CN104751166B - 基于光谱角和欧氏距离的遥感影像分类方法 - Google Patents

Abstract

本发明适用于遥感影像分类领域，提供了一种基于光谱角和欧氏距离的遥感影像分类方法，包括：对遥感影像进行预处理以滤除噪声；筛选用于分类的有效信息；将遥感影像分割为多个同质影像图斑，作为最小研究单元；计算训练样本在各波段的均值和方差；计算测试样本在各波段的均值和方差，进而计算出欧氏距离和光谱角；确定综合相似度为光谱角和欧氏距离的加权和并确定权重；计算分类对象与每种地物的综合相似度，取使得综合相似度最小的地物类型作为分类对象的最终类型。本发明结合两种分类器的优势，实现不同分类方法的互补，并以极小间隔一一验证确定最佳权重，有效提高了分类精度且保证了分类效率，并且实现算法自动化，分类效率高。

Description

基于光谱角和欧氏距离的遥感影像分类方法

技术领域

本发明属于计算机遥感影像自动分类技术领域，特别涉及一种基于光谱角和欧氏距离的遥感影像分类方法。

背景技术

遥感影像分类是将遥感影像中的像元划分到不同地物类别中的过程。分类依据主要包括地物光谱特征、地物形状特征、空间关系特征等，目前大多数研究还是基于地物光谱特征，结合目视解译结果。利用计算机自动分类算法是目前遥感影像分类的主要方法。计算机自动分类算法主要包括非监督分类和监督分类。非监督分类是在没有先验知识的前提下根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类方法，常见的有贝叶斯学习、最大似然度和聚类法等等。监督分类是基于先验样本，先训练再进行分类，常用的方法包括：平行六面体法、波谱角分类法、欧氏距离分类法、马氏距离法、最大似然法、决策树法等。近年来，新的分类模型如人工神经网络等也在遥感影像分类中得到较多应用。在实际应用中，非监督分类的精度一般不如监督分类的精度高，所以监督分类使用的更为广泛。

而每种分类方法均有其各自的缺陷，为了提高分类结果的稳定性和可靠性，现有技术提出多分类器融合的思想，一定程度上提高了分类精度，但仍存在一些问题，例如简单的将不同分类器盲目融合，忽略了其互补性，导致分类精度提高程度极其有限，还会影响分类效率，因此分类器的选择和融合方法的选择显得尤为重要。

发明内容

本发明的目的在于提供一种基于光谱角和欧氏距离的遥感影像分类方法，旨在提高地物分类精度且不会降低分类效率。

本发明是这样实现的，基于光谱角和欧氏距离的遥感影像分类方法，包括下述步骤：

对遥感影像进行预处理以滤除噪声；

筛选用于分类的有效信息；

将遥感影像分割为多个同质影像图斑，作为最小研究单元；

为每种地物选择分布均匀且数量足够的样本，随机抽取50%作为训练样本，计算每种地物的训练样本在各波段的均值和方差，作为样本中心，另外50%样本作为测试样本；

计算每种地物的测试样本在各波段的均值和方差，进而计算出每种地物的测试样本与训练样本之间的欧氏距离和光谱角；

确定综合相似度为光谱角和欧氏距离的加权和，所述综合相似度的关系式为：d=a×w+b×(1-w)，其中，d为综合相似度，a为欧氏距离，w为欧氏距离的权重，b为光谱角，1-w为光谱角的权重，计算在w∈[0,1]且间隔为0.01的约束条件下，使d取得最小值的w值，进而确定综合相似度的运算式；

计算分类对象与每种地物的光谱距离、光谱角和综合相似度，取使得综合相似度最小的地物类型作为分类对象的最终类型。

本发明提供的遥感影像分类方法结合欧氏距离和光谱角两种分类器的优势，将光谱角（光谱相似度）和欧氏距离（影像亮度）加权相加作为综合相似度，实现不同分类方法的互补，并以极小间隔（0.01）一一验证确定最佳权重，有效提高了分类精度且保证了分类效率；并且，该分类方法的各步骤都可以依赖于计算机软件完成，算法自动化，分类效率高。

附图说明

图1是本发明实施例提供的基于光谱角和欧氏距离的遥感影像分类方法流程图；

图2是本发明实施例提供的二维空间光谱角的示意图。

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。

以下结合具体实施例对本发明的具体实现进行详细描述：

图1示出了本发明实施例提供的基于光谱角和欧氏距离的遥感影像分类方法流程图，为了便于说明，仅示出了与本实施例相关的部分。

基于光谱角和欧氏距离的遥感影像分类方法结合了光谱角和光谱距离两种分类器的优势，使分类精度更高。在介绍该方法之前，首先对光谱角和欧氏距离进行解释说明。

光谱角（SAM），又称波谱角，是待识别地物向量与参考地物向量在光谱空间上所形成的夹角，光谱角法就是通过该夹角来确定每类地物的归属。光谱角的原理是把像元的光谱（多个波段的像素值）作为矢量投影到N维空间上，维度N为选取的波段数。在N维空间中，各光谱曲线被看作有方向且有长度的矢量，光谱矢量之间形成的夹角就是光谱角，参见图2所示的二维空间的光谱角。光谱角的数学表达式为：

式中：α为光谱角，X=(x₁,x₂,x₃......x_n)，Y=(y₁,y₂,y₃......y_n)，n为波段数，x_n,y_n分别表示两个光谱矢量在n波段上的响应值。α的变化范围为[0,π/2]，也可采用cosα表示，变化范围是[0,1]。α角越小，代表X,Y越接近。当用于遥感影像分类时，X代表分类对象，Y代表样本中心，用样本在n波段的响应值的均值表示。

可以看出，光谱角分类是通过角度大小进行分类，确定两个光谱矢量之间的相似性，对光谱向量的长度不敏感。

欧氏距离是指两个光谱矢量间的距离，用于遥感影像分类时，就是分类对象与样本的光谱矢量间的距离，地物的欧氏距离的计算公式如下：

其中，D为欧氏距离，x_i,y_i分别代表两个像元（对象）在波段i上的像素值，n为波段数。当用于遥感影像分类时，x_i代表分类对象在波段i上响应的平均值，y_i代表样本在波段i上响应的平均值。

直接运用欧氏距离分类有明显的缺陷：首先，不同类别的灰度值的变化范围即其方差的大小是不同的，不能简单地用像元到样本中心的距离来划分像元的归属；第二，自然地物类别的点群分布不一定是圆形或球形的，即在不同方向上半径是不同的，因而距离的量度在不同方向上应有所差异。考虑以上的因素，可对欧氏距离计算公式进行如下的改进，从而提高分类的精度：

其中，δ_i是样本在第i波段的标准差。

由光谱角与欧氏距离的定义可以看出二者是反应光谱特性的两个方面，光谱角分类主要根据光谱间夹角的大小（光谱相似度）来判别，对光谱矢量的长度（影像的亮度）并不敏感，而欧氏距离刚好能弥补这个缺陷，两者的分类结果存在较好的互补性。因此，可以将两种分类方法结合来提高分类精度。

基于上述原理，本发明实施例提供一种基于光谱角和欧氏距离的遥感影像分类方法，该方法包括下述步骤：

步骤S101，对遥感影像进行预处理以滤除噪声；

在本实施例中，预处理过程可以包括辐射定标、大气校正、几何校正、投影转换、裁剪等。通过上述过程滤除噪声，以便更好的利用预处理后的遥感图像所反映的地物目标波谱特性进行反演、统计和分析。

步骤S102，筛选用于分类的有效信息；

在此步骤中，选择用于分类的有效波段，以减少信息冗余；对影像进行多种变换，从有限的多波段数据中产生新的信息，以增强地物之间的光谱区分度，例如计算植被指数、建筑指数；进行主成分分析，缨帽变换等。具体分类波段和变换方法的选择要结合研究区和数据的具体情况确定。同时要将各波段值、指数、变换值进行归一化处理。另外，波段选择的一般原则是方差较大，相关性较小，信息冗余少的。

步骤S103，将遥感影像分割为多个同质影像图斑，作为最小研究单元；

在此步骤中，设置分割尺度、波段权重、光谱权重，纹理权重等参数，对影像进行多尺度分割，以将影像分割为多个同质影像图斑，提高分类精度。

步骤S104，为每种地物选择分布均匀且数量足够的样本，随机抽取50%作为训练样本，计算每种地物的训练样本在各波段的均值和方差，作为样本中心，另外50%样本作为测试样本；

在此步骤中，假设地物类型为p1,p2,……pj，则类型p1在各波段的均值为（m11，m12……m1n，n为波段数），方差为（v11，v12……v1n，n为波段数），类型p2在各波段的均值为（m21，m22……m2n，n为波段数），方差为（v21，v22……v2n，n为波段数）……类型pj在各波段的均值为（mj1，mj2……mjn，n为波段数），方差为（vj1，vj2……vjn，n为波段数）。每种地物类型在各波段的均值和方差确定后，即确定了每种地物的训练样本的光谱矢量。

步骤S105，计算每种地物的测试样本在各波段的均值和方差，进而计算出每种地物的测试样本与训练样本之间的欧氏距离和光谱角；

在该步骤中，按照步骤S104的方法，计算每种地物的测试样本在各波段的均值和方差，确定每种地物的测试样本的光谱矢量。在确定了训练样本和测试样本的光谱矢量后，就可以计算出每种地物的光谱角和欧氏距离。接下来，便要建立综合相似度与光谱角和欧氏距离的关系，本实施例将光谱角和欧氏距离的加权和作为综合相似度，同时，进一步确定最佳权重。具体做法如下：

步骤S106，确定综合相似度为光谱角和欧氏距离的加权和，关系式为：d=a×w+b×(1-w)，其中，d为综合相似度，a为欧氏距离，w为欧氏距离的权重，b为光谱角，1-w为光谱角的权重；计算在w∈[0,1]且间隔为0.01的约束条件下，使d取得最小值的w值，进而确定综合相似度的运算式。

在此步骤中，对每种地物类型进行上述的计算，获得多个w值w₁,w₂...w_j，进而确定j种地物类型对应的综合相似度运算式：d₁=a₁×w₁+b₁×(1-w₁)……d_j=a_j×w_j+b_j×(1-w_j)。

经过上述步骤S101～S106，每种地物类型对应的综合相似度运算式得以确定，即可将其用于遥感影像分类。即：

步骤S107，计算分类对象与每种地物的光谱距离、光谱角和综合相似度，取使得综合相似度最小的地物类型作为分类对象的最终类型。

在此步骤中，首先对遥感影像按照上述步骤S101～S103进行处理，然后计算分类对象在各波段的均值和方差，然后结合已知类型地物（如训练样本）在各波段的均值和方差计算出光谱角和欧氏距离，并通过对应的综合相似度运算式计算分类对象和该已知类型地物的综合相似度，一一计算出待分类对象与每种已知类型地物的综合相似度，最终选择综合相似度d=a×w+b×(1-w)最小的类型作为分类对象的最终类型。

本发明实施例提供的遥感影像分类方法结合欧氏距离和光谱角两种分类器的优势，将光谱角（光谱相似度）和欧氏距离（影像亮度）加权相加作为综合相似度，实现不同分类方法的互补，并以极小间隔（0.01）一一验证确定最佳权重，有效提高了分类精度且保证了分类效率；并且，该分类方法的各步骤都可以依赖于计算机软件完成，算法自动化，分类效率高。

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 (4)

1.基于光谱角和欧氏距离的遥感影像分类方法，其特征在于，包括下述步骤：

对遥感影像进行预处理以滤除噪声；

筛选用于分类的有效信息；

将遥感影像分割为多个同质影像图斑，作为最小研究单元；

为每种地物选择分布均匀且数量足够的样本，随机抽取50％作为训练样本，计算每种地物的训练样本在各波段的均值和方差，作为样本中心，另外50％样本作为测试样本；

计算每种地物的测试样本在各波段的均值和方差，进而计算出每种地物的测试样本与训练样本之间的欧氏距离和光谱角；

确定综合相似度为光谱角和欧氏距离的加权和，所述综合相似度的关系式为：d＝a×w+b×(1-w)，其中，d为综合相似度，a为欧氏距离，w为欧氏距离的权重，b为光谱角，1-w为光谱角的权重，计算在w∈[0,1]且间隔为0.01的约束条件下，使d取得最小值的w值，进而确定综合相似度的运算式；

计算分类对象与每种地物的光谱距离、光谱角和综合相似度，取使得综合相似度最小的地物类型作为分类对象的最终类型；

所述欧氏距离的计算公式为：

<mrow> <mi>D</mi> <mo>=</mo> <msqrt> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <msub> <mi>&amp;delta;</mi> <mi>i</mi> </msub> </mfrac> </mrow> </msqrt> </mrow>

其中，δ_i是样本在第i波段的标准差，D为欧氏距离，x_i,y_i分别代表两个像元在波段i上的像素值，n为波段数，当用于遥感影像分类时，x_i代表分类对象在波段i上响应的平均值，y_i代表样本在波段i上响应的平均值。

2.如权利要求1所述的遥感影像分类方法，其特征在于，对所述遥感影像进行预处理的过程包括：辐射定标、大气校正、几何校正、投影转换及裁剪。

3.如权利要求1所述的遥感影像分类方法，其特征在于，所述筛选用于分类的有效信息的步骤具体为：

选择用于分类的有效波段，以减少信息冗余；

对遥感影像进行多种变换，从有限的多波段数据中产生新的信息，以增强地物之间的光谱区分度；

进行主成分分析，缨帽变换；

将各波段值及变换值进行归一化处理。

4.如权利要求1所述的遥感影像分类方法，其特征在于，所述将遥感影像分割为多个同质影像图斑，作为最小研究单元的步骤具体为：

设置分割尺度、波段权重、光谱权重及纹理权重参数，对遥感影像进行多尺度分割以形成多个同质影像图斑。