CN107025445A - 基于类信息熵的多源遥感图像组合选择方法 - Google Patents

Abstract

本发明公开了一种基于类信息熵的多源遥感图像最优组合选择方法，包括：1图像目标分类；2计算图像类信息熵，定义类平均信息熵；3构建类信息熵排列的图像集；4计算类信息散度值；5类信息散度值排序，类信息散度阈值寻优；6比较类信息散度值与类信息散度阈值，计算类平均信息熵；7输出最优组合的选择结果。本发明为融合多源异构遥感图像数据提供一种最优组合的选择方法，从而提高对多目标识别的能力和自动化程度。

Description

基于类信息熵的多源遥感图像组合选择方法

技术领域

本发明涉及一种基于类信息熵的多源遥感图像最优组合选择方法，是遥感图像信息融合的基础，属于遥感信息处理和自动控制技术领域。

背景技术

光学与电子技术的进步促进出现更多、更新的遥感检测传感器，他们体积更小、功能更加强大、精度与分辨率更好。综合的星载、机载遥感平台集成多种不同用途的探测传感器，提高了信息获取能力和应用范围。遥感信息处理方面，大数据和高性能计算机已经能够应对海量遥感数据的快速处理。随着成像技术的快速发展及对图像解译、应用需求的急速增长，遥感图像已经出现了多传感器、多时相、高分辨率的趋势，可更好地应用于国土资源调查、气象预报、环境监测、防灾救灾和国防等领域。

遥感图像传感器分为光学和微波两大类，前者采集来自紫外、可见光、红外波段的反射或辐射信息，获得高光谱、多光谱、偏振等光学信息；后者可分为合成孔径雷达(SAR)、极化SAR等，搜索的电磁波波段包括L波段、X波段、C波段、Ka或Ku波段等。不同类型的图像传感器在应对大气环境变化下多种目标探测时各有所长，它们包含了不同的信息但均不完整。一般来说，光学成像清晰，分辨率高，但高空间分辨率的遥感图像一般不具备良好的光谱分辨特性，高光谱图像不具备良好的高空间分辨率。SAR具有全天候、全天时、有一定穿透力的数据获取能力，但是成像精度低。

多传感器信息融合能综合应用多传感器的优势，获取更加丰富而全面的信息。如将同一时空范围获取的多源遥感图像进行融合，充分利用各种成像传感器不同的成像方式，为不同的图像提供互信息，增加图像信息量，提高对环境的适应性和目标的识别率，能得到对现实环境的更精确的描述。

遥感图像融合的前提是如何选取合适的图像作为融合的对象，目前，在高光谱成像中波段的选择方法研究较多。通常采用有监督选择方法与非监督选择方法，有监督波段选择需要确立波段之间的相似性测量值或者类别之间的距离测量值，通过相应的搜索算法来寻找最佳波段组合，例如，基于类间距离可分性的最佳波段选择，就是计算已知不同类别的样本区域间在各波段组合上的统计距离来选择波段；无监督波段选择采用聚类或者排序搜索寻找一个特征子集能够既保留主要的信息细节，又消除了多波段间的冗余信息，如以波段的方差排序的主成分分析法，基于互信息聚类选择最小互信息方法等。

上述选择方法仅适用于图像间在像元灰度上具有很高的相关性，此时各波段的图像在灰度直方图、均值、方差上具有可比性。而对于不同传感器源采集的图像，像元灰度的定义或定标不同，如彩色与黑白、可见与红外、光学与雷达成像间没有像元相关性时，上述方法不再奏效。

发明内容

本发明是为了解决上述波段选择方法的不足，提出一种基于类信息熵的多源遥感图像最优组合选择方法，以期能有效解决图像波段选择技术在多源遥感图像中当像元灰度关联性不高时难以正确组合选择的问题，为融合多源异构遥感图像数据提供一种最优组合的选择方法，从而提高对多目标识别的能力和自动化程度。

本发明为解决技术问题采用如下技术方案：

本发明一种基于类信息熵的多源遥感图像组合选择方法的特点包括如下步骤：

步骤1、图像目标分类

利用多源遥感设备获得R幅原始遥感图像，记为原始图像集X＝{X₁,X₂,…,X_i,…,X_R}，X_i表示第i幅原始遥感图像，1≤i≤R；

对所述第i幅原始遥感图像X_i采用SVM或深度卷积网络进行目标分类，得到第i幅原始遥感图像X_i目标类别总数记为TN；

步骤2、利用式(1)计算第i幅原始遥感图像X_i的类信息熵H(X_i)，从而获得所述R幅原始遥感图像的类信息熵：

式(1)中，P(X_ij)表示所述第i幅原始遥感图像X_i的中第j类目标的出现概率，j∈(1,TN)；

利用式(2)获得R幅原始遥感图像的类平均信息熵

步骤3、构建类信息熵排序的图像集

对所述R幅原始遥感图像X_i的类信息熵按照降序排列，并将只含有背景的图像，即类信息熵为零所对应的遥感图像删除，从而得到R′幅遥感图像所构成的图像集，记为B＝{B₁,B₂,…,B_t,…,B_R′}；1≤t≤R′；R′≤R；

步骤4、计算类信息散度值

从所述图像集B＝{B₁,B₂,…,B_t,…,B_R′}中任意取出两幅不同的遥感图像并分别定义为图像p和图像q；利用式(3)-式(6)的相应公式获得类信息散度值D_KL(p,q)，从而获得所述图像集B中任意两幅遥感图像之间的类信息散度值；

令TNP为图像p的目标类别总数，TNQ为图像q的目标类别总数；

当TNP＞L且TNQ＞L，且图像p和图像q包含L个相同目标类别数，则利用式(3)获得所述图像p和图像q的类信息散度值D_KL(p,q)：

式(3)中，p_j为图像p中第j类目标的出现概率，q_j为图像q中第j类目标的出现概率；

若TNP＝TNQ＝L，则利用式(4)获得所述图像p和图像q的类信息散度值D_KL(p,q)：

若TNP＞TNQ且TNQ＝L，则利用式(5)获得所述图像p和图像q的类信息散度值D_KL(p,q)：

若TNP＞TNQ且TNP＝L，则利用式(6)获得所述图像p和图像q的类信息散度值D_KL(p,q)：

步骤5、类信息散度值排序，类信息散度阈值寻优

步骤5.1、对步骤4所获得的所述图像集B中所有两幅遥感图像之间的类信息散度值D_KL(p,q)按降序排序，构成类信息散度值数组n为所述类信息散度值数组D的元素总数，计数器m∈(1,n)；

定义一个由多个数组构成的顺序表List＝{l₁,l₂...l_m...l_n}，所述顺序表List中的任意第m个数组l_m的数据结构定义为：

初始化初始化所述计数器m＝1；

步骤5.2、设置类信息散度阈值当m＜n时，跳转到步骤6，否则继续步骤5.3；

步骤5.3、定义梯度定义梯度差m∈[2,n-1]；

从所述顺序表List中的数组l₁开始，依次计算梯度和梯度以及依次计算梯度差γ_m＝|(Δ_m-Δ_m-1)|和γ_m+1＝|(Δ_m+1-Δ_m)|；

当所述顺序表List中的所有数组全部计算完毕后，生成梯度差数组γ＝(γ₂,γ₃...γ_m-1,γ_m,γ_m+1...γ_n-1)；

若所述数组γ中最大的梯度差Max(γ)为γ_m，则根据γ_m对应的梯度Δ_m，得到相应的从而取出所述顺序表List中所对应的数组l_m，跳转步骤7；

步骤6、类信息散度值与类信息散度阈值比较，计算类平均信息熵

步骤6.1、初始化：

新建一个新图像队列集ω，令定义中间图像集C，令C＝B；

步骤6.2、将所述中间图像集C中第一幅图像取出，按照队列规则放入所述新图像队列集ω中的尾部，同时，计算获得的所述中间图像集C中的第一幅遥感图像与C中剩余图像之间的类信息散度值，依次与步骤5.2所述信息散度阈值ε按如下过程进行比较，直至中间图像集C中无剩余图像可比较为止；

1)若第一幅遥感图像与剩余的遥感图像之间的类信息散度值小于所述类信息散度阈值ε，则将类信息熵较小的遥感图像从所述中间图像集C中删除，并将被删除图像的后续图像依次向前填补中间图像集C中因删除而出现的空位；

2)若所述中间图像集C的第一幅遥感图像与剩余的遥感图像之间的类信息散度值大于等于所述类信息散度阈值ε，则保留所述中间图像集C中的剩余遥感图像；

步骤6.3、将所述步骤6.2中间图像集C中的第一幅图像删去，若中间图像集C为空，则跳转步骤6.4，否则将所述中间图像集C中被删除图像的后续图像依次向前填补因删除而出现的空位，返回执行步骤6.2；

步骤6.4、将所述新图像队列集ω中的所有图像利用式(2)计算得到类平均信息熵其中，K为所述新图像队列集ω中图像的总数；同时，将类平均信息熵与所述新图像队列集ω以及步骤5.2中所述类信息散度阈值ε对应的一起，构成步骤5.1定义的所述数组l_m，即并将得到的数组l_m存入所述顺序表List中；再将所述计数器m数值加1后跳转到步骤5.2；

步骤7、将数组l_m中的第三个元素即所述新图像队列集ω取出，所述新图像队列集ω中K个遥感图像即作为多源遥感图像最优组合选择的结果输出。

与已有技术相比，本发明为大规模遥感数据环境下对不同目标的多检测手段的组合应用，实现不同获取设备的优势互补提供途径，其有益效果具体体现在：

1、本发明针对同一时空范围采集的多幅多源遥感图像，基于图像中所含有目标类别的强相关性，首次将目标类别的信息熵与信息散度应用到多种遥感源设备获取到的图像集中进行组合选择，提出两图像含有不同目标类时的一种通用的类信息散度计算公式，并对类信息散度阈值进行自动寻优，从而达到了最优组合选择的目的。

2、多源遥感图像组合选择的优化目标有2个，一是所选择的图像具有最大的类平均信息熵，以保留图像中尽可能多的目标及其丰富的细节；二是所选择的图像间具有最小的冗余度，以便在选取时删去重复的图像，精简融合所需的图像数。而本发明所实现的图像组合既保留目标的丰富细节，又大量减少信息冗余，输出的组合图像集按照类信息熵高低排序，有利于指导用户调整类信息散度阈值，获取满足要求的最精简的图像集。

附图说明

图1为本发明方法流程框图；

图2为本发明中类信息熵与类信息散度D_KL的函数关系具有拐点的Pareto前沿面；

图3为本发明中类信息熵与类信息散度D_KL的函数关系无拐点的Pareto前沿面寻优示意图；当函数关系满足上凸线情况时，(a,b)两点回归寻优得到ε₁为最优解，当函数关系满足下凹线情况时，(a,b)两点回归寻优得到ε₂为最优解。

具体实施方式

结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，不能以此来限制本发明的保护范围。

在本实施例中，一种基于类信息熵的多源遥感图像最优组合选择方法是针对利用多源遥感设备获取到大量同一时空环境下的遥感图像，对预先已做好图像中目标分类定义的数据，通过基于类信息熵和类信息散度的方法进行图像最优组合选择以期达到高识别效果，从而辅助用户采用多个遥感数据源融合图像实现多目标识别系统的自动化方法过程。随着遥感领域信息获取的设备手段和图像资源的快速增长，用户对识别的高效、高速和自动化程度等需求的提高，信息获取设备最优组合对获取有效高质数据源，并快速从中识别既定目标是目标识别中的一个重要前置性过程，能在海量遥感大数据快速增长条件下，辅助用户高效、精确地进行信息处理、配置组合设备的选取，最终实现精确目标识别提供一种解决途径。

具体的说，如图1所示，一种基于类信息熵的多源遥感图像组合选择方法的实现步骤如下：

步骤1、图像目标分类

利用多源遥感设备获得R幅原始遥感图像，记为原始图像集X＝{X₁,X₂,…,X_i,…,X_R}，X_i表示第i幅原始遥感图像，1≤i≤R；

对第i幅原始遥感图像X_i采用SVM或深度卷积网络进行目标分类，得到第i幅原始遥感图像X_i目标类别总数记为TN；

步骤2、利用式(1)计算第i幅原始遥感图像X_i的类信息熵H(X_i)，从而获得R幅原始遥感图像的类信息熵：

式(1)中，P(X_ij)表示第i幅原始遥感图像X_i的中第j类目标的出现概率，j∈(1,4N)；其中目标类概率计算表达式为：P(X_ij)＝area(Object_j)/(M×N)；其中area(Object_j)是j类目标在图像i中占有的像元数，M,N是图像最大行列像元数。多个图像组合的平均类信息熵定义见式(2)。

利用式(2)获得R幅原始遥感图像的类平均信息熵

步骤3、构建类信息熵排序的图像集

对R幅原始遥感图像X_i的类信息熵按照降序排列，并将只含有背景的图像，即类信息熵为零所对应的遥感图像删除，从而得到R′幅遥感图像所构成的图像集，记为B＝{B₁,B₂,…,B_t,…,B_R′}；1≤t≤R′；R′≤R；

步骤4、计算类信息散度值

从图像集B＝{B₁,B₂,…,B_t,…,B_R′}中任意取出两幅不同的遥感图像并分别定义为图像p和图像q；利用式(3)-式(6)的相应公式获得类信息散度值D_KL(p,q)，类信息散度反映了图像间冗余度大小，从而获得图像集B中所有两幅遥感图像之间的类信息散度值；

令TNP为图像p的目标类别总数，TNQ为图像q的目标类别总数；

当TNP＞L且TNQ＞L，且图像p和图像q包含L个相同目标类别数，则利用式(3)获得图像p和图像q的类信息散度值D_KL(p,q)：

式(3)中，p_j为图像p中第j类目标的出现概率，q_j为图像q中第j类目标的出现概率；

若TNP＝TNQ＝L，则利用式(4)获得图像p和图像q的类信息散度值D_KL(p,q)：

若TNP＞TNQ且TNQ＝L，则利用式(5)获得图像p和图像q的类信息散度值D_KL(p,q)：

若TNP＞TNQ且TNP＝L，则利用式(6)获得图像p和图像q的类信息散度值D_KL(p,q)：

步骤5、类信息散度值排序，类信息散度阈值寻优

步骤5.1、图像选择是要权衡有用信息保留和冗余信息去除，这是一个组合优化问题；通过选择一个合适的类信息散度阈值，即，将大于该阈值且图像类平均信息熵最大的图像选择出来；类信息散度阈值寻优有2个目标函数，分别是和Max(D_KL)，因为与D_KL函数关系是非线性的反比例关系，形成如图2所示的Pareto前沿面，在Pareto前沿面存在这样一些解，当提升这些解的一个目标函数值会带来严重降低另一个目标函数值，这些解的位置即为拐点，如图2中A点，因此处于拐点的解就是最优解。首先对上述步骤4所获得的图像集B中所有任意两幅遥感图像之间的类信息散度值D_KL(p,q)按降序排序，构成类信息散度值数组n为类信息散度值数组D的元素总数，计数器m∈(1,n)；

定义一个由多个数组构成的顺序表List＝{l₁,l₂...l_m...l_n}，顺序表List中的任意第m个数组l_m的数据结构定义为：

初始化初始化计数器m＝1；

步骤5.2、其次，设置类信息散度阈值其过程为轮换选择上述类信息散度值数组D中每一个D_KL，将它赋值给阈值ε，并将B中图像类信息散度大于或者等于ε的图像存入新图像集ω，当m＜n时，跳转到步骤6，否则继续步骤5.3；

步骤5.3、定义梯度定义梯度差m∈[2,n-1]；本发明中阈值寻优过程是基于类信息散度与类平均信息熵梯度变化有拐点的情况，该拐点对应的类信息散度值即最优解，拐点可利用梯度差最大值Max(γ)求得。

如果类信息散度与类平均信息熵函数关系如图3的上凸或下凹曲线所示，当梯度差为接近0的常数，即不存在拐点时，在多目标优化中自定义类平均信息熵和类信息散度的参数的不同偏好，如图3中，的参数偏好权重设置为0.6，则的参数偏好权重为0.4，分别对应图3Pareto前沿面两条曲线中a,b点，通过(a,b)范围回归寻优，计算L₂Norm(a,b)范数即a,b的欧几里德距离，选择极小值点对应的类信息散度为最优阈值。

本发明以Pareto前沿面存在拐点为依据寻优，即从顺序表List中的数组l₁开始，依次计算梯度和梯度以及依次计算梯度差γ_m＝|(Δ_m-Δ_m-1)|和γ_m+1＝|(Δ_m+1-Δ_m)|；

当顺序表List中的所有数组全部计算完毕后，生成梯度差数组γ＝(γ₂,γ₃...γ_m-1,γ_m,γ_m+1...γ_n-1)；

若数组γ中最大的梯度差Max(γ)＝γ_m，反推出γ_m对应的梯度Δ_m，再由Δ_m找到最后取出顺序表List中对应的数组l_m，跳转步骤7；

步骤6、类信息散度值与类信息散度阈值比较，计算类平均信息熵

步骤6.1、初始化：

新建一个新图像队列集ω，令定义中间图像集C，令C＝B；

步骤6.2、将中间图像集C中第一幅图像取出，按照队列规则放入新图像队列集ω中的尾部，同时，计算获得的中间图像集C中的第一幅遥感图像与C中剩余图像之间的类信息散度值，依次与步骤5.2类信息散度阈值ε按如下过程进行比较，直至中间图像集C中无剩余图像可比较为止；

1)若第一幅遥感图像与剩余的遥感图像之间的信息散度值小于类信息散度阈值ε，则将类信息熵较小的遥感图像从中间图像集C中删除，并将被删除图像的后续图像依次向前填补中间图像集C中因删除而出现的空位；

2)若中间图像集C的第一幅遥感图像与剩余的遥感图像之间的信息散度值大于等于类信息散度阈值ε，则保留中间图像集C中的剩余遥感图像；

步骤6.3、将步骤6.2中间图像集C中的第一幅图像删去，若中间图像集C为空，则跳转步骤6.4，否则将中间图像集C中被删除图像的后续图像依次向前填补因删除而出现的空位，返回执行步骤6.2；

步骤6.4、将新图像队列集ω中的所有图像利用式(2)计算得到类平均信息熵其中，K为新图像队列集ω中图像的总数；同时，将类平均信息熵与新图像队列集ω以及步骤5.2中类信息散度阈值ε对应的一起，构成步骤5.1定义的数组l_m，将得到的数组l_m存入顺序表List中；并将计数器m数值加1后跳转到步骤5.2；

步骤7、将数组l_m中的第三个元素即新图像队列集ω取出，新图像队列集ω中K个遥感图像即作为多源遥感图像最优组合选择的结果输出。

Claims (1)

1.一种基于类信息熵的多源遥感图像组合选择方法，其特征包括如下步骤：

步骤1、图像目标分类

利用多源遥感设备获得R幅原始遥感图像，记为原始图像集X＝{X₁,X₂,…,X_i,…,X_R}，X_i表示第i幅原始遥感图像，1≤i≤R；

对所述第i幅原始遥感图像X_i采用SVM或深度卷积网络进行目标分类，得到第i幅原始遥感图像X_i目标类别总数记为TN；

步骤2、利用式(1)计算第i幅原始遥感图像X_i的类信息熵H(X_i)，从而获得所述R幅原始遥感图像的类信息熵：

式(1)中，P(X_ij)表示所述第i幅原始遥感图像X_i的中第j类目标的出现概率，j∈(1,TN)；

利用式(2)获得R幅原始遥感图像的类平均信息熵

步骤3、构建类信息熵排序的图像集

对所述R幅原始遥感图像X_i的类信息熵按照降序排列，并将只含有背景的图像，即类信息熵为零所对应的遥感图像删除，从而得到R′幅遥感图像所构成的图像集，记为B＝{B₁,B₂,…,B_t,…,B_R′}；1≤t≤R′；R′≤R；

步骤4、计算类信息散度值

从所述图像集B＝{B₁,B₂,…,B_t,…,B_R′}中任意取出两幅不同的遥感图像并分别定义为图像p和图像q；利用式(3)-式(6)的相应公式获得类信息散度值D_KL(p,q)，从而获得所述图像集B中任意两幅遥感图像之间的类信息散度值；

令TNP为图像p的目标类别总数，TNQ为图像q的目标类别总数；

当TNP＞L且TNQ＞L，且图像p和图像q包含L个相同目标类别数，则利用式(3)获得所述图像p和图像q的类信息散度值D_KL(p,q)：

式(3)中，p_j为图像p中第j类目标的出现概率，q_j为图像q中第j类目标的出现概率；

若TNP＝TNQ＝L，则利用式(4)获得所述图像p和图像q的类信息散度值D_KL(p,q)：

若TNP＞TNQ且TNQ＝L，则利用式(5)获得所述图像p和图像q的类信息散度值D_KL(p,q)：

若TNP＞TNQ且TNP＝L，则利用式(6)获得所述图像p和图像q的类信息散度值D_KL(p,q)：

步骤5、类信息散度值排序，类信息散度阈值寻优

步骤5.1、对步骤4所获得的所述图像集B中所有两幅遥感图像之间的类信息散度值D_KL(p,q)按降序排序，构成类信息散度值数组n为所述类信息散度值数组D的元素总数，计数器m∈(1,n)；

定义一个由多个数组构成的顺序表List＝{l₁,l₂...l_m...l_n}，所述顺序表List中的任意第m个数组l_m的数据结构定义为：

初始化初始化所述计数器m＝1；

步骤5.2、设置类信息散度阈值当m＜n时，跳转到步骤6，否则继续步骤5.3；

步骤5.3、定义梯度定义梯度差m∈[2,n-1]；

从所述顺序表List中的数组l₁开始，依次计算梯度和梯度以及依次计算梯度差γ_m＝|(Δ_m-Δ_m-1)|和γ_m+1＝|(Δ_m+1-Δ_m)|；

当所述顺序表List中的所有数组全部计算完毕后，生成梯度差数组γ＝(γ₂,γ₃...γ_m-1,γ_m,γ_m+1...γ_n-1)；

若所述数组γ中最大的梯度差Max(γ)为γ_m，则根据γ_m对应的梯度Δ_m，得到相应的从而取出所述顺序表List中所对应的数组l_m，跳转步骤7；

步骤6、类信息散度值与类信息散度阈值比较，计算类平均信息熵

步骤6.1、初始化：

新建一个新图像队列集ω，令定义中间图像集C，令C＝B；

步骤6.2、将所述中间图像集C中第一幅图像取出，按照队列规则放入所述新图像队列集ω中的尾部，同时，计算获得的所述中间图像集C中的第一幅遥感图像与C中剩余图像之间的类信息散度值，依次与步骤5.2所述信息散度阈值ε按如下过程进行比较，直至中间图像集C中无剩余图像可比较为止；

1)若第一幅遥感图像与剩余的遥感图像之间的类信息散度值小于所述类信息散度阈值ε，则将类信息熵较小的遥感图像从所述中间图像集C中删除，并将被删除图像的后续图像依次向前填补中间图像集C中因删除而出现的空位；

2)若所述中间图像集C的第一幅遥感图像与剩余的遥感图像之间的类信息散度值大于等于所述类信息散度阈值ε，则保留所述中间图像集C中的剩余遥感图像；

步骤6.3、将所述步骤6.2中间图像集C中的第一幅图像删去，若中间图像集C为空，则跳转步骤6.4，否则将所述中间图像集C中被删除图像的后续图像依次向前填补因删除而出现的空位，返回执行步骤6.2；

步骤6.4、将所述新图像队列集ω中的所有图像利用式(2)计算得到类平均信息熵其中，K为所述新图像队列集ω中图像的总数；同时，将类平均信息熵与所述新图像队列集ω以及步骤5.2中所述类信息散度阈值ε对应的一起，构成步骤5.1定义的所述数组l_m，即并将得到的数组l_m存入所述顺序表List中；再将所述计数器m数值加1后跳转到步骤5.2；

步骤7、将数组l_m中的第三个元素即所述新图像队列集ω取出，所述新图像队列集ω中K个遥感图像即作为多源遥感图像最优组合选择的结果输出。