CN113436091B - 一种面向对象的遥感图像多特征分类方法 - Google Patents

Abstract

本发明公开了一种面向对象的遥感图像多特征分类方法，属于遥感图像处理技术领域。该方法在图像分割的基础上，进行孤立点去除和滤波，有效避免了图像分类中存在的“麻点”现象，通过分割对象的再分割和组合，提高图像的分割精度。基于图像分割结果，提取对象的光谱特征、形状特征以及纹理特征共12个维度的特征信息，在分类的时候进行特征组合，实现遥感图像的高精度分类。本发明方法属于非监督方法，不需要训练样本，能够自适应确定类别数目。

Description

一种面向对象的遥感图像多特征分类方法

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种面向对象的遥感图像多特征分类方法。

背景技术

利用遥感影像检测地表覆盖、地物目标的变化一直是遥感应用研究的热点问题，其中的关键技术是图像分类。在针对高分辨率遥感影像时，地物目标往往由一定区域大小的像素所构成，存在同物异谱、异物同谱现象的存在，加之像素间具有一定的相关性，以像素为单位的图像分类算法没有考虑每个像素的空间邻域特征，存在一定的局限性。

随着面向对象影像分析方法的发展，将具有相似特征的像素点组合在一起，形成具有特定相似特征的地理对象，以地理对象为单位利用其属性特征进行图像分类，能够更好地体现图像的区域性特点，在针对高分率影像分类时能获得更加合理客观的结果。面向对象的分类其关键问题是分割算法的选择以及分类特征的构建。

发明内容

本发明的目的在于提供一种面向对象的遥感图像多特征分类方法。该方法可避免了图像分类中存在的“麻点”现象，图像分类精度高，不需要训练样本，能够自适应确定类别数目。

为了实现上述目的，本发明采用的技术方案为：

一种面向对象的遥感图像多特征分类方法，包括以下步骤：

步骤1，采用滑窗式加权滤波方法对图像进行加权滤波；

步骤2，利用改进区域生长法对图像进行分割，获得初步分割结果；

步骤3，对分割区域为单个像素的对象，即孤立点，逐个计算与其相邻对象的相似度，将其归并到具有最大相似度的对象中，并在具有最大相似度的对象中选取该孤立点的邻域像素，按均值滤波的方式对其滤波；

步骤4，对分割结果进行优化，先对过分割对象进行再分割，然后对欠分割对象进行组合；

步骤5，进行区域对象的特征提取，包括光谱特征、形状特征以及纹理特征，在此基础上构建区域对象描述子；

步骤6，对各个区域进行相似性计算，将相似度高于阈值的区域进行合并，得到区域合并结果；

步骤7，重复步骤4-6，直至图像分类结果不再变化，此时图像的分割结果即为图像分类结果。

进一步的，步骤1中，滑窗的窗口大小为3×3像素，加权滤波的滤波权重矩阵为

进一步的，步骤2的具体方式为：

步骤2a，从左上角像素开始，按如下方式计算相邻像素的相似性s：

其中，p_i,j为第i行第j列的光谱，p_m,n为p_i,j的8邻域像素的光谱，即i-1≤m≤i+1，j-1≤n≤j+1，上标T表示转置，||||表示取模；

步骤2b，若s≥0.98，则p_i,j和p_m,n为同种对象，进行合并，同时计算当前对象的均值光谱m；

步骤2c，以均值光谱m作为参照光谱，对当前对象包含的所有像素的8邻域进行相似度计算；

步骤2d，重复步骤2b-2c，直至遍历整个图像的所有像素。

进一步的，步骤4的具体方式为：

步骤4a，按下式计算第k个对象R_k的信息熵：

其中，

n为图像波段数，/>

为图像(i,j)处第q波段的像素值；

步骤4b，对任意两个对象R_k和R_l，当对象合并后的信息熵大于合并前各对象的信息熵，则允许合并，反之则不进行合并；

步骤4c，对分割对象内部区域进行Sobel算子边缘检测，获得边缘点；

步骤4d，将边缘点作为生长起始点，使用改进区域生长法进行区域分割。

进一步的，步骤5的具体方式为：

步骤5a，提取光谱特征，包括均值c、标准差σ、极大值e_max、极小值e_min；

步骤5b，提取形状特征，包括面积A、长宽比r、边界长o、形状指数γ；

其中，长宽比为：

式中，i_right、i_left、j_bottom、j_top分别为第k个对象R_k中最右侧像素横坐标、最左侧像素横坐标、最底部像素纵坐标、最顶部像素纵坐标；

边界长o为R_k中与其他对象相邻像素的总数目；

形状指数为：

步骤5c，提取纹理特征，包括熵h、散度d、均一性j、局部稳定性b；

其中，散度为：

式中，(m,n)为图像(i,j)处的8邻域像素；

均一性为：

局部稳定性为：

式中||·||₁为1范数算子，即对应向量绝对值的和；

步骤5d，将光谱特征、形状特征以及纹理特征进行组合，构建区域对象特征描述子u＝[c,σ,e_max,e_min,A,r,o,γ,h,d,j,b]^T。

本发明具有如下优点：

(1)本发明方法在图像分割的基础上，进行孤立点去除和分割优化，这样避免了图像分类中存在的“麻点”现象。

(2)本发明通过提取对象的光谱特征、形状特征以及纹理特征等多种特征，同时基于对象的分类方法对各类特征进行组合，在此基础上进行图像分类，能获得较高的分类精度。

(3)本发明方法属于非监督方法，不需要训练样本，能够自适应确定类别数目。

附图说明

图1为本发明方法的流程图。

具体实施方式

下面结合附图及具体实施方式对本发明的技术方案做进一步的说明。

如图1所示，一种面向对象的遥感图像多特征分类方法，该方法在图像分割的基础上，进行孤立点去除和分割优化，提取对象的光谱特征、形状特征以及纹理特征进行多特征分类。

该方法具体包括以下步骤：

步骤1，采用滑窗式加权滤波方法对图像进行加权滤波，滑窗口大小为3×3像素，滤波权重矩阵为

步骤2，利用改进区域生长法对图像进行分割，获得初步分割结果；

步骤3，对分割区域为单个像素的对象，即孤立点，逐个计算与其相邻对象的相似度，将其归并到具有最大相似度的对象中，选取同一对象中该像素的邻域像素，按均值滤波的方式对其滤波；

步骤4，对分割结果进行优化，先对过分割对象进行再分割，然后对欠分割对象进行组合；

步骤5，进行区域对象的特征提取，包括光谱特征、形状特征以及纹理特征，在此基础上构建区域对象描述子；

步骤6，对各个区域进行相似性计算，相似度高于阈值的进行同类区域的进行合并，得到区域合并结果；

步骤7，重复步骤4-6，直至图像分类结果不再变化，此时图像的分割结果即为图像分类结果。

其中，步骤2中改进区域生长法的计算步骤如下：

步骤2a，从左上角像素开始，按如下方式计算相邻像素的相似性：

其中p_i,j为第i行第j列的光谱，p_m,n为p_i,j的8邻域像素的光谱，即i-1≤m≤i+1，j-1≤n≤j+1；

步骤2b，若s≥0.98，则p_i,j和p_m,n为同种对象，进行合并，同时计算当前对象的均值光谱m；

步骤2c，以均值光谱m作为参照光谱，对当前对象包含所有像素的8邻域进行相似度计算；

步骤2d，重复步骤2b-2c，直至遍历整个图像的所有像素。

步骤4中对分割结果进行优化的计算步骤如下：

步骤4a，按下式计算第k个对象R_k的信息熵

其中

n为图像波段数，/>

为图像(_i,j)处第q波段的像素值；

步骤4b，对任意两个对象R_k和R_l，当对象合并后的熵值大于合并前的对象熵，则允许合并，反之则不进行合并，即：若

且/>

则进行合并，反之不合并，其中/>

为量对象合并后的信息熵；

步骤4c，对分割对象内部区域进行Sobel算子边缘检测；

步骤4d，将边缘点作为生长起始点，按照步骤2所述的改进区域生长法进行区域分割。

步骤5的具体方式如下：

步骤5a，提取光谱特征，包括均值c、标准差σ、极大值e_max、极小值e_min，其中：

均值

N为对象R_k的像素数；

标准差

/>

极大值

n为图像波段数

极小值

步骤5b，提取形状特征，包括面积A、长宽比r、边界长o、形状指数γ，其中：

面积A为对象R_k的像素数；

长宽比

其中i_right，i_left，j_bottom，j_top分别为R_k中最右侧像素横坐标、最左侧像素横坐标、最底部像素纵坐标、最顶部像素纵坐标；

边界长o为R_k中与其他对象相邻像素的总数目；

形状指数

步骤5c，提取纹理特征，包括熵h、散度d、均一性j、局部稳定性b，其中

散度

其中(m,n)为(i,j)的8邻域像素；

均一性

局部稳定性

其中||·||₁为1范数算子，即对应向量绝对值的和；

步骤5d，将光谱特征、形状特征以及纹理特征进行组合，构建区域对象特征描述子u＝[c,σ,e_max,e_min,A,r,o,γ,h,d,j,b]^T。

在遥感图像分类中，如何尽可能多的利用图像的特征是一个关键问题。传统基于像素分类的方法，基本上以利用光谱特征为主，对形状和纹理利用不足。本方法采用面向对象的分割技术，在图像分割的基础上进行孤立点滤除、分类区域优化等处理，提高对象分割的精度。在对象特征提取方面，本发发同时提取对象的光谱、形状、纹理特征共12个维度的特征信息，在分类的时候进行特征组合，实现遥感图像的高精度分类。

本方法的效果可通过以下试验进一步说明：

1.试验条件。

计算机配置为Intel Core i7-3770 CPU 3.4Ghz，64GB内存；操作系统为Windows7 64位专业版，软件环境为MATLAB 2017、ENVI 5.0。

2.试验方法。

采用本方法、分水岭分割、移动均值分割、k均值聚类四种方法进行分类精度对比。

3.试验内容与结果。

试验数据选择2020年高分2号卫星拍摄的石家庄地区影像。分类真值采用人工标注的方式获得，图像地物分为5大类：人工建筑、道路、植被、水体、其他。

试验结果如下，使用本方法进行分类，总体精度85.91％为，分水岭分割精度为77.32，移动均值分割精度为81.19％，均值聚类精度为63.57％。

试验结果表明，本方法在面向对象分割的基础上，充分利用图像的光谱、形状、纹理等特征，能够获得较高的地物分类精度。

Claims (1)

1.一种面向对象的遥感图像多特征分类方法，其特征在于，包括以下步骤：

步骤1，采用滑窗式加权滤波方法对图像进行加权滤波；滑窗的窗口大小为3×3像素，加权滤波的滤波权重矩阵为

步骤2，利用改进区域生长法对图像进行分割，获得初步分割结果；具体方式为：

步骤2a，从左上角像素开始，按如下方式计算相邻像素的相似性s：

其中，p_i,j为第i行第j列的光谱，p_m,n为p_i,j的8邻域像素的光谱，即i-1≤m≤i+1，j-1≤n≤j+1，上标T表示转置，|| ||表示取模；

步骤2b，若s≥0.98，则p_i,j和p_m,n为同种对象，进行合并，同时计算当前对象的均值光谱m；

步骤2c，以均值光谱m作为参照光谱，对当前对象包含的所有像素的8邻域进行相似度计算；

步骤2d，重复步骤2b-2c，直至遍历整个图像的所有像素；

步骤3，对分割区域为单个像素的对象，即孤立点，逐个计算与其相邻对象的相似度，将其归并到具有最大相似度的对象中，并在具有最大相似度的对象中选取该孤立点的邻域像素，按均值滤波的方式对其滤波；

步骤4，对分割结果进行优化，先对过分割对象进行再分割，然后对欠分割对象进行组合；具体方式为：

步骤4a，按下式计算第k个对象R_k的信息熵：

其中，

n为图像波段数，/>

为图像(i,j)处第q波段的像素值；

步骤4b，对任意两个对象R_k和R_l，当对象合并后的信息熵大于合并前各对象的信息熵，则允许合并，反之则不进行合并；

步骤4c，对分割对象内部区域进行Sobel算子边缘检测，获得边缘点；

步骤4d，将边缘点作为生长起始点，使用改进区域生长法进行区域分割；

步骤5，进行区域对象的特征提取，包括光谱特征、形状特征以及纹理特征，在此基础上构建区域对象描述子；具体方式为：

步骤5a，提取光谱特征，包括均值c、标准差σ、极大值e_max、极小值e_min；

步骤5b，提取形状特征，包括面积A、长宽比r、边界长o、形状指数γ；

其中，长宽比为：

式中，i_right、i_left、j_bottom、j_top分别为第k个对象R_k中最右侧像素横坐标、最左侧像素横坐标、最底部像素纵坐标、最顶部像素纵坐标；

边界长o为R_k中与其他对象相邻像素的总数目；

形状指数为：

步骤5c，提取纹理特征，包括熵h、散度d、均一性j、局部稳定性b；

其中，散度为：

式中，(m,n)为图像(i,j)处的8邻域像素；

均一性为：

局部稳定性为：

式中|| ||₁为1范数算子，即对应向量绝对值的和；

步骤5d，将光谱特征、形状特征以及纹理特征进行组合，构建区域对象特征描述子u＝[c,σ,e_max,e_min,A,r,o,γ,h,d,j,b]^T；

步骤6，对各个区域进行相似性计算，将相似度高于阈值的区域进行合并，得到区域合并结果；

步骤7，重复步骤4-6，直至图像分类结果不再变化，此时图像的分割结果即为图像分类结果。

Images