CN107491721A - 遥感影像分类装置及方法 - Google Patents
遥感影像分类装置及方法 Download PDFInfo
- Publication number
- CN107491721A CN107491721A CN201710311131.5A CN201710311131A CN107491721A CN 107491721 A CN107491721 A CN 107491721A CN 201710311131 A CN201710311131 A CN 201710311131A CN 107491721 A CN107491721 A CN 107491721A
- Authority
- CN
- China
- Prior art keywords
- curve
- classification
- image
- remote
- spectrum image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感技术领域。本发明提供了一种遥感影像分类装置及方法,以解决目前遥感影像分类方法不够准确的问题,实现遥感影像分类更准确的目的。本发明的遥感影像分类装置包括获取单元和比对判断单元:获取单元用于获取遥感影像中至少一个分类的第一光谱曲线图像,还用于获取待分类遥感影像中每个像素的第二光谱曲线图像;比对判断单元用于将第二光谱曲线图像与第一光谱曲线图像进行比对,若第二光谱曲线图像与第一光谱曲线图像相同,则判断待分类遥感影像中的该像素的类别与所述分类的类别相同;若第二光谱曲线图像与第一光谱曲线图像不同,则判断待分类遥感影像中的该像素不属于上述分类的类别。
Description
技术领域
本发明涉及遥感领域,尤其涉及一种遥感影像分类装置及方法。
背景技术
土地利用和土地覆盖(Land use and Land cover,简称LULC)分类是遥感研究中的基础研究领域。土地利用是指人类在土地上进行的利用土地的活动,例如在土地上建造房屋;土地覆盖是指覆盖土地的物质,例如天然植被、水体或岩石等。遥感影像分类是指获得遥感影像中某个区域土地的类别,例如是房屋、农作物、草地或水体等。遥感影像分类的作用例如是可以预估农作物的产量,具体地,如果经过判断得出遥感影像中的某区域为玉米种植区域,那么根据该区域的面积就可以得到玉米的种植面积,再根据预估的玉米单产就可以得出玉米的预估产量。遥感影像分类的另一个作用例如是可以得到一个城市的房屋总面积,具体地,首先,判断出遥感影像中哪些区域为房屋,然后计算出这些区域的面积,将这些区域的面积相加,就可以得到房屋的总面积。总之,遥感影像分类对人们的生产生活很有意义。
下面以在遥感影像中判断某个区域是房屋还是水体为例,介绍目前遥感影像分类的方法。遥感影像的每个像素包括红(以下简称R)、绿(以下简称G)和蓝(以下简称B)三个波段,在遥感影像中对应房屋和水体的像素均具有各自的R、G、B值。首先,获得遥感影像中房屋和水体的R、G、B值,例如房屋的R、G、B值为[0,50]、[0,100]、[0,150],水体的R、G、B值为[50,150]、[0,50]、[100,250];然后,获得待分类遥感影像中某个像素的R、G、B值,判断待分类遥感影像中该像素的R、G、B值是否属于房屋或水体的R、G、B值的范围,例如待分类遥感影像中某个像素的R、G、B值为5、10、25,该像素的R、G、B值在房屋的R、G、B值范围内,则判断待分类遥感影像中该像素的区域为房屋。
但根据上述方法得出的分类结果不准确,例如待分类遥感影像中某个像素的R、G、B值为155、52、253,按照上述方法,由于该像素的R、G、B值未在水体的R、G、B值范围内,则会得出该像素不是水体的结论。但是,该像素的R、G、B值与水体的R、G、B值范围很接近,该像素实际上也为水体,因为自然环境千差万别,但根据现有的遥感影像分类方法会得出该像素不是水体的结果。所以现有的遥感影像分类方法还不够准确。
发明内容
本发明提供了一种遥感影像分类装置及方法,以解决目前遥感影像分类方法不够准确的问题,实现遥感影像分类更准确的目的。
第一方面,本发明提供了一种遥感影像分类装置,包括获取单元和比对判断单元:所述获取单元与所述比对判断单元连接,用于获取遥感影像中至少一个分类的第一光谱曲线图像,还用于获取待分类遥感影像中每个像素的第二光谱曲线图像;所述比对判断单元用于将所述第二光谱曲线图像与所述第一光谱曲线图像进行比对,若所述第二光谱曲线图像与所述第一光谱曲线图像相同,则判断所述待分类遥感影像中的该像素的类别与所述分类的类别相同;若所述第二光谱曲线图像与所述第一光谱曲线图像不同,则判断所述待分类遥感影像中的该像素不属于所述分类的类别。
第二方面,本发明还提供了一种遥感影像分类方法,包括以下步骤:获取遥感影像中至少一个分类的第一光谱曲线图像;获取待分类遥感影像中每个像素的第二光谱曲线图像;将所述第二光谱曲线图像与所述第一光谱曲线图像进行比对,若所述第二光谱曲线图像与所述第一光谱曲线图像相同,则判断所述待分类遥感影像中的该像素的类别与所述分类的类别相同;若所述第二光谱曲线图像与所述第一光谱曲线图像不同,则判断所述待分类遥感影像中的该像素不属于所述分类的类别。
第三方面,本发明还提供了一种计算机产品,包括处理器和存储器,所述计算机产品用于执行上述任一项所述的遥感影像分类方法。
第四方面,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,当所述计算机指令被处理设备读取和执行时,所述处理设备执行上述任一项所述的遥感影像分类方法。
本发明遥感影像分类装置具有如下有益效果:
本发明遥感影像分类装置包括获取单元和比对判断单元,通过将遥感影像的第一光谱曲线图像与待分类遥感影像的像素的第二光谱曲线图像进行比对,以判断出待分类遥感影像中该像素的类别,例如判断该像素是水、草地、树木或建筑物等,从而完成遥感影像分类。本发明提出了一种新的遥感影像分类装置,根据光谱曲线图像进行分类,避免了现有技术中根据数值范围进行遥感影像分类发生误判的情况,本发明遥感影像分类装置的分类结果更准确。本发明遥感影像分类装置的计算成本低。
本发明的装置通过光谱曲线图像进行遥感影像分类,这样卷积和特征包的技术就能够适用于遥感影像分类。
本发明的装置使用逐像素光谱曲线图像作为输入,由于光谱曲线图像的简单结构,这样能够方便地实施许多近景计算机视觉(Close-Range Computer Vision,简称CRCV)的方法。
本发明遥感影像分类方法具有如下有益效果:
本发明遥感影像分类方法通过将遥感影像的第一光谱曲线图像与待分类遥感影像的像素的第二光谱曲线图像进行比对,以判断出待分类遥感影像中该像素的类别,例如判断该像素是水、草地、树木或建筑物等,从而完成遥感影像分类。本发明提出了一种新的遥感影像分类方法,根据光谱曲线图像进行分类,避免了现有技术中根据数值范围进行遥感影像分类发生误判的情况,本发明遥感影像分类方法的分类结果更准确。本发明遥感影像分类方法的计算成本低。
本发明的方法通过光谱曲线图像进行遥感影像分类,这样卷积和特征包的技术就能够适用于遥感影像分类。
本发明的方法使用逐像素光谱曲线图像作为输入,由于光谱曲线图像的简单结构,这样能够方便地实施许多近景计算机视觉(Close-Range Computer Vision,简称CRCV)的方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明遥感影像分类装置的结构示意图;
图2为本发明遥感影像分类装置的工作流程图;
图3为本发明的获取单元的结构示意图;
图4为本发明的获取单元的工作流程图;
图5示例性地示出遥感影像中一个像素的光谱曲线图像;
图6示例性地示出本发明遥感影像分类装置使用的四个基本哈尔滤波器;
图7示例性地示出了使用哈尔滤波器的卷积处理;
图8示例性地示出了最小聚合术;
图9示例性地示出了传统的基于网格的采样方法;
图10示例性地示出了传统聚合与列空间金字塔聚合策略之间的区别;
图11为来自印第安纳州北部的第一研究区域的AVIRIS高光谱图像;
图12为来自纽约州锡拉丘兹的第二研究区域的8号陆地卫星多光谱图像;
图13示出了8号陆地卫星多光谱图像的光谱曲线图像,其中A为单像素光谱曲线图像,B为3*3窗口像素的光谱曲线图像;
图14为使用本发明的装置在AVIRIS高光谱数据上进行分类,得到的分类结果的箱线图,输入的光谱曲线图像是208*208像素;
图15为使用本发明的装置在AVIRIS高光谱数据上进行分类,得到的分类结果的箱线图,输入的光谱曲线图像是416*416像素;
图16为使用本发明的装置在8号陆地卫星数据上进行分类,得到的分类结果的箱线图,输入的光谱图像尺寸是208*208;
图17为使用本发明的装置在8号陆地卫星数据上进行分类,得到的分类结果的箱线图,输入的光谱图像尺寸为416*416;
图18为在AVIRIS高光谱数据上所有输入图像尺寸的空间金字塔和列空间金字塔之间的分类结果的对比;
图19为在8号陆地卫星多光谱数据上空间金字塔和列空间金字塔之间的分类结果的对比;
图20为在AVIRIS高光谱数据上使用不同方法的分类结果的对比;
图21为在8号陆地卫星数据上使用不同方法的分类结果的对比。
具体实施方式
下面结合附图介绍本发明的方案,本发明在附图中通过示例的方式而不是通过限制的方式被示出。
如图1所示,本发明遥感影像分类装置包括获取单元101和比对判断单元102。获取单元101与比对判断单元102连接,用于获取遥感影像中至少一个分类的第一光谱曲线图像,还用于获取待分类遥感影像中每个像素的第二光谱曲线图像。比对判断单元102用于将第二光谱曲线图像与第一光谱曲线图像进行比对,若第二光谱曲线图像与第一光谱曲线图像相同,则判断待分类遥感影像中的该像素的类别与分类的类别相同;若第二光谱曲线图像与第一光谱曲线图像不同,则判断待分类遥感影像中的该像素不属于分类的类别
本发明遥感影像分类装置包括获取单元101和比对判断单元102,通过将遥感影像的第一光谱曲线图像与待分类遥感影像的像素的第二光谱曲线图像进行比对,以判断出待分类遥感影像中该像素的类别,例如判断该像素是水、草地、树木或建筑物等,从而完成遥感影像分类。本发明提出了一种新的遥感影像分类装置,根据光谱曲线图像进行分类,避免了现有技术中根据数值范围进行遥感影像分类发生误判的情况,本发明遥感影像分类装置的分类结果更准确。本发明遥感影像分类装置的计算成本低。
如图2所示,本发明遥感影像分类装置的工作流程为:
步骤S1:使用获取单元101获取遥感影像中至少一个分类的第一光谱曲线图像,获取待分类遥感影像中每个像素的第二光谱曲线图像。
遥感影像分类的目的是得到待分类遥感影像中每个像素的土地类别,例如该像素对应的土地是水体、草地、树木、裸土、道路或建筑物等。在本发明的一个实施例中,例如在一幅遥感影像中有一万个像素,其中500个像素的土地类型是已知的,为水体、草地和树木,将这500个像素中每一个像素的第一光谱曲线图像输入到模型中,让模型进行学习,以得到遥感影像中水体的光谱曲线图像、草地的光谱曲线图像和树木的光谱曲线图像。再获取该遥感影像中剩下的9500个像素中每个像素的第二光谱曲线图像。
步骤S2:使用比对判断单元将第二光谱曲线图像与第一光谱曲线图像进行比对,若第二光谱曲线图像与第一光谱曲线图像相同,则判断待分类遥感影像中的该像素的类别与分类的类别相同;若第二光谱曲线图像与第一光谱曲线图像不同,则判断待分类遥感影像中的该像素不属于分类的类别。
在本发明的一个实施例中,例如在步骤S1中得到了遥感影像中水体的光谱曲线图像、草地的光谱曲线图像和树木的光谱图像。在步骤S2中,将待分类遥感影像中某个像素的第二光谱曲线图像分别与步骤S1中得到的水体的光谱曲线图像、草地的光谱曲线图像和树木的光谱曲线图像进行比对,若待分类遥感影像中该像素的第二光谱曲线图像与水体的光谱曲线图像相同,则判断该像素对应的土地区域为水体,这里的图像相同例如是指图像的模式相同;若待分类遥感影像中该像素的第二光谱曲线图像与草地的光谱曲线图像相同,则判断该像素对应的土地区域为草地;若待分类遥感影像中该像素的第二光谱曲线图像与树木的光谱曲线图像相同,则判断该像素对应的土地区域为树木。这里只是示例性地列举了水体、草地和树木三个分类,也可以根据实际需要获取其他分类的光谱曲线图像。
如图3所示,本发明的获取单元101包括可视化模块103、提取模块104、聚合模块105、稀疏编码模块106和列空间金字塔模块107。
可视化模块103与提取模块104连接,用于可视化第一光谱曲线图像和第二光谱曲线图像。提取模块104与聚合模块105连接,用于提取第一光谱曲线图像和/或第二光谱曲线图像的特征。聚合模块105与稀疏编码模块106连接,用于聚合提取模块104提取后的特征。稀疏编码模块106与列空间金字塔模块107连接,用于使用稀疏编码算法处理聚合模块105聚合后的特征。列空间金字塔模块107用于使用列空间金字塔(column spatial pyramid,以下简称CSP)聚合算法处理稀疏编码模块106处理后的特征。
如图4所示,本发明的获取单元101的工作流程为:
步骤T1:使用可视化模块103可视化第一光谱曲线图像和第二光谱曲线图像。遥感影像例如可以是多光谱图像或高光谱图像。图5示例性地示出了遥感影像中一个像素的光谱曲线图像,其中横轴表示带宽,例如R、G、B值,纵轴表示相应幅值。在本发明的装置中将光谱曲线保存为图像并直接解释这些图像。由于在本发明的装置中,光谱曲线图像直接用作为输入,所以在光谱曲线图像中未描绘出横轴和纵轴的内容。
步骤T2:使用提取模块104提取第一光谱曲线图像和/或第二光谱曲线图像的特征。
提取模块104采用卷积的方法提取光谱曲线图像的特征,卷积的方法强化了局部和全局特征并使得遥感影像分类更容易。用于面部识别的一种方法是应用哈尔特征,使用不同形状、方向和标度上的大量哈尔特征来覆盖任意可能的面型。与复杂的面部识别方案不同,虽然本发明的光谱曲线图像具有不同形状,但它们在标度、方向或照度上具有相当少的变化。此外,光谱曲线图像几何非常简单,即不同的线段。因此,单标度哈尔特征就可满足本步骤特征提取的要求。在本发明的装置中,使用四个基本哈尔滤波器,图6示例性地示出了该四个基本哈尔滤波器,每个哈尔滤波器是3*3的矩阵,白色像素具有0的数值,黑色像素具有1的数值。针对每个哈尔滤波器,本发明在每个移动窗上应用卷积然后在独立于它们的区域来提取特征。在卷积法方面,我们遵循以下等式中示出的分类公式:
w(k)=∑ju(j)v(k-j+1)
其中u指移动窗v下的重叠区域,j的范围为从max(1,k+1-n)至min(k,m),以及m和n分别代表u和v的长度。
图7示例性地示出了使用哈尔滤波器的卷积处理,输入为光谱曲线图像108,使用四个基本哈尔滤波器,第一哈尔滤波器109、第二哈尔滤波器110、第三哈尔滤波器111和第四哈尔滤波器112,结果图像为四个,第一结果图像113、第二结果图像114、第三结果图像115和第四结果图像116,在结果图像中,0表示为白色像素,1表示为黑色像素。
步骤T3:使用聚合模块105聚合提取模块104提取后的特征。
在本步骤中,使用聚合模块105聚合提取模块104提取得到的特征。在步骤T2中,通过卷积的方法,在四幅结果图像中描述了几何特征,如图7所示,在结果图像中,特征是稀疏分布的,使用聚合模块105能够合并相似几何特征以减少数据的维度,这样消除了重复和琐碎的特征模式,而且保持了全局且强的模式。在本发明的装置中,使用卷积的方法提取光谱曲线图像的特征后,低特征值包含了感兴趣的几何信息,因此,本发明使用最小聚合术,通过在非重叠子区域上取最小值来降低采样特征图。图8示例性地示出了最小聚合术,原始矩阵为4*4矩阵,相同图案指示预定方块,经过最小聚合术处理后,得到2*2的结果矩阵,在结果矩阵中,保存预定方块中具有最小值的像素。
步骤T4:使用稀疏编码模块106处理聚合模块105聚合后的特征。
在本步骤中,使用稀疏编码模块106编码处理聚合模块105聚合后的特征。应用稀疏编码算法编码输出的是稀疏向量,其中该稀疏向量中每个数值指示针对从稀疏编码学习的字典中的一个特定项的响应,这样一方面节省了空间,另一方面也提供了合适的输入用于随后的列空间金字塔聚合步骤。本发明的装置利用四个不同的哈尔滤波器获得四个特征图(即图7所示的第一结果图像113、第二结果图像114、第三结果图像115和第四结果图像116),本发明在每幅特征图上单独地训练稀疏编码。具体而言,如图7所示,在通过四个哈尔滤波器(第一哈尔滤波器109、第二哈尔滤波器110、第三哈尔滤波器111和第四哈尔滤波器112)卷积后,就可以从一幅光谱曲线图像108获得四幅不同特征图,即第一结果图像113、第二结果图像114、第三结果图像115和第四结果图像116。然后在每个类型的特征图上单独地训练稀疏编码来获得四本编码字典。使用稀疏编码来学习字典从而放松约束:
条件为
其中X=[x1,x2,...xm]∈{0,1}m×d是具有D维度的输入片的采集,以及V=[v1,v2,...vk]表示字典的K维度,即字典λ|um|是L1-范数正则化项,其能够导致um中少量的非零元。
步骤T5:使用列空间金字塔模块107处理经过稀疏编码算法处理后的特征。
经过步骤T4的稀疏编码模块的处理,每幅特征图即可表示为单特征向量的组合。传统的基于网格的空间金字塔通常提供了局部方差的鲁棒表示,然而,它不适用于光谱曲线图像的稀疏性质。图9示例性地示出了传统的基于网格的采样方法,通过方形采样,子区域1和3中的多数稀疏向量是零,这不仅导致了存储的低效率,而且由于许多曲线集中于子区域2中,而聚合仅保存最强的几何图样,导致该聚合会丢失信息。
本发明的装置使用列空间金字塔模块处理经过稀疏编码算法处理后的特征。图10示例性地示出了传统聚合与列空间金字塔聚合策略之间的区别。如图10所示,在每个级别处,不同条纹指示相应聚合区域。传统聚合(图10中A)首先将特征图分割为具有一系列递增粗网格的不同级别,然后在每个级别上利用最小聚合来生成相应向量,并最终将输出构造为来自所有等级的向量的加权和。列空间金字塔聚合策略不仅通过方形子区域来分割特征图,而且通过使用列的递增粗网格序列来分割特征图(图10中B),然后在每列内的特征向量上利用最小聚合,这样能够最小化每个区域中非零稀疏向量的存在。此外,列空间金字塔策略还保存了幅度和带宽之间的关系。为了将来自所有等级的向量组合,利用以下加权和公式:
其中,kL代表最终输出向量,L和l分别指示等级总数和每个等级,以及Il是指来自每个单独等级上每个子列的聚合向量。
在本发明的一个实施例中,光谱曲线图像的大小为208*208像素或416*416像素。
下面选择两个数据集来测试本发明遥感影像分类装置。
选择的两个数据集分别为:空中可视/红外成像光谱仪(Airborne Visible/Infrared Imaging Spectrometer,以下简称AVIRIS)高光谱图像以及8号陆地卫星多光谱图像。
图11为来自印第安纳州北部的第一研究区域的AVIRIS高光谱图像,该AVIRIS高光谱图像是于1992年6月12日在印第安纳州西拉法叶城西北部的普渡大学农学院农场附近的区域上采集的。该AVIRIS高光谱图像已经广泛地用于验证模型精度,因此它是用于对比目的的理想数据集。该AVIRIS高光谱图像具有145*145像素,具有从0.4至2.5μm范围的200个谱带。每个像素具有大约20m*20m的地面采样距离(ground sampled distance,以下简称GSD)。本测试过程中使用的地面参考数据集将10366个标记像素分割为16个覆盖类,如表1所示:
表1
图12为来自纽约州锡拉丘兹的第二研究区域的8号陆地卫星多光谱图像,该8号陆地卫星多光谱图像是于2013年4月28日在美国纽约州锡拉丘兹的城市街区上采集的。8号陆地卫星具有两个推扫器械——陆地成像仪(Operational Land Imager,以下简称OLI)和热红外传感器(Thermal Infrared Sensor,以下简称TIRS)——提供了0.43-12.51μm的谱带。OLI多光谱带(1-7,和9)具有30m的GSD,以及全色带(8)具有15m的GSD。TIRS传感器(带10和11)以100m GSD采集数据,但重复采样到30m以用于分布。全色带(8)也重复采样到30m。在本测试过程中,将7类分类应用于从该8号陆地卫星多光谱图像中随机选择的596个样本并将样本标记为水、草地、树木、裸土、不透水面、道路和建筑,如表2所示:
表2
类名 | 样本数 |
水 | 43 |
草地 | 214 |
树木 | 115 |
裸土 | 21 |
不透水面 | 75 |
道路 | 96 |
建筑 | 32 |
总计 | 596 |
实验设置:
首先测试光谱曲线图像尺寸的影响。虽然较小的光谱曲线图像能够被高效地处理和存储,但较小的光谱曲线图像丢弃了更多局部特征。较大的光谱曲线图像虽然提供了更多信息,而且能够增强全部模式,但却增加了计算负荷。本测试过程还测试了聚合和稀疏编码(sparse coding,以下简称SC)片尺寸的影响,用于聚合和SC的不同的片尺寸表明了不同的模式聚合度。我们针对聚合和SC测试了三组窗口尺寸—4×4、6×6、8×8—来确定最佳设置。本实验中待测试的参数如表3所示:
表3
图13示出了8号陆地卫星多光谱图像的光谱曲线图像,其中A为单像素光谱曲线图像,B为3*3窗口像素的光谱曲线图像。8号陆地卫星多光谱图像仅具有11条带,因此光谱曲线图像有些简单化(在每幅图像中仅描绘10条直线,图13中A)。在本测试过程中,通过合并相邻像素的光谱值来丰富光谱信息。从而,针对每个像素,能够获得11*9=99条带,将它们描绘为光谱曲线图像(图13中B)。加入相邻像素的光谱值能够使得分类器在分配分类标签中固有地考虑环境因素。
针对高光谱AVIRIS数据,我们对提取模块104提取的特征以及根据原始数据上PCA(主成分分析)得到的前20个主成分导出的特征进行分类,这是因为99%的信息是通过这些主成分保留。针对8号陆地卫星数据,除了使用原始数据作为输入以提取特征之外,我们还使用3*3窗口内的纹理和前32个主成分,选择32个主成分是因为它们保留了99%的原始数据。随后的分类实验使用具有径向基函数(以下简称RBF)内核的支持向量机(SupportVector Machine,以下简称SVM)模型。每个实验使用20%的参考样本用于训练,剩余的样本用于测试。
结果和讨论
图14为使用本发明的装置在AVIRIS高光谱数据上进行分类,得到的分类结果的箱线图,输入的光谱曲线图像是208*208像素,图15为使用本发明的装置在AVIRIS高光谱数据上进行分类,得到的分类结果的箱线图,输入的光谱曲线图像是416*416像素。其中,X轴指示不同的参数设置,Y轴指示分类的整体精度。
在图14和图15中,X轴指示不同的参数设置,其中第一数字对应聚合窗口尺寸,第二数字对应SC尺寸,Y轴指示整体分类精度。对于箱线图,上条和下条分别表示最大值和最小值。上和下四分位数分别表示数据范围的25%和75%,其中两个箱线图的边界是中值。此外,还进行T测试来对比使用不同设置获得的分类结果,输入的光谱曲线图像是208*208像素时,得到的P值如表4所示。
表4
输入的光谱曲线图像是416*416像素时,得到的P值如表5所示。
表5
4×6 | 4×8 | 6×4 | 6×6 | 6×8 | 8×4 | 8×6 | 8×8 | |
4×4 | <0.0001 | <0.0001 | 0.0009 | 0.157 | 0.192 | 0.0018 | 0.122 | 0.456 |
4×6 | 0.0340 | <0.0001 | <0.0001 | <0.0001 | <0.0001 | <0.0001 | <0.0001 | |
4×8 | <0.0001 | <0.0001 | <0.0001 | <0.0001 | <0.0001 | <0.0001 | ||
6×4 | <0.0001 | <0.0001 | 0.499 | 0.007 | <0.0001 | |||
6×6 | 0.779 | 0.0004 | 0.016 | 0.673 | ||||
6×8 | 0.0002 | 0.001 | 0.469 | |||||
8×4 | 0.0007 | <0.0001 | ||||||
8×6 | 0.0031 |
图14示出了输入为208*208像素光谱曲线图像时获得的分类结果,该图示出了4*4聚合尺寸具有最佳性能,此外,整体精度还与SC尺寸有关。随着聚合尺寸的增加,整体精度结果急剧地下降。这是因为较大的聚合尺寸覆盖更可能包含局部和全局特征的较宽区域,其可能将不同的全局特征混合在一起并丢失它们的判别信息。
图14还示出在聚合尺寸固定于6或8时,整体精度随着SC尺寸的增大而降低。然而,在聚合尺寸为4时,较大SC尺寸(6和8)具有更好性能。在聚合尺寸是大的时(即,在该情形中6或8),全局特征趋于混合。在这些情形中,大的SC尺寸将可能加剧该过聚合特征,因为其包含了更多的混合全局特征,其中一些将在聚合阶段被丢弃,这导致了信息丢失。相反,小的聚合尺寸可以更好地表示局部特征,其中较大的SC尺寸帮助提取更加有用的全局信息并生成判别特征。
图15示出了输入的图像尺寸为416*416像素时的分类结果。通过对比表5中示出的不同参数设置的T测试结果,低于0.05的主导表明4*6和4*8设置导致显著更好的结果。这类似于208*208像素的光谱曲线图像尺寸具有良好性能的结果。因此,小的聚合尺寸优选地实现更好结果。
与来自208*208分析的结果对比所观察到的一个不同现象是在聚合尺寸固定时,较高的SC尺寸(6或8)通常会改进分类性能。该结果可能涉及光谱曲线图像的尺寸,因为416*416图像相比208*208图像提供了更多信息。然而,较大的图像尺寸也包括更加琐碎的变化,即局部特征。在该情形中,较大的SC尺寸帮助丢弃琐碎特征而较好地保存全局特征于最终表征中。
图16为使用本发明的装置在8号陆地卫星数据上进行分类,得到的分类结果的箱线图,输入的光谱图像尺寸是208*208。图17为使用本发明的装置在8号陆地卫星数据上进行分类,得到的分类结果的箱线图,输入的光谱图像尺寸为416*416。对应的T测试结果示出于表6和表7中。测试结果表明聚合尺寸在分类精度上具有很小影响,这是由于在单幅图像中具有九条光谱曲线,信息丰富,不同的聚合尺寸会导致来自原始图像的类似特征的提取,使最终表征变化较小。
在SC方面,在输入图像尺寸为208*208时,T测试结果显示较大SC尺寸(在该情形中8*8)会负面地影响最终整体精度,特别是与较大聚合尺寸一起使用时(在该情形中是6*6或8*8)。这是因为较大聚合尺寸导致混合的全局特征,并且大的SC尺寸加剧了全局信息的丢失。然而,当图像尺寸为416*416时,最终结果对于SC尺寸的变化具有更大鲁棒性(表7)。这是合理的,由于在较大输入图像中,聚合尺寸在结果上不再具有这种大的影响,因此很少的混合全局特征被引入到SC阶段。因此,SC尺寸的变化在最终输出上具有较小影响。
表6
4×6 | 4×8 | 6×4 | 6×6 | 6×8 | 8×4 | 8×6 | 8×8 | |
4×4 | 0.531 | 0.006 | 0.614 | 0.191 | 0.003 | 0.073 | 0.005 | <0.0001 |
4×6 | 0.0187 | 0.296 | 0.043 | 0.0004 | 0.056 | 0.003 | <0.0001 | |
4×8 | 0.0922 | 0.144 | 0.225 | 0.037 | 0.551 | 0.010 | ||
6×4 | 0.437 | 0.003 | 0.364 | 0.042 | <0.0001 | |||
6×6 | 0.006 | 0.999 | 0.023 | <0.0001 | ||||
6×8 | 0.0141 | 0.284 | 0.023 | |||||
8×4 | 0.012 | 0.0001 | ||||||
8×6 | 0.010 |
表7
4×6 | 4×8 | 6×4 | 6×6 | 6×8 | 8×4 | 8×6 | 8×8 | |
4×4 | 1 | 0.056 | 0.703 | 0.305 | 0.270 | 0.610 | 0.011 | 0.048 |
4×6 | 0.0173 | 0.556 | 0.163 | 0.164 | 0.693 | 0.006 | 0.049 | |
4×8 | 0.019 | 0.059 | 0.477 | 0.10 | 0.171 | 0.262 | ||
6×4 | 0.148 | 0.116 | 0.412 | 0.014 | 0.051 | |||
6×6 | 0.735 | 0.482 | 0.044 | 0.118 | ||||
6×8 | 0.348 | 0.054 | 0.086 | |||||
8×4 | 0.009 | 0.038 | ||||||
8×6 | 0.620 |
不同输入图像尺寸之间的对比
为了测试图像尺寸是否影响分类性能,进行T测试来对比208*208的图像尺寸和416*416的图像尺寸输出的整体精度(表8)。表8是针对AVIRIS和8号陆地卫星两者的分类结果的对比,T测试的P值指示具有相同参数设置时每对输入图像尺寸之间的对比,A代表AVIRIS,L代表8号陆地卫星。表8的结果表明针对AVIRIS图像,大的输入图像尺寸产生统计学上更好的结果。然而,针对8号陆地卫星多光谱数据,大小为416*416的输入图像通常更好。因此,在增加尺寸时,在分类结果方面没有观察到显著改进。
表8
空间金字塔(spatial pyramid,以下简称SP)和列空间金字塔之间的对比
图18为AVIRIS高光谱数据上所有输入图像尺寸的空间金字塔和列空间金字塔之间的分类结果的对比。
为了验证所提出的列空间金字塔与传统空间金字塔方法的有效性,在AVIRIS和8号陆地卫星数据上分别进行两组实验。我们选择具有最佳性能的参数设置(先前呈现)并在相同级数中将列空间金字塔成分以传统空间金字塔方法替换。图18为AVIRIS高光谱数据上空间金字塔和列空间金字塔之间的分类结果的对比,表9为针对AVIRIS数据每对输入图像尺寸和空间聚合策略之间T测试的P值对比,图18和表9对比了来自AVIRIS数据的不同空间聚合策略的结果。该图显示在列空间金字塔聚合以传统空间金字塔聚合替换后,分类精度会产生大衰减。表9的结果也表面列空间金字塔效果优于空间金字塔。
表9
208×208_CSP | 416×416_SP | 208×208_SP | |
416×416_CSP | <0.0001 | <0.0001 | <0.0001 |
208×208_CSP | <0.0001 | <0.0001 | |
416×416_SP | 0.274 |
图19为在8号陆地卫星多光谱数据上空间金字塔和列空间金字塔之间的分类结果的对比,表10为针对8号陆地卫星多光谱数据每对输入图像尺寸和空间聚合策略之间T测试的P值对比。可以观察到,整体精度的衰减但该衰减是有限的。在8号陆地卫星光谱曲线图像中,图像通过9个像素描绘,因此稀疏表征问题不像AVIRIS数据那么严重。尽管如此,T测试结果仍表明两种空间金字塔策略之间的显著差异。通过两个数据集的实验,表明传统空间金字塔不仅浪费存储空间而且会引起信息丢失,而列空间金字塔策略能够解决这些问题。
表10
208×208_CSP | 416×416_SP | 208×208_SP | |
416×416_CSP | 0.056 | 0.014 | 0.0005 |
208×208_CSP | 0.238 | 0.0238 | |
416×416_SP | 0.0822 |
本发明的装置与直接图像分类和其他方法的对比
图20为在AVIRIS高光谱数据上使用不同方法的分类结果的对比,不同方法例如是输入为208*208的高光谱曲线图像、输入为416*416的高光谱曲线图像、输入为原始数据和输入为原始数据+主成分分析(PCA),表11为在AVIRIS数据上每对输入之间T测试的P值的对比。通过对比可以看出,输入为208*208或416*416的光谱曲线图像相比使用原始图像数据作为输入具有更好性能。T测试结果也表明基于416*416的光谱曲线图像的分类结果优于其他方法。
表11
208×208 | 原始 | PCA | |
416×416 | <0.0001 | <0.0001 | <0.0001 |
208×208 | 0.0002 | 0.198 | |
原始 | 0.005 |
图21为在8号陆地卫星数据上使用不同方法的分类结果的对比,不同方法例如是输入为208*208的高光谱曲线图像、输入为416*416的高光谱曲线图像、输入为原始数据、输入为3*3窗口+共生(cooccurance)、输入为3*3窗口+主成分分析(PCA),表12为在8号陆地卫星数据上每对输入之间T测试的P值的对比。通过对比可以看出,输入为208*208或416*416的光谱曲线图像相比其他方法具有更好性能。T测试结果也表明基于416*416的光谱曲线图像的分类结果优于其他方法。其中,输入为3*3窗口+共生、输入为3*3窗口+主成分分析相对于输入原始图像数据来说改进了精度。
表12
208×208 | 原始 | 3×3窗口+共生 | 3×3窗口+PCA | |
416×416 | 0.056 | <0.0001 | <0.0001 | <0.0001 |
208×208 | <0.0001 | <0.0001 | <0.0001 | |
原始 | <0.0001 | <0.0001 | ||
3×3窗口+共生 | 0.369 |
本说明书中,对于遥感影像分类方法实施例、计算机系统实施例而言,由于其基本相似于遥感影像分类装置实施例,相关之处参见遥感影像分类装置实施例的说明部分即可,以避免重复性描述。
本发明还提供了一种计算机产品,包括处理器和存储器,该计算机产品用于执行本发明遥感影像分类方法。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,当该计算机指令被处理设备读取和执行时,该处理设备执行本发明遥感影像分类方法。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。处理设备例如可以是个人计算机、通用或专用数字计算机、计算设备、机器等任何适于处理数据的设备。
在本发明实施例中,处理器为计算机系统的控制中心,利用各种接口和线路连接整个计算机系统的各个部分,通过运行或执行存储在存储器内的软件程序和/或单元、模块,以及调用存储在存储器内的数据,以执行计算机系统的各种功能和/或处理数据。处理器可以由集成电路(Integrated Circuit,简称IC)组成,例如可以由单颗封装的IC所组成,也可以由连接多颗相同功能或不同功能的封装IC而组成。在本发明实施例中,处理器可以为至少一个中央处理器(Central Processing Unit,简称CPU),CPU可以是单运算核心,也可以是多运算核心,可以是实体机的处理器,也可以是虚拟机的处理器。
本领域的技术人员可以清楚地了解到本发明的技术方案可借助软件和/或硬件来实现。本说明书中的“模块”和“单元”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是FPGA(Field-Programmable Gate Array,现场可编程门阵列)、IC(Integrated Circuit,集成电路)。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的构思或范围的情况下,在其他实施例中实现。因此本发明将不会被限制于本文所示的这些实施例,而是符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上的本发明实施方式,并不构成对本发明保护范围的限定。
Claims (14)
1.一种遥感影像分类装置,包括获取单元和比对判断单元:
所述获取单元与所述比对判断单元连接,用于获取遥感影像中至少一个分类的第一光谱曲线图像,还用于获取待分类遥感影像中每个像素的第二光谱曲线图像;
所述比对判断单元用于将所述第二光谱曲线图像与所述第一光谱曲线图像进行比对,
若所述第二光谱曲线图像与所述第一光谱曲线图像相同,则判断所述待分类遥感影像中的该像素的类别与所述分类的类别相同;
若所述第二光谱曲线图像与所述第一光谱曲线图像不同,则判断所述待分类遥感影像中的该像素不属于所述分类的类别。
2.根据权利要求1所述的遥感影像分类装置,其特征在于,所述获取单元包括可视化模块、提取模块、聚合模块、稀疏编码模块和列空间金字塔模块,
所述可视化模块与所述提取模块连接,用于可视化所述第一光谱曲线图像和所述第二光谱曲线图像;
所述提取模块与所述聚合模块连接,用于提取所述第一光谱曲线图像和/或第二光谱曲线图像的特征;
所述聚合模块与所述稀疏编码模块连接,用于聚合所述提取模块提取后的特征;
所述稀疏编码模块与所述列空间金字塔模块连接,用于使用稀疏编码算法处理所述聚合模块聚合后的特征;
所述列空间金字塔模块用于使用列空间金字塔聚合算法处理所述稀疏编码模块处理后的特征。
3.根据权利要求2所述的遥感影像分类装置,其特征在于,所述光谱曲线图像的大小为208*208像素。
4.根据权利要求2所述的遥感影像分类装置,其特征在于,所述光谱曲线图像的大小为416*416像素。
5.根据权利要求2-4中任一项所述的遥感影像分类装置,其特征在于,所述提取模块用于提取所述第一光谱曲线图像和/或所述第二光谱曲线图像的单标度哈尔特征。
6.根据权利要求2-4中任一项所述的遥感影像分类装置,其特征在于,所述聚合模块用于使用最小聚合术聚合所述提取模块提取后的特征。
7.一种遥感影像分类方法,包括以下步骤:
获取遥感影像中至少一个分类的第一光谱曲线图像;
获取待分类遥感影像中每个像素的第二光谱曲线图像;
将所述第二光谱曲线图像与所述第一光谱曲线图像进行比对,
若所述第二光谱曲线图像与所述第一光谱曲线图像相同,则判断所述待分类遥感影像中的该像素的类别与所述分类的类别相同;
若所述第二光谱曲线图像与所述第一光谱曲线图像不同,则判断所述待分类遥感影像中的该像素不属于所述分类的类别。
8.根据权利要求7所述的遥感影像分类方法,其特征在于,还包括:
可视化所述第一光谱曲线图像和所述第二光谱曲线图像;
提取所述第一光谱曲线图像和/或所述第二光谱曲线图像的特征;
聚合所述提取后的特征;
使用稀疏编码算法处理所述聚合后的特征;
使用列空间金字塔聚合算法处理所述经过稀疏编码算法处理后的特征。
9.根据权利要求8所述的遥感影像分类方法,其特征在于,所述光谱曲线图像的大小为208*208像素。
10.根据权利要求8所述的遥感影像分类方法,其特征在于,所述光谱曲线图像的大小为416*416像素。
11.根据权利要求8-10中任一项所述的遥感影像分类方法,其特征在于,提取所述第一光谱曲线图像和/或所述第二光谱曲线图像的单标度哈尔特征。
12.根据权利要求8-10中任一项所述的遥感影像分类方法,其特征在于,使用最小聚合术聚合所述提取后的特征。
13.一种计算机产品,包括处理器和存储器,所述计算机产品用于执行所述权利要求7-12中任一项所述的遥感影像分类方法。
14.一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,当所述计算机指令被处理设备读取和执行时,所述处理设备执行所述权利要求7-12中任一项所述的遥感影像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710311131.5A CN107491721B (zh) | 2017-05-05 | 2017-05-05 | 遥感影像分类装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710311131.5A CN107491721B (zh) | 2017-05-05 | 2017-05-05 | 遥感影像分类装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107491721A true CN107491721A (zh) | 2017-12-19 |
CN107491721B CN107491721B (zh) | 2019-05-14 |
Family
ID=60642565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710311131.5A Active CN107491721B (zh) | 2017-05-05 | 2017-05-05 | 遥感影像分类装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491721B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470185A (zh) * | 2018-02-12 | 2018-08-31 | 北京佳格天地科技有限公司 | 卫星影像的地物标注装置及方法 |
CN116630825A (zh) * | 2023-06-09 | 2023-08-22 | 北京佳格天地科技有限公司 | 一种卫星遥感数据与监控视频融合方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975941A (zh) * | 2010-09-08 | 2011-02-16 | 吉林大学 | 便携式遥感影像信息野外采集系统及采集方法 |
CN103020265A (zh) * | 2012-12-25 | 2013-04-03 | 深圳先进技术研究院 | 图像检索的方法和系统 |
CN103020647A (zh) * | 2013-01-08 | 2013-04-03 | 西安电子科技大学 | 基于级联的sift特征和稀疏编码的图像分类方法 |
CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
-
2017
- 2017-05-05 CN CN201710311131.5A patent/CN107491721B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975941A (zh) * | 2010-09-08 | 2011-02-16 | 吉林大学 | 便携式遥感影像信息野外采集系统及采集方法 |
CN103020265A (zh) * | 2012-12-25 | 2013-04-03 | 深圳先进技术研究院 | 图像检索的方法和系统 |
CN103020647A (zh) * | 2013-01-08 | 2013-04-03 | 西安电子科技大学 | 基于级联的sift特征和稀疏编码的图像分类方法 |
CN105069811A (zh) * | 2015-09-08 | 2015-11-18 | 中国人民解放军重庆通信学院 | 一种多时相遥感图像变化检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470185A (zh) * | 2018-02-12 | 2018-08-31 | 北京佳格天地科技有限公司 | 卫星影像的地物标注装置及方法 |
CN116630825A (zh) * | 2023-06-09 | 2023-08-22 | 北京佳格天地科技有限公司 | 一种卫星遥感数据与监控视频融合方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107491721B (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
Hosseinpour et al. | CMGFNet: A deep cross-modal gated fusion network for building extraction from very high-resolution remote sensing images | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
Qian et al. | UAV and a deep convolutional neural network for monitoring invasive alien plants in the wild | |
Hall et al. | A multiscale object-specific approach to digital change detection | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
CN107590515A (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
CN107239751A (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
Lu et al. | Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images | |
CN107944470A (zh) | 基于轮廓波fcn‑crf的sar图像分类方法 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
KR102316598B1 (ko) | 토지피복지도의 제작방법 및 제작시스템, 그 방법을 수행하는 프로그램이 수록된 기록매체 | |
CN111639587A (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
Tan et al. | Rapid recognition of field-grown wheat spikes based on a superpixel segmentation algorithm using digital images | |
Wang et al. | Mapping tea plantations from multi-seasonal Landsat-8 OLI imageries using a random forest classifier | |
CN107341511A (zh) | 基于超像素与稀疏自编码器的极化sar图像分类方法 | |
CN110516727B (zh) | 基于fpga深度边缘滤波器的高光谱图像分类方法 | |
Dong et al. | New quantitative approach for the morphological similarity analysis of urban fabrics based on a convolutional autoencoder | |
dos Anjos et al. | Classification of urban environments using feature extraction and random forest | |
CN107491721B (zh) | 遥感影像分类装置及方法 | |
CN112052758A (zh) | 基于注意力机制和循环神经网络的高光谱图像分类方法 | |
Aslam et al. | Machine learning approach for classification of mangifera indica leaves using digital image analysis | |
He et al. | Bilinear squeeze-and-excitation network for fine-grained classification of tree species | |
Yadavendra et al. | Semantic segmentation and detection of satellite objects using U-Net model of deep learning | |
Chen et al. | Mapping urban form and land use with deep learning techniques: a case study of Dongguan City, China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100080 Zhongguancun international innovation building, No. 67, No. 67 North Fourth Ring Road, Beijing City, 605 Applicant after: Beijing Standard World Co. Ltd. Address before: 100080 Haidian District information Road No. 28, seat D, Haidian District, Beijing Applicant before: Beijing Standard World Co. Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |