CN105809177A - 执行遥感影像分类的方法 - Google Patents

Abstract

提供一种执行遥感影像分类的方法，包括以下步骤：(A)获取目标区域的遥感影像；(B)通过对获取的遥感影像进行分割来获取多个影像对象；(C)针对每个影像对象，基于代表特征及其各自的权重来执行遥感影像分类，其中，代表特征包括利用ReliefF算法从训练样本的特征空间中筛选出的有助于遥感影像分类的特征，并且，利用最小二乘法来确定代表特征各自的权重。在根据本发明示例性实施例所述的方法中，能够基于适当的代表特征及其各自的权重来执行遥感影像的分类，从而提高了计算效率和分类精度。

Description

执行遥感影像分类的方法

技术领域

本发明总体说来涉及遥感影像自动分类领域，更具体地讲，涉及一种执行面向对象的遥感影像分类的方法。

背景技术

遥感影像分类是指将遥感影像中的每个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对遥感影像进行分类。

从分类层次来看，对遥感影像进行分类的方法可划分为基于像元的分类和面向对象的分类。传统的基于像元的分类方法以单个像元为单位，过于着眼于局部而忽略了附近整片图斑的几何结构情况，容易产生“椒盐现象”，制约了特征信息提取的精度，而面向对象的分类方法，由于综合考虑了地物光谱特征、地物形状特征、地物大小特征、地物纹理特征、空间关系特征等一系列因素，因此具有更高的分类精度。

在面向对象的分类方法中，每个影像对象包含多个特征，这些特征较单个像元的特征更接近地理实体的信息。丰富的特征，必然导致特征维数的增加，甚至可能导致“维数灾难”，而且随着特征维数的增加，计算量也随之呈指数增长，因此增加了高维特征的计算开销。而且，特征和分类器性能之间并不存在线性关系，当特征维数超过一定限度时会导致分类器性能变坏从而降低了分类精度。此外，现有技术中难以估计影像对象的特征实际对分类器性能的影响。

发明内容

本发明的示例性实施例在于提供一种执行遥感影像分类的方法，以解决现有技术中由于影像对象的特征较多而导致计算量大的技术问题。

根据本发明示例性实施例的一方面，提供一种执行遥感影像分类的方法，包括以下步骤：(A)获取目标区域的遥感影像；(B)通过对获取的遥感影像进行分割来获取多个影像对象；(C)针对每个影像对象，基于代表特征及其各自的权重来执行遥感影像分类，其中，代表特征包括利用ReliefF算法从训练样本的特征空间中筛选出的有助于遥感影像分类的特征，并且，利用最小二乘法来确定代表特征各自的权重。

在所述方法中，代表特征可还包括有助于针对目标区域执行遥感影像分类的定性特征。

在所述方法中，所述定性特征可为形状特征。

在所述方法中，最小二乘法的迭代计算式可如下：

${\mathrm{Value}}_m=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{k}_j\·x_j,$

其中，Value_m指示第m个训练样本的观测值，x_j指示第j个代表特征的特征值，k_j指示第j个代表特征x_j的权重，j∈[1,p]，p指示代表特征的个数。

在所述方法中，步骤(A)可包括：(a1)接收拍摄的目标区域的遥感影像；(a2)对接收的遥感影像进行预处理以获取预处理后的遥感影像。

在所述方法中，拍摄的目标区域的遥感影像可包括基准影像、全色影像和多光谱影像，其中，步骤(a2)可包括：(a21)利用基准影像对全色影像进行校正；(a22)利用校正后的全色影像对多光谱影像进行校正；(a23)基于主成分融合方法对校正后的全色影像和校正后的多光谱影像进行影像融合以获取预处理后的遥感影像。

在所述方法中，步骤(B)可包括：通过对获取的遥感影像进行多尺度分割来获取多个影像对象。

在所述方法中，在步骤(B)中，可基于设置的分割参数对获取的遥感影像进行多尺度分割，其中，所述分割参数可包括以下项中的至少一个：分割尺度、形状因子和光滑度因子。

在上述执行遥感影像分类的方法中，能够基于适当的代表特征及其各自的权重来执行遥感影像的分类，从而提高了计算效率和分类精度。

附图说明

图1示出根据本发明示例性实施例的执行遥感影像分类的方法的流程图；

图2示出根据本发明示例性实施例的图1所示的方法中获取目标区域的遥感影像的步骤的流程图；

图3示出根据本发明示例性实施例的图2所示的方法中对接收的目标区域的遥感影像进行预处理的步骤的流程图。

具体实施方式

现将详细描述本发明的示例性实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。

具体说来，在根据本发明示例性实施例的执行遥感影像分类的方法中，需要先选择训练样本，然后利用ReliefF算法从训练样本的特征空间中筛选出有助于遥感影像分类的特征(即，代表特征)，并且利用最小二乘法来确定代表特征各自的权重，然后再基于代表特征及其各自的权重对目标区域的遥感影像进行分类。

图1示出根据本发明示例性实施例的执行遥感影像分类的方法的流程图。所述方法可通过计算机程序以软件方式来执行，也可通过专门的图像处理设备来执行。

参照图1，在步骤S10中，获取目标区域的遥感影像。这里，目标区域是指需要进行面向对象的遥感影像分类的区域，为了后续分类处理的分类精度更高，选取的目标区域一般要求土地利用类型差异明显、典型地物类型丰富且具有代表性。

这里，应理解，可利用现有的各种获取遥感影像的方法来获取目标区域的遥感影像。作为示例，下面结合图2来详细描述获取目标区域的遥感影像的步骤。

参照图2，在步骤S110中，接收拍摄的目标区域的遥感影像。例如，可利用遥感器来感测目标区域中包括的地物目标的电磁辐射特征，并将感测到的地物目标的电磁辐射特征记录下来，形成目标区域的遥感影像，然后接收遥感器拍摄的目标区域的遥感影像。这里，目标区域的遥感影像可包括基准影像、全色影像和多光谱影像。

作为示例，选取海南文昌作为进行遥感影像分类的目标区域，本发明示例性实施例所述的方法以海南文昌的遥感影像中选取的一块2500像素×2500像素的区域为例，来说明本发明示例性实施例的执行遥感影像分类的方法。遥感影像为SPOT5影像，SPOT5影像包括四个多光谱影像(即，RED、GREEN、NIR、SWIR)、一个全色影像和一个基准影像。

在步骤S120中，对接收的遥感影像进行预处理以获取预处理后的遥感影像。这里，应理解，可利用现有的预处理方法来对研究区域的遥感影像进行预处理。作为示例，可采用图3所示的方法来对研究区域的遥感影像进行预处理。

参照图3，在步骤S121中，利用基准影像对全色影像进行校正。

具体说来，为满足影像校正的精度要求，可在每幅影像(即，基准影像和全色影像)上，分别选取多个控制点(GCP)，例如，可分别选取30个左右的控制点，并且保证控制点的RMS误差小于1(即，残差小于一个像素)，例如，保证基准影像上的第一控制点与全色影像上的第一控制点的残差小于一个像素，然后再利用二次多项式方法得出校正后的全色影像。

在步骤S122中，利用校正后的全色影像对多光谱影像进行校正。

同样地，可在每幅影像(即，校正后的全色影像和多光谱影像)上，分别选取多个控制点(GCP)，例如，可分别选取30个左右的控制点，并且保证控制点的RMS误差小于1(即，残差小于一个像素)，例如，保证校正后的全色影像上的第一控制点与多光谱影像上的第一控制点的残差小于一个像素，然后再利用二次多项式方法得出校正后的多光谱影像。

在步骤S123中，基于主成分融合方法对校正后的全色影像和校正后的多光谱影像进行影像融合，得到预处理后的遥感影像。

具体说来，为了更准确地从高分辨率遥感影像中提取有用土地利用信息，需要尽可能的反应细节信息。因此，在进行影像融合时，需要尽可能多的保留影像的各个特征。例如，根据本发明示例性实施例所述的方法可利用主成分融合方法(PCA-theprincipalcomponentanalysis)对校正后的全色影像和校正后的多光谱影像进行影像融合，以很好地保留影像中的光谱特征、纹理特征和空间结构特征，保障了后续面向对象的遥感影像分类的质量。

返回图1，在步骤S20中，通过对获取的遥感影像进行分割来获取多个影像对象。这里，所述多个影像对象中的每个影像对象可包含多个特征，且可被视为同质影像图斑，本发明示例性实施例的执行遥感影像分类的方法以影像对象作为遥感影像分类的最小研究单元。

可选地，可通过对获取的遥感影像进行多尺度分割来获取多个影像对象。作为示例，可基于设置的分割参数对获取的遥感影像进行多尺度分割，以得到多个影像对象。作为示例，所述多个影像对象中的每个影像对象可包含相同的颜色特征和/或相同的形状特征等。作为示例，分割参数可包括以下项中的至少一个：分割尺度、形状因子和光滑度因子。

可选地，可人为设置分割参数，或者还可利用最优分割估计工具(ESP)来确定分割参数，然后基于确定的分割参数对获取的遥感影像进行多尺度分割，以得到多个影像对象。作为示例，在海南文昌为研究区域的示例中，可利用ESP确定最优的分割参数，即，分割尺度为40、形状因子为0.6、光滑度因子为0.4，然后基于确定的最优的分割参数将2500像素×2500像素的区域的遥感影像分割成880个影像对象。

在步骤S30中，针对每个影像对象，基于代表特征及其各自的权重来执行遥感影像分类。这里，代表特征包括利用ReliefF算法从训练样本的特征空间中筛选出的有助于遥感影像分类的特征，并且还利用最小二乘法来确定代表特征各自的权重。

这里，从训练样本的特征空间中筛选出的有助于遥感影像分类的特征就是指从训练样本的多个特征中筛选出的与地物类别具有关联的特征，基于代表特征对遥感影像进行分类可有效降低特征维数，从而提高了计算效率。

可选地，本发明示例性实施例的执行遥感影像分类的方法，需要先选择训练样本，然后利用ReliefF算法从训练样本的特征空间中筛选出有助于遥感影像分类的特征。

可选地，利用ReliefF算法从训练样本的特征空间中筛选出有助于遥感影像分类的特征的步骤可包括：基于假设间隔来从训练样本的特征空间中筛选出有助于遥感影像分类的特征。这里，假设间隔可为在保持样本分类不变的情况下，分类决策面能够移动的最大距离。

例如，假设间隔的计算式可如下，

$\mathrm{\θ}=\frac{\left|\right|x-M\left(x\right)\left|\right|-\left|\right|x-H\left(x\right)\left|\right|}{2}---\left(1\right)$

在公式(1)中，θ为假设间隔，x为随机选择的训练样本，M(x)为从训练样本x的不同类特征中找到的最近邻样本，H(x)为从训练样本x的同类特征中找到的最近邻样本，||x-M(x)||表示训练样本x与M(x)的欧式距离，||x-H(x)||表示训练样本x与H(x)的欧式距离。

具体说来，全部的训练样本构成训练集，x为从训练集中随机选择的一个训练样本，然后可针对训练样本x的多个特征中的每个特征计算假设间隔。例如，针对训练样本x的特征A，可先计算特征A的假设间隔θ_A，如果计算得到的假设间隔θ_A较大，则表明随机选择的训练样本x与不同类特征中找到的最近邻样本在特征A上的距离较大，与同类特征中找到的最近邻样本在特征A上的距离较小，也就是说，特征A对于训练样本x的分类贡献大，有助于训练样本x的分类，此时可将特征A保留。如果θ_A较小，则表明随机选择的训练样本x与不同类特征中找到的最近邻样本在特征A上的距离较小，与同类特征中找到的最近邻样本在特征A上的距离较大，也就是说，特征A对于训练样本x的分类贡献小，甚至起到负面作用，不利于训练样本x的分类，此时可将特征A舍弃。同样地，利用上述的方法对训练样本x的每个特征逐个进行筛选，最终从训练样本的特征空间中筛选出的有助于遥感影像分类的特征。

此外，应该理解，上述从训练样本x的同类特征中找到的最近邻样本H(x)可以是从训练样本x的同类特征中找到的一个最近邻样本，也可以是从训练样本x的同类特征中找到的多个最近邻样本，在H(x)为同类特征的多个最近邻样本的情况下，则需计算的是训练样本x与同类特征的多个最近邻样本在特征A上的距离的均值。同样地，上述从训练样本x的不同类特征中找到的最近邻样本M(x)可以是从训练样本x的不同类特征中找到的一个最近邻样本，也可以是从训练样本x的不同类特征中找到的多个最近邻样本，在M(x)为不同类特征的多个最近邻样本的情况下，则需计算的是训练样本x与不同类特征的多个最近邻样本在特征A上的距离的均值。

作为示例，在海南文昌为研究区域的示例中，利用ReliefF算法筛选出的特征可包括亮度(例如，亮度为RED波段+GREEN波段+NIR波段+SWIR波段的均值)、灰度共生矩阵的熵(GLCMEntropy)、标准差(Standarddeviation)、延伸性(Extend)。

可选地，代表特征除了包括利用ReliefF算法从训练样本的特征空间中筛选出的有助于遥感影像分类的特征之外，还包括有助于针对目标区域执行遥感影像分类的定性特征。作为示例，有助于针对目标区域执行遥感影像分类的定性特征可为形状特征。

具体说来，由于利用ReliefF算法从训练样本的特征空间中筛选特征时，仅是对训练样本的多个特征在数值上进行分析处理，但对训练样本的形状特征的区分性不好。例如，如果一个训练样本中包括两个圆形，则这两个圆形在形状特征的特征值上是一样的，但它们所处的区域却可能不同，即，一个圆形与水域相临，一个圆形与城镇相临，那么利用ReliefF算法基于特征的数值来对特征进行筛选时，会无法有效区分这两个圆形的差别，因此，本发明示例性实施例所述的方法在利用ReliefF算法筛选出的特征的基础上加入形状特征，组成代表特征。

此外，在利用最小二乘法来确定代表特征各自的权重时，可有效考虑形状特征对后续面向对象的遥感影像分类的影响。也就是说，利用最小二乘法来进一步确定代表特征各自的权重，进而将训练样本的形状特征考虑进来，以提高遥感影像的分类精度。

例如，由于居民地和道路的反射光谱具有相似性，但是道路的形状特征为长直线形，居民地具有不确定的形状，大多为接近圆形(即，长宽接近)，因此，可基于形状特征来区分道路和居民地。

但是，所处不同区域的居民地都用圆形来表示，那么为区分不同居民地的差异，可基于与邻近对象的关系(Relationstoneighborobjects)对居民地的形状特征进行采样量化(例如，与水域相临的圆形，即，与水域相临的居民地计为圆形特征1，与城镇相临的圆形，即，与城镇相临的居民地计为圆形特征2)，然后将量化后的形状特征和利用ReliefF算法筛选出的特征组成代表特征，最后再利用最小二乘法计算出代表特征各自的权重。

例如，最小二乘法的迭代计算式可如下，

${\mathrm{Value}}_m=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{k}_j\·x_j---\left(2\right)$

公式(2)中，Value_m指示第m个训练样本的观测值，x_j指示第j个代表特征的特征值，k_j指示第j个代表特征x_j的权重，j∈[1,p]，p指示代表特征的个数。

具体说来，将m个训练样本对应的数值代入到公式(2)中，则可得到相应的m个等式，然后利用最小二乘法进行求解，就可以得到k_j的值。

可选地，为进一步降低计算量，根据本发明示例性实施例的基于代表特征及其各自的权重来执行遥感影像分类可包括：基于最小二乘法确定的代表特征各自的权重对代表特征进行降序排列，选取预设个数前的代表特征及其各自的权重来执行遥感影像分类。

具体说来，将代表特征的个数与预设个数进行比较，如果代表特征的个数大于预设个数，则认为用于面向对象的遥感影像分类的代表特征的个数仍然较多，也就导致后续的分类处理的计算量仍很巨大，那么可在利用最小二乘法计算代表特征各自的权重后，将各个代表特征按照权重值的大小降序排列，然后选取预定个数之前的特征及其各自的权重来执行面向对象的遥感影像分类。如果代表特征的个数不大于预设个数，则可直接基于代表特征及其各自的权重来执行遥感影像分类。

上述执行遥感影像分类的方法，能够基于利用ReliefF算法筛选出的代表特征和利用最小二乘法确定的代表特征各自的权重来执行遥感影像的分类，从而提高了计算效率和分类精度。

上面已经结合具体示例性实施例描述了本发明，但是本发明的实施不限于此。在本发明的精神和范围内，本领域技术人员可以进行各种修改和变型，这些修改和变型将落入权利要求限定的保护范围之内。

Claims (8)

1.一种执行遥感影像分类的方法，包括以下步骤：

(A)获取目标区域的遥感影像；

(B)通过对获取的遥感影像进行分割来获取多个影像对象；

(C)针对每个影像对象，基于代表特征及其各自的权重来执行遥感影像分类，其中，代表特征包括利用ReliefF算法从训练样本的特征空间中筛选出的有助于遥感影像分类的特征，并且，利用最小二乘法来确定代表特征各自的权重。

2.根据权利要求1所述的方法，其中，代表特征还包括有助于针对目标区域执行遥感影像分类的定性特征。

3.根据权利要求2所述的方法，其中，所述定性特征为形状特征。

4.根据权利要求3所述的方法，其中，最小二乘法的迭代计算式如下：

${\mathrm{Value}}_m=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{k}_j\·x_j,$

其中，Value_m指示第m个训练样本的观测值，x_j指示第j个代表特征的特征值，k_j指示第j个代表特征x_j的权重，j∈[1,p]，p指示代表特征的个数。

5.根据权利要求1所述的方法，其中，步骤(A)包括：

(a1)接收拍摄的目标区域的遥感影像；

(a2)对接收的遥感影像进行预处理以获取预处理后的遥感影像。

6.根据权利要求5所述的方法，其中，拍摄的目标区域的遥感影像包括基准影像、全色影像和多光谱影像，

其中，步骤(a2)包括：

(a21)利用基准影像对全色影像进行校正；

(a22)利用校正后的全色影像对多光谱影像进行校正；

(a23)基于主成分融合方法对校正后的全色影像和校正后的多光谱影像进行影像融合以获取预处理后的遥感影像。

7.根据权利要求1所述的方法，其中，步骤(B)包括：通过对获取的遥感影像进行多尺度分割来获取多个影像对象。

8.根据权利要求7所述的方法，其中，在步骤(B)中，基于设置的分割参数对获取的遥感影像进行多尺度分割，其中，所述分割参数包括以下项中的至少一个：分割尺度、形状因子和光滑度因子。