CN1472634A - 高光谱遥感图像联合加权随机分类方法 - Google Patents

Abstract

一种高光谱遥感图像联合加权随机分类方法，利用遥感图像处理与开发平台ENVI/IDL提供的开发语言，针对高光谱图像的文件大小及计算机的处理速度，给出一定的权系数，用改进的自适应最小距离法对其进行粗分类，然后，按照另一个加权系数，以误差准则和为准则函数，利用聚类的反复迭代完成精分类，最后根据对分块图像的分类结果进行拼接，获得整幅高光谱遥感图像的分类图像。本发明方法所取得的结果，无论是目视解释还是定量评价，可提高约10％的总体分类精度，并能显著提高计算机处理速度，可广泛用于高光谱遥感图像数据的分类处理，在提高处理速度的条件下获得更加可靠的遥感分类图像。

Description

高光谱遥感图像联合加权随机分类方法

技术领域：

本发明涉及一种高光谱遥感图像联合加权随机分类方法，对预处理后的高光谱遥感图像进行高精度快速分类，是遥感影像分类决策的一项核心技术，在各类军用或民用的遥感信息处理系统、数字城市空间信息系统等领域中均可有广泛的应用。

背景技术：

将同一地区一幅或多幅遥感图像中所含的多个目标区分开就称为遥感图像的分类，或分类决策融合，其目标大体可概括为在尽量少的或无样本的条件下，能够尽量准确地识别地物类型。该技术对于地区规划、地表生态系统研究等方面具有非常重要的作用。例如，对某个指定地物目标，其遥感图像的信息特征不是一成不变的，不仅有随季节和气象条件的变化，也有人为因素的变化。这样，选择感兴趣地区的高光谱图像来分类处理，再对不同时相的分类结果进行比较，就可判定地物特征是否发生了变化，实现环境监测。为了达到预期的分类结果，首先根据应用目的和图像特性确定分类类别，然后找出这些类别的特征量并提取出各个类别的训练数据，确定分类基准，最后应用该基准对各像元进行归类。同时把已知的训练数据、分类类别与分类结果做对比，确定结果的可靠性。

对遥感图像的分类机理进行归纳，可以认为它包含两个基本的要求：分类的速度和分类精度。前者在提高计算机硬件物理性能的条件下，算法设计尽可能减少人工干预。因为减少人工干预的任何自动处理过程，都包含着快速性的内涵。而后者则需要在算法设计时进行通盘考虑，同时结合地理信息系统(GIS)等其它高技术。比如，利用GIS的空间数据就可以提高遥感图像的分类精度。如果通过图像光谱特性间接反映各种地物的差异来实现其目标识别，会常常发生“同物异谱”和“异物同谱”现象，降低分类的精度。而引入GIS空间数据，并将它作为图像分类处理的辅助信息，就可以提高分类的可信度。

目前，遥感图像的分类方法很多，常用的分类器有基于贝叶斯准则的最大似然法、系统聚类分析、多级切割分类器、决策树分类器、最小距离法、光谱角度填图、模糊分类器以及神经网络分类器等。总的来说，这些分类器设计的途径是在随机理论的基础上，结合其它应用技术来进行，并且可划分为非监督和监督分类两种基本类型。其中，非监督分类不需要选择已知区进行训练，简单易行，但结果不一定最佳；监督分类事先要有已知区进行训练，然后用于整个研究区，这样得到的结果好解释，而且分类的精度也高。

目前，随着遥感器性能的不断提高，高光谱、高分辨率遥感图像成为研究分类时最常用的对象之一，它具有很高的图像清晰度和光谱分辨率高的特点。因此，处理时，仅用一种分类算法是不够的，它不能满足对图像的分类精度要求。此外，由于高光谱图像的大小一般为几百兆的数量级，应用现有这些方法进行图像分类决策时，处理速度也是一个须解决的问题。究其原因，是由于现有方法本身的局限性造成的，所以需研究新的算法。

发明内容：

本发明的目的在于针对现有技术的上述不足，提供一种高光谱遥感图像联合加权随机分类方法，不仅能够最有效地提高分类精度，而且还能通过图像数据块的分块处理，使计算机运算速度加快，满足应用需求。

为实现这样的目的，本发明的技术方案中，利用遥感图像处理与开发平台ENVI/IDL提供的开发语言，针对高光谱图像的文件大小及计算机的处理速度，给出一定的权系数，用改进的自适应最小距离法对其进行粗分类。然后，按照另一个加权系数，以误差准则和为准则函数，利用聚类的反复迭代完成精分类。最后根据对分块图像的分类结果进行拼接，获得整幅高光谱遥感图像的分类图像。

本发明的方法包括如下具体步骤：

1.高光谱图像数据特性的提取：根据应用的需求，获得配准后待分类的高光谱图像文件，通过ENVI/IDL遥感图像处理与开发平台提供的接口函数，取得它们的特性数据，包括文件大小，空间分辨率以及图像高光谱遥感图像的波段数等。

2.高光谱图像的数据分块：以高光谱图像的空间分辨率为标准，通过WINDOWS2000操作系统的API函数，自动获取计算机的内存与CPU处理速度等指标后，根据高光谱图像文件对应的数据量的大小将其分割为几个连续的数据块(数目为高光谱图像数据量/计算机内存量)。并对各数据块进行编号。

3.循环调入对应的高光谱图像数据块，根据算式计算分类样本集的中心及半径，并记住类别号，然后将所有的样本点作为待分点，按改进的自适应最小距离法准则函数进行第一次粗分类。

4.根据粗分类结果，结合原始图像，给定精分类精度，进行K-平均的数据块样本精分类，期间，须反复迭代，直到各样本集的分类精度达到分类要求。

5.分类图像数据块的重新的拼接，将高光谱图像数据块的分类块按前述的分割顺序进行重新拼接，组成新的分类图像。

本发明的特色在于，提出高光谱遥感粗分类和精分类的二次处理算法，对所取得的结果，无论是目视解释还是定量评价，它可提高约10％的总体分类精度。同时，由于进行了数据分块，将各数据块依次调入计算机内存，能显著地提高计算机处理速度。本发明提出的方法可广泛地用于高光谱遥感图像数据的分类处理，在提高处理速度的条件下获得更加可靠的遥感分类图像。

附图说明：

图1为本发明所提出处理方法的总体框图。

如图1所示，首先利用基于Windows的ENVI/IDL开发平台提供的接口函数来获取高光谱与全色图像的特性数据。将高光谱图像特性数据按一定的比例进行数据分块。循环调入高光谱图像数据块，按一定的准则函数对各对应的数据块进行自适应最小距离法的粗分类。根据此分类结果，结合原始图像，给定精分类精度，实施图像数据块的二次精分类。最后，按原先的图像分割顺序，进行分类结果的重新接接，得到最终的总分类图像。

图2为本发明采用的方法与其它方法的融合效果对比。

其中，图2(a)的OMIS高光谱遥感图像，本算例取其波段117，文件大小662像元×686像元，空间分辨率20m。图像中包含土地(农田)、建筑物、绿地和水体等多种地物。图2(b)利用非监督分类进行的图像分类结果。图2(c)是利用最大似然法的分类结果，图2(d)是本发明方法进行的分类结果，从中可以看出，本发明所获得图像的目视效果明显优于其它两种方法。

具体实施方式：

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。

图1为本发明提出的一种用于高光谱遥感图像分类处理的总体框图，数据文件的输入是图2(a)的OMIS高光谱遥感图像，取其波段117，文件大小662像元×686像元，空间分辨率20m。图像中包含土地(农田)、建筑物、绿地和水体等多种地物。各部分具体实施细节如下：

1.数据特性的提取，获得高光谱与全色图像的特性数据利用ENVI/IDL开发平台的ENVI_DISPLAY_BANDS函数，可以显示出文件的大小、波段数及空间分辨率等。

2.高光谱图像的数据分块，利用ENVI/IDLIDL的C语言接口调用WINDOWS2000操作系统提供的API函数，获取计算机的硬件特性，如CPU处理速度、内存大小后，按高光谱文件数据量/内存的比例进行高光谱数据文件的分块。

3.改进自适应最小距离法的粗分类，循环调入高光谱图像数据块，根据下述计算式计算分类样本集的中心及半径，并编好类别号，利用最小距离法的准则函数进行第一次粗分类。

在每一个数据块中，设训练样本分为N个类别W₁、W₂、…、W_n，训练样本中每个类别的标准样本为该类别训练样本的中心，即 $C_i=\frac{1}{m_i}\underset{j=1}{\overset{m_i}{\mathrm{\Σ}}}{X}_i---\left(1\right)$ 式中    m_i——第W_i类的样本个数；X_i——样本总数；

待分类的点P到某一点的距离可定义为

D_i(P)＝‖P-C_i‖i＝1，2，…，n          (2)

由于一幅图像可以看作为一个二维函数f(x，y)，对式(2)引入输入空间的欧氏距离进行改进，则 $d(X,Y)=\left|\right|X-Y\left|\right|=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-y_i)}^2---\left(3\right)$ 因此，分类的准则函数是

    d_i(P)＜d_j(p)，j≠iP∈W_i            (4)

4.数据块K-平均的精分类

根据粗分类结果，按最小距离的原则选取一些代表点作为聚类的核心，然后把其余的待分点根据判断准则分到各类中去完成初始分类。之后重新计算各聚类中心，进行下一次迭代，直至满足精度要求。其中，精分类后的图质量与非监督分类和最大似然法分类的比较结果如表1所示。计算式是：

将N个样本分成K个聚类，计算每个聚类的均值M₁、M₂、…、M_k和J_e， $M_i=\frac{1}{N_i}\underset{y\∈w_i}{\mathrm{\Σ}}y---\left(5\right)$ $J_e=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{y\∈w_i}{\mathrm{\Σ}}{\left|\right|y-M_i\left|\right|}^2---\left(6\right)$ 式中    N_i——第i个聚类W_i中的样本数目；

    M_i——样本的均值；J_e——样本集y和类别集Ω的误差平方和准则函数。

      表1 各种分类方法的精度与速度对比

方法	耗时(s)	类别准确率(％)
							土地(农田)	建筑物	道路	绿地	水体
		非监督分类	22	75	92.5	86.5						82.2	67
最大似然法	125						82	94	78.6	80.6	75.4
		联合加权随机分类	95	89	95	92.3						87.5	82.2

式(5)实际上说明了初始凝聚点的选取、对初始分类重新计算聚类中心M_i，然后再修改聚类中心，以便进行下一次迭代，其过程为。

(1)选取一训练样本y，设y处于W_i中，若，N_i＝1，说明类W_i不存在，按式(5)、(6)重新计算，反之把y从W_i放入W_j中，按下式计算误差平方和的改变量： ${\mathrm{\ΔJ}}_i=J_i-J_i^{\′}=\frac{N_i}{N_i-1}{\left|\right|y-M_i\left|\right|}^2---\left(7\right)$ ${\mathrm{\ΔJ}}_k=J_k^{\′}-J_k=\frac{N_k}{N_k+1}{\left|\right|y-M_k\left|\right|}^2---\left(8\right)$ 如果ΔJ_i＞ΔJ_k成立，则允许转入下一个样本，重新按步骤(1)选定新样本，否则，进行下一步。

(2)对于所有的j，若 ${\mathrm{\ΔJ}}_k=\min \left[\underset{j}{\mathrm{\Δ}}{J}_j\right],$ 则把y从W_i移到W_j中去。

(3)重新计算M_i和M_k的值，并修改J_e。

(4)若连续迭代到N次后，J_e不再改变，则迭代停止，确定分类，否则转步骤(1)。

5.分类图像数据块的重新拼接

将高光谱图像数据块的分类块按前述的分割顺序进行重新拼接，组成新的分类图像，结果如图2(d)所示。

Claims (1)

1、一种高光谱遥感图像联合加权随机分类方法，其特征在于包括如下具体步骤：

1)高光谱图像数据特性的提取：根据应用的需求，获得配准后待分类的高光谱图像文件，通过遥感图像处理与开发平台ENVI/IDL提供的接口函数，取得它们的特性数据，包括文件大小，空间分辨率以及图像高光谱遥感图像的波段数；

2)高光谱图像的数据分块：以高光谱图像的空间分辨率为标准，通过WINDOWS2000操作系统的API函数，自动获取计算机的内存与CPU处理速度等指标后，根据高光谱图像文件对应的数据量的大小将其分割为几个连续的数据块，并对各数据块进行编号，数据块的数目为高光谱图像数据量/计算机内存量；

3)循环调入对应的高光谱图像数据块，根据算式计算分类样本集的中心及半径，并记住类别号，然后将所有的样本点作为待分点，按改进的自适应最小距离法准则函数进行第一次粗分类；

4)根据粗分类结果，结合原始图像，给定精分类精度，进行K-平均的数据块样本精分类，期间，须反复迭代，直到各样本集的分类精度达到分类要求；

5)分类图像数据块的重新的拼接：将高光谱图像数据块的分类块按前述的分割顺序进行重新拼接，组成新的分类图像。

Images