CN109871884A - 一种融合多特征的支持向量机面向对象遥感影像分类方法 - Google Patents

Abstract

本发明公开了一种融合多特征的支持向量机面向对象遥感影像分类方法，包括以下步骤：(1)利用分水岭算法分割遥感影像，提取像元级的Gabor纹理和GMRF纹理，在此基础上提取各个分割对象的特征值；(2)建立对象的空间邻接关系矩阵，根据相邻对象间的公共边界长度改进莫兰指数，利用莫兰指数计算各个对象特征的空间自相关性，以特征的空间自相关性计算特征的权重；(3)通过改进SVM的核函数，构建特征加权的自适应SVM面向对象分类模型；(4)选取训练样本，结合对象的光谱特征、Gabor纹理和GMRF纹理，应用加权SVM进行对象分类。本发明通过特征融合的面向对象分类提高了遥感影像分类结果精度。

Description

一种融合多特征的支持向量机面向对象遥感影像分类方法

技术领域

本发明涉及一种遥感分类方法，具体地说，涉及一种基于特征权重融合多特征的支持向量机(Support Vector Machine，SVM)面向对象遥感影像分类方法。

背景技术

常规的遥感影像分类方法是以光谱特征为分类依据，并且各个波段之间权重相等。遥感影像中除了光谱特征，纹理特征、空间关系等也是分类的最要信息源。由于各个特征对地物类别的可分性不一样，特征之间以等权方式应用于分类过程中并不是最优的；此外，分割后的对象边界不规则，相邻对象之间存在着不规则的邻域空间关系，目前的面向对象分类方法中并未考虑这种空间关系。

发明内容

本发明的目的在于提供一种基于自适应权重融合多特征的SVM面向对象遥感影像分类方法。该方法结合对象的空间关系计算各个特征的自相关性，以自相关性衡量特征的可分性，并计算特征的权重，构建加权的SVM面向对象遥感影像分类方法。

其具体技术方案为：

一种融合多特征的支持向量机面向对象遥感影像分类方法，包括以下步骤：

(1)利用分水岭分割算法分割多波段遥感影像，同时提取像元级的Gabor纹理和高斯马尔可夫随机场(Gauss Markov Random Field，GMRF)纹理，以对象内部像元光谱、纹理等特征的均值作为各个分割对象相应的特征值；

(2)建立分割对象的空间邻接关系矩阵，提取对象的几何特征值，计算相邻对象间的公共边界长度，利用莫兰指数计算各个特征在分割对象中的空间自相关性，以特征的空间自相关性计算特征的权重；

(3)通过改进SVM的核函数，实现自适应的加权SVM，构建特征加权的自适应SVM面向对象遥感影像分类模型；

(4)选取各个类别的训练样本，结合对象的光谱特征、Gabor纹理和GMRF纹理，应用加权SVM分类法对对象进行分类，得到最终的遥感影像分类结果。

优选地，具体步骤为：

步骤1、影像预处理：利用最小值去除法对遥感影像进行辐射校正，选取地面控制点，进行几何精校正，利用形态学重建算法选择一个半径为2的平面圆盘形的结构元素消除影像噪声。

步骤2、Gabor纹理提取：由于各个波段的纹理特征相似，因此选择其中一个波段提取Gabor纹理，参数为宽度5、尺度5和方向12，共构建60个Gabor滤波器，即可提取60个Gabor纹理特征。

步骤3、GMRF纹理提取：由于各个波段的纹理特征相似，因此选择其中一个波段提取GMRF纹理，选择3*3的邻域窗口，采用二阶高斯马尔科夫模型，利用最小二乘法估计模型4参数，加上均值和方差，一共可以提取6个GMRF纹理。

步骤4、梯度影像提取：使用3*3的邻域，采用方向梯度算子在每一个波段上提取影像的梯度影像。

步骤5、梯度影像合成：计算各个波段之间的相关性，以各个波段与其他波段之间相关性之和为权重，相关性之和越小，权重越大，加权合成多个波段的梯度影像为一个波段的梯度影像。

步骤6、影像初始分割：使用分水岭分割方法进行影像分割，其中涉及到的参数深度和面积分别为5，5。

步骤7、初始分割结果合并：在初始分割结果的基础选择面积较小的分割对象，通过相邻对象之间的光谱、纹理、面积以及空间关系构建合并代价，设置阈值，若合并代价小于阈值，那么将相邻对象进行合并。

步骤8、对象几何特征提取：在分割结果基础上统计各个对象的面积、周长，面积和周长作为对象的两个特征。

步骤9、对象光谱和纹理特征提取：统计对象内部像元的光谱和纹理特征值，将其均值和方差分别作为对象的光谱特征和纹理特征。

步骤10、对象邻接权重构建：若两个对象相邻，则两个对象之间的邻接权重为1；若两个对象不相邻，则其邻接权重为0。

步骤11、邻接权重改进：提取两个相邻对象的各自周长以及两对象之间公共边界长度，以公共边长占总边长的比重作为邻接权重的计算公式如下：

式中l_i、l_j分别为对象i和对象j的周长，l_ij为对象i和对象j的公共边界长度。

步骤12、空间自相关性计算：利用改进的邻接权重改进莫兰指数，利用改进的莫兰指数计算各个特征自相关性的计算公式如下：

式中m为分割对象的数量，x_i、x_j分别为对象i和对象j的特征值，为所有对象特征值的平均值，通常情况下，若对象i和对象j相邻，对象i和对象j的邻接权重取值为否则邻接权重取值为0。

步骤13、可分性计算：根据特征自相关性越强，可分性越低的原理，在自相关系数的基础上变换计算得到特征的可分性，并将可分性的范围由[-1，1]归一化到[0，1]，可分性计算如下：

步骤14、特征权重计算：根据可分析越高，权重越大的原理，以各个特征的可分性占所有特征权重的可分性之和的比重作为各个特征的权重，计算公式如下：

其中D为对象特征数量，C_i为第i个对象特征的可分度。

步骤15、特征选择：设置阈值，将特征权重大于阈值的特征作为分类特征，并将这些特征的权重归一化后得到筛选后特征的权重，计算公式如下：

式中w_i,i＝1,2,…n为第i个特征的权重。

步骤16、支持向量机(SVM)改进：选择径向基核函数为SVM的核函数，将特征权重加入到径向基核函数中，改进后的径向基核函数如公式(6)，构建特征加权的SVM，

k_P(x_i,x_j)＝exp(-γ||x_i ^TP-x_j ^TP||²)＝exp(-γ((x_i-x_j)^TPP^T(x_i-x_j))) ⁽⁶⁾

x_i、x_j分别为对象i和对象j的特征值，γ为调节参数。

步骤17、面向对象分类：将筛选的特征作为分类特征，将这些特征及其权重加入到加权SVM模型中，实现多特征融合的面向对象分类。

步骤18、精度评价：在分类结果中随机抽检一定比例的样本，同时制作这些样本的参考数据，对比分析结果的精度。

与现有技术相比，本发明的有益效果：

本发明结合对象空间关系改进莫兰指数计算对象特征的空间自相关性，根据负相关性越强，特征可分性越强的特性计算特征的权重，提出一种以加权SVM融合多特征的面向对象遥感影像分类方法，融合特征的权重体现了特征的可分性，以此实现多特征加权的SVM面向对象分类方法，通过特征融合的面向对象分类提高了面向对象变化检测结果精度。具体体现在以下几个方面：

(1)在计算特征权重中需要考虑对象的空间邻接关系，通常只考虑了对象是否相邻，不考虑相邻程度，本发明采用不规则的空间关系计算特征的邻接程度，体现了对象详细的空间分布关系，更能体现特征的空间自相关程度，能更准确地计算特征的权重；

(2)考虑了不同对象特征对分类的重要性，并将特征权重融合到SVM，对SVM核函数进行改进，实现多特征加权融合的SVM面向对象分类方法；

(3)整体上，通过改进计算特征权重的方式，并将这种权重特征融合到SVM中进行面向对象分类，提高了遥感影像面向对象分类结果的精度。

附图说明

图1为融合多特征的SVM面向对象分类流程；

图2为实验区域影像；

图3为参考数据；

图4为直接融合多波段光谱特征的分类结果图；

图5为使用本发明方法融合光谱特征与纹理特征的分类结果图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步详细地说明。

遥感影像包含多种特征，包括光谱特征、纹理特征、几何特征和空间关系等。在面向对象分类过程中，这些特征在分类过程中起着不同的作用。对象特征的空间自相关性反映了这一特征在整个研究区域的可区分度，提出一种综合空间关系和几何特征改进莫兰指数，以改进的莫兰指数确定各个特征的权重，并选取面向对象的分类特征。

由于分割对象的边界不规则，一个对象与其所有的邻接对象的公共周长不一样，则各个邻接对象对该对象的影响也不一样。为了突出不同对象之间的空间关系，以邻接对象公共周长与其各自周长的关系定义邻接对象的邻接权重，邻接权重计算方式如下：

式中l_i、l_j分别为对象i和对象j的周长，l_ij为对象i和对象j的公共边界长度。

综合空间关系和几何特征结合改进的莫兰指数计算方式如下：

式中m为分割对象的数量，x_i、x_j分别为对象i和对象j的特征值，为所有对象特征值的平均值，通常情况下，若对象i和对象j相邻，对象i和对象j的邻接权重取值为否则邻接权重取值为0。

整个分割区域内，对象特征的空间自相关性高时，邻接对象在这一特征上比较接近，则说明该特征对所有对象的可分性较低；反之，对象特征的空间自相关性低时，邻接对象在这一特征上的差异较大，则说明该特征对所有对象的可分性较高。由于I的值域为[-1,1]，I越大，可分性越低；I越小，可分性越高。因此，定义一个特征对整个分割区域的可分度为：

对象特征的可分度越高，则该特征在分类过程中更容易将所有对象划分到各个类别中，因此以各个对象特征的可分度定义其权重，各个对象特征的权重为：

其中D为对象特征数量，C_i为第i个对象特征的可分度。

计算得到所有特征的权重之后，根据实际需要，剔除特征权重较小的特征，保证权重较大的特征，提高分类过程的速度，降低特征对分类结果的不确定性影响。

SVM是一种机器学习算法，其优点在于在高维空间中通过小样本进行训练求解分类模型。标准的SVM是在高维空间中，通过求解最优超平面进行分类，如果不考虑特征的重要性，很难突出特征的可分性，多种特征融合的遥感影像分类结果并不是最佳的分类结果。

为了突出不同特征的重要性，在SVM核函数中考虑特征权重。通过结合空间关系计算了各个特征的权重，则在SVM加权过程中选择以不同特征的权重构成对角阵P，在对角阵的基础上实现SVM加权融合多种特征进行面向对象遥感影像分类，对角阵为：

式中w_i,i＝1,2,…n为第i个特征的权重。

选择径向基核函数为SVM的核函数，加权改进后的径向基核函数：

k_P(x_i,x_j)＝exp(-γ||x_i ^TP-x_j ^TP||²)＝exp(-γ((x_i-x_j)^TPP^T(x_i-x_j))) ⁽⁶⁾

x_i、x_j分别为对象i和对象j的特征值，γ为调节参数。

加权改进的融合多特征的SVM面向对象遥感影像分类算法流程如图1，具体步骤如下：

(1)利用分水岭分割算法分割多波段遥感影像，同时提取像元级的Gabor纹理和GMRF纹理，以对象内部像元光谱、纹理等特征的均值作为各个分割对象相应的特征值；

(2)建立分割对象的空间邻接关系矩阵，提取对象的几何特征值，计算相邻对象间的公共边界长度，利用莫兰指数计算各个特征在分割对象中的空间自相关性，以特征的空间自相关性计算特征的权重；

(3)通过改进SVM的核函数，实现自适应的加权SVM，构建特征加权的自适应SVM面向对象遥感影像分类模型；

(4)选取各个类别的训练样本，结合对象的光谱特征、Gabor纹理和GMRF纹理，应用加权SVM分类法对对象进行分类。

结合对象空间关系改进莫兰指数计算对象特征的空间自相关性，根据负相关性越强，特征可分性越强的特性计算特征的权重，提出一种以加权SVM融合多特征的面向对象分类方法，融合特征的权重体现了特征的可分性，以此实现多特征加权的SVM面向对象遥感分类方法，通过特征融合的面向对象分类方式提高了面向对象遥感影像分类结果精度。

参考图2，利用Quickbird多光谱遥感影像进行实验，影像获取时间为2002年4月，实验区域位于武汉市东南部郊区，大小为1000*1000像素，空间分辨率为2.4m，该影像包含4个波段，图2为其第3波段的影像。图3为该地区遥感影像分类参考数据。

首先对影像进行预处理，包括辐射校正、几何精校正和形态学重建去噪。

选择其中影像的第3波段提取Gabor纹理，参数为宽度5、尺度5和方向12，共提取60个Gabor纹理特征。

选择第3波段提取GMRF纹理，选择3*3的邻域窗口，采用二阶高斯马尔科夫模型，共提取6个GMRF纹理。

使用3*3的邻域，采用方向梯度算子在每一个波段上提取影像的梯度影像，计算各个波段之间的相关性，根据相关性计算各个波段的权重，并合成梯度影像。

设置分水岭方法的深度和面积参数分别为5、5，在合成影像的基础上使用分水岭方法分割影像。根据相邻对象之间的光谱、纹理、面积以及空间关系计算合并代价，并将合并代价较小的相邻对象逐步合并。

在分割结果基础上统计各个对象的面积、周长；提取对象内部所有像元特征的均值和方差分别作为对象的光谱特征和纹理特征。

根据相邻对象之间的公共边长以及对象各自的周长计算相邻对象之间的邻接权重，构建所有对象的邻接权重矩阵。在邻接权重的基础上改进莫兰指数，计算每个特征的莫兰指数。

根据特征自相关性越强，可分性越低的原理，在自相关系数的基础上变换计算得到特征的可分性，并将可分性的范围由[-1，1]归一化到[0，1]。

计算各个特征的可分性占所有特征可分性之和的比例，以该比例作为各个特征的权重。

设置特征权重阈值为0.1，去掉特征权重小于0.1的特征，保留特征权重大于0.1的特征，再次对剩余特征的权重进行归一化。

本次实验选择径向基核函数作为SVM的核函数，将特征权重加入SVM核函数，构建加权SVM，将保留的特征加入到加权SVM中进行面向对象分类，本实验中采用了直接融合多波段光谱特征和本发明方法融合光谱特征与纹理特征的分类两种分类方式，分类结果如图4和图5。

图4和图5分别给出了直接融合多波段光谱特征和使用本发明方法融合光谱特征与纹理特征的分类结果图。表1为两种分类结果的对比统计分析。通过对两种分类结果定量分析后发现，本发明的分类效果明显优于直接融合多波段光谱特征的分类结果。进而说明本实施例提供的融合多特征的面向对象分类方法能够更有效的融合多种特征进行面向对象分类。

表1两种分类结果的统计比较

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (2)

1.一种融合多特征的支持向量机面向对象遥感影像分类方法，其特征在于，包括以下步骤：

(1)利用分水岭分割算法分割多波段遥感影像，同时提取像元级的Gabor纹理和GMRF纹理，以对象内部像元光谱、纹理特征的均值作为各个分割对象相应的特征值；

(2)建立分割对象的空间邻接关系矩阵，提取对象的几何特征值，计算相邻对象间的公共边界长度，利用莫兰指数计算各个特征在分割对象中的空间自相关性，以特征的空间自相关性计算特征的权重；

(3)通过改进SVM的核函数，实现自适应的加权SVM，构建特征加权的自适应SVM面向对象遥感影像分类模型；

(4)选取各个类别的训练样本，结合对象的光谱特征、Gabor纹理和GMRF纹理，应用加权SVM分类法对对象进行分类。

2.根据权利要求1所述的融合多特征的支持向量机面向对象遥感影像分类方法，其特征在于，具体步骤为：

步骤1、影像预处理：利用最小值去除法对遥感影像进行辐射校正，选取地面控制点，进行几何精校正，利用形态学重建算法选择一个半径为2的平面圆盘形的结构元素消除影像噪声；

步骤2、Gabor纹理提取：由于各个波段的纹理特征相似，因此选择其中一个波段提取Gabor纹理，参数为宽度5、尺度5和方向12，共构建60个Gabor滤波器，即能提取60个Gabor纹理特征；

步骤3、GMRF纹理提取：由于各个波段的纹理特征相似，因此选择其中一个波段提取GMRF纹理，选择3*3的邻域窗口，采用二阶高斯马尔科夫模型，利用最小二乘法估计模型4参数，加上均值和方差，一共能提取6个GMRF纹理；

步骤4、梯度影像提取：使用3*3的邻域，采用方向梯度算子在每一个波段上提取影像的梯度影像；

步骤5、梯度影像合成：计算各个波段之间的相关性，以各个波段与其他波段之间相关性之和为权重，相关性之和越小，权重越大，加权合成多个波段的梯度影像为一个波段的梯度影像；

步骤6、影像初始分割：使用分水岭分割方法进行影像分割，其中涉及到的参数深度和面积分别为5，5；

步骤7、初始分割结果合并：在初始分割结果的基础选择面积较小的分割对象，通过相邻对象之间的光谱、纹理、面积以及空间关系构建合并代价，设置阈值，若合并代价小于阈值，那么将相邻对象进行合并；

步骤8、对象几何特征提取：在分割结果基础上统计各个对象的面积、周长，面积和周长作为对象的两个特征；

步骤9、对象光谱和纹理特征提取：统计对象内部像元的光谱和纹理特征值，将其均值和方差分别作为对象的光谱特征和纹理特征；

步骤10、对象邻接权重构建：若两个对象相邻，则两个对象之间的邻接权重为1；若两个对象不相邻，则其邻接权重为0；

步骤11、邻接权重改进：提取两个相邻对象的各自周长以及两对象之间公共边界长度，以公共边长占总边长的比重作为邻接权重的计算公式如下：

式中l_i、l_j分别为对象i和对象j的周长，l_ij为对象i和对象j的公共边界长度；

步骤12、空间自相关性计算：利用改进的邻接权重改进莫兰指数，利用改进的莫兰指数计算各个特征自相关性的计算公式如下：

式中_m为分割对象的数量，x_i、x_j分别为对象i和对象j的特征值，x为所有对象特征值的平均值，通常情况下，若对象i和对象j相邻，对象i和对象j的邻接权重取值为否则邻接权重取值为0；

步骤13、可分性计算：根据特征自相关性越强，可分性越低的原理，在自相关系数的基础上变换计算得到特征的可分性，并将可分性的范围由[-1，1]归一化到[0，1]，可分性计算如下：

步骤14、特征权重计算：根据可分析越高，权重越大的原理，以各个特征的可分性占所有特征权重的可分性之和的比重作为各个特征权重的计算公式如下：

其中D为对象特征数量，C_i为第i个对象特征的可分度；

步骤15、特征选择：设置阈值，将特征权重大于阈值的特征作为分类特征，并将这些特征的权重归一化后得到筛选后特征的权重计算公式如下：

式中w_i,i＝1,2,…n为第i个特征的权重；

步骤16、支持向量机SVM改进：选择径向基核函数为SVM的核函数，将特征权重加入到径向基核函数中，改进后的径向基核函数如公式(6)，构建特征加权的SVM；

k_P(x_i,x_j)＝exp(-γ||x_i ^TP-x_j ^TP||²)＝exp(-γ((x_i-x_j)^TPP^T(x_i-x_j))) (6)

x_i、x_j分别为对象i和对象j的特征值，γ为调节参数；

步骤17、面向对象分类：将筛选的特征作为分类特征，将这些特征及其权重加入到加权SVM模型中，实现多特征融合的面向对象分类；

步骤18、精度评价：在分类结果中随机抽检一定比例的样本，同时制作这些样本的参考数据，对比分析结果的精度。