。其中mean5表示通道5小波变换系数的模的均值，variant9表示通道9小波变换系数的模的方差；以此类推。这种类型的规则揭示了卫星遥感图像不同频率的纹理特征与图像类别之间的关联关系。

(3)对步骤(2)中强关联规则集合中的强关联规则的优先次序进行排列，具体为：

(3a)根据规则长度对强关联规则集合进行升序排列，短规则优先于长规则；

(3b)根据置信度大小对步骤(3a)已排序的强关联规则集合中相同优先级的强关联规则进行降序排列，置信度大的规则优先于置信度小的规则；

(3c)根据支持度大小对步骤(3b)已排序的强关联规则集合中相同优先级的强关联规则进行降序排列，支持度大的规则优先于支持度小的规则；

(4)从步骤(3)中优先级排序后的强关联规则集中取出优先级最高的强关联规则，将优先级最高的强关联规则中的所有纹理特征作为本次特征选择的结果，添加到特征选择结果集中，用决策树分类器对该特征结果集进行分类测试，得到分类准确率；所述特征选择结果集初始设定为空集合，包含历次特征选择的所有纹理特征；

(5)将步骤(4)中选择出的纹理特征从步骤(1)中的纹理特征集合中删除；重复步骤(2)～步骤(4)，得到当前特征选择的特征结果集和分类准确率，并将当前特征选择的分类准确率与上一次特征选择的分类准确率进行比较，若本次特征选择的分类准确率小于等于上一次特征选择的分类准确率，且特征选择的次数大于等于类数目，则特征选择结束；自建卫星地物图像库的纹理特征选择过程如表1所示。

表1

由表1的实验过程结果可见，前二次类规则挖掘选出的特征分类准确率逐次提高，第二次达到97.1910％。然后，第三次选择出的特征结果集虽然比第二次增加了三个特征mean10，variant12，mean24，但决策树的分类准确率却反而由97.1910％下降到96.9101％。但因为卫星地物图像库的类别数为8，特征选择操作必须至少运行八次，故在第三次特征选择操作之后继续进行特征选择操作。而第八次的决策树分类准确率与第七次完全相同，没有任何提高，因此特征选择操作到第八次终止，不再进行第九次特征选择操作。

综合前八次的实验结果，从选择出的特征数目少和决策树分类准确率高两方面综合考虑，取前二次选择出的特征结果集为最终结果。选择出的特征结果集的特征数目为3维，特征分别是：mean5，variant9，mean11。

(6)利用决策树分类器和步骤(5)特征结果集中的纹理特征对卫星遥感图像进行分类。所述决策树为C4.5决策树。自建卫星地物图像库特征选择后的决策树分类结果图如图3所示。选出的特征结果集的特征数目为3维，特征分别是：mean5，variant9，mean11。本图像数据库8类地物纹理图像的决策树分类准确率为97.1910％。原始特征集合中的特征数目为48维，决策树分类准确率为94.9438％。因此，选择出的特征结果集与原始特征集合相比，特征集合的维数降低了45维，同时决策树的分类准确率提高了2.2472％。不仅如此，决策树的树内节点数目和叶节点数目减少很多：原始纹理特征集构造的决策树构造的树内节点数目为81，树的深度为5，叶节点数目为73；选出的特征结果集构造的决策树内节点数目为21，树的深度为6，叶节点数目为11。树内节点数目减少了60，叶节点数目减少了62。统计结果如表2所示。

表2

原始特征集维数	48维
		选择出的特征结果集维数	3维
原始特征集C4.5决策树分类准确率	94.9438％
		选择出的特征子集C4.5决策树分类准确率	97.1910％

本发明方法主要用于卫星遥感卫星图像分类，能够基于规则挖掘大幅度降低特征集的复杂度，同时提高分类准确率,实现快速准确遥感卫星图像分类功能。可应用于高分辨率对地观测系统重大专项后续卫星的多项工程，具有广阔的应用前景。本发明提出的方法在所有卫星遥感图像数据传输系统中都可以采用。

Claims (3)

1.一种基于规则挖掘的卫星遥感图像分类方法，其特征在于步骤如下：

(1)对每幅卫星遥感图像进行多通道小波变换，提取每一幅卫星遥感图像每个通道小波变换系数模的均值和方差组成该幅图像的纹理特征，所有卫星遥感图像的纹理特征构成纹理特征集；

(2)挖掘步骤(1)中获得的纹理特征集和卫星遥感图像类别之间的所有关联规则，关联规则的支持度定义如下：

$\mathrm{support}(\mathrm{Features}\⇒\mathrm{Classes})=P(\mathrm{Features}\∪\mathrm{Classes})$

关联规则的置信度定义如下：

$\mathrm{confidence}(\mathrm{Features}\⇒\mathrm{Classes})=P\left(\mathrm{Classes}\right|\mathrm{Features})$

设定最小支持度阈值A和最小置信度阈值B，同时满足最小支持度阈值和最小置信度阈值的关联规则为强关联规则，保留所有强关联规则，构成强关联规则集合；

(3)对步骤(2)中强关联规则集合中的强关联规则的优先次序进行排列，具体为：

(3a)根据规则长度对强关联规则集合进行升序排列，短规则优先于长规则；

(3b)根据置信度大小对步骤(3a)已排序的强关联规则集合中相同优先级的强关联规则进行降序排列，置信度大的规则优先于置信度小的规则；

(3c)根据支持度大小对步骤(3b)已排序的强关联规则集合中相同优先级的强关联规则进行降序排列，支持度大的规则优先于支持度小的规则；

(4)从步骤(3)中优先级排序后的强关联规则集中取出优先级最高的强关联规则，将优先级最高的强关联规则中的所有纹理特征作为本次特征选择的结果，添加到特征选择结果集中，用决策树分类器对该特征结果集进行分类测试，得到分类准确率；所述特征选择结果集初始设定为空集合，包含历次特征选择的所有纹理特征；

(5)将步骤(4)中选择出的纹理特征从步骤(1)中的纹理特征集合中删除；重复步骤(2)～步骤(4)，得到当前特征选择的特征结果集和分类准确率，并将当前特征选择的分类准确率与上一次特征选择的分类准确率进行比较，若本次特征选择的分类准确率小于等于上一次特征选择的分类准确率，且特征选择的次数大于等于类数目，则特征选择结束；

(6)利用决策树分类器和步骤(5)特征结果集中的纹理特征对卫星遥感图像进行分类。

2.根据权利要求1所述的一种基于规则挖掘的卫星遥感图像分类方法，其特征在于：所述决策树为C4.5决策树。

3.根据权利要求1所述的一种基于规则挖掘的卫星遥感图像分类方法，其特征在于：所述步骤(2)中A≥0.2，B≥0.9。