CN101950361A - 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 - Google Patents

Abstract

本发明提供一种基于光谱匹配度进行遥感影像专题信息自适应提取的方法，首先人工选择专题地物的样本区，在其内进行PPI计算，选取最大纯净度的像元作为专题地物端元并提取其光谱，之后利用综合了光谱间距离和形状相似性的整体匹配度指数计算影像上各像元与端元间光谱的匹配度；其次，采用图像直方图自动分割方法自适应确定光谱匹配度影像的分割阈值，以获得专题地物与背景整体上的初步分离；再次，统计分割影像上专题地物像素的灰度均值和标准差，自适应确定区域生长的阈值，遍历专题地物像素，以其作为种子点进行区域生长；最后，在生长后的专题地物局部单元内，采用迭代方法进行自适应局部分类，不断逼近真实的专题地物边界，从而获得最终的精细化地物提取结果。

Description

一种基于光谱匹配度的遥感影像专题信息自适应提取方法

技术领域

本发明涉及一种基于光谱匹配度的遥感影像专题信息自适应提取方法，采用影像端元选取、波谱匹配、影像自动分割、“整体-局部”的空间转换、区域生长及局部迭代算法，实现专题信息的自适应精细化提取，属于计算机图像处理领域，特别是遥感信息提取技术领域，在环境、农业和林业等诸多领域中均可有广泛的应用。

背景技术

遥感影像专题信息提取是将遥感影像数据应用于行业实践的一个关键环节，也一直是遥感研究领域的重点和热点之一。此外，遥感成像本身就是一个综合复杂的过程，加之地物自身表现形式的多样性，以及不同地物之间存在的广泛关联性，使得专题信息提取成为遥感研究的难点。目前针对专题信息提取的方法，主要有两种途径：1)分类。分类一直是用以确定地物类别的主导方法，用于专题信息提取时，主要有先进行总体分类然后确认所需专题地物类别，以及将影像分为专题地物类别和背景类别以进行两类分类。采用该方法提取专题信息主要依靠分类算法的优化和精度的提高，近来发展的分类算法已越来越多地采用如神经网络(BPNN)、支撑向量机(SVM)等智能化方法，并由传统的像素分类向面向对象方法转变，也融入了地物间的空间关系、数字高程模型(DEM)及其他辅助信息等，使得分类精度有所提高，相关文献包括M.Song，D.L.Civco and J.D.Hurd，A competitive pixel-object for land cover classification，International Journal of Remote Sensing，2005，26(22)：4981-4997；Y.Cohen，M.Shoshany，Analysis of convergent evidence in an evidential reasoning knowledge-based classification，Remote Sensing of Environment，2005，96：518-528等。2)光谱匹配。高光谱遥感的发展及其所具有的波段众多、光谱精细的独特特征，为专题信息提取开辟了一个新的有力途径。该方法依据专题地物在高光谱中的特征波谱进行查找，或通过光谱特征匹配(SFF)与匹配滤波(MF)等方法来提取专题地物。目前，这种方法在地质找矿等的应用开展得较多，也取得了一定的成果，相关文献包括胡畔，田庆久，闫柏琨，柴达木盆地烃蚀变矿物高光谱遥感识别研究，国土资源遥感，2009，2：54-61；德兴铜矿矿山污染高光谱遥感直接识别研究，地球科学——中国地质大学学报，2004，29(1)：119-126等。

然而，无论是分类还是光谱匹配方法，在提取专题信息时都是采用统一的模型，这往往导致因其他地物的干扰而造成专题地物的漏提和误提；在提取过程中通常需要较多的人工干预和背景知识的加入；对专题地物的空间分布特征考虑不足。此外，现有光谱库数据种类有限，采用光谱特征匹配方法时难以普遍适用于不同地区。因此，已有方法在普适性、流程化和自动化方面还较为欠缺，需要研究新的算法。

发明内容

本发明的目的是提供一种基于光谱匹配度进行遥感影像专题信息自适应提取的方法，特别是采用像元纯净度指数(Pixel Purity Index，PPI)进行专题地物端元选取，影像自动分割、“整体-局部”的空间转换、区域生长以及局部迭代算法，以自适应地精确提取遥感影像上的专题信息。

本发明的基本思路为：在人工选择专题地物的样本区内，通过计算PPI自动选取最纯净的样本像元，并提取其光谱作为端元光谱；采用波谱匹配方法计算影像上各像元光谱与端元光谱的匹配度；采用影像直方图分割方法自适应确定光谱匹配度的阈值，以获得专题地物与背景整体上的初步分离；根据分割结果统计整幅影像上所有专题地物像素的灰度均值和标准差，自适应确定区域生长的阈值，遍历所有专题地物像素，以其作为种子点进行区域生长，以得到更全面的专题地物局部分布区域；搜索专题地物局部区域的边界像素，以其为中心确定局部窗口，在局部窗口内采用迭代方法进行自适应局部分类，不断逼近真实的专题地物边界，从而获得最终的精细化地物提取结果。

本发明的技术方案提供了一种基于光谱匹配度的遥感影像专题信息自适应提取方法，包括以下的实施步骤：

1)专题地物端元选择。对影像进行辐射变换后，人工在其上选择专题地物的样本区。对样本区影像进行最小噪声分离(MNF)变换，在变换后的样本区内进行PPI计算，获得一幅样本区的像元纯度图像，在其上选取具有最大纯净度的像元作为专题地物的端元，并提取其端元光谱。因直接通过样本选取专题地物端元，而不再通过光谱匹配的方法确认归属类别，样本应尽量选取专题地物的纯净区域，以免其他混杂地物的干扰，从而保证端元选择的正确性。

2)光谱匹配。综合考虑光谱间的距离远近和形状的相似性，利用欧式距离和相关系数构造一种新的整体匹配度指数，用其计算遥感影像上各像素光谱与专题地物端元光谱的匹配度。

3)专题地物初始分割。在匹配度影像上，越小的匹配度数值代表光谱越相似，从而，采用影像直方图阈值自动分割方法自适应确定直方图的第一个波谷处的值作为光谱匹配度的分割阈值，可以较为准确地分离出最匹配的部分作为初始专题地物，并且对于不同的地类，可自适应地确定分割的阈值。影像上除了专题地物以外还存在诸多的背景地物，所以直方图上会存在明显的波峰波谷，又因地物表现的多样性，背景区域可能会存在多个波峰波谷，即便专题地物区域内也可能存在两个或以上的波峰波谷，而第一个波谷之前的部分代表了与专题信息最相似的地物。

4)区域生长。统计分割影像上所有专题地物像素各波段的光谱均值和标准差，并将标准差作为区域生长的阈值，遍历所有初始专题地物像素，以其作为种子点进行区域生长，以得到更精确的专题地物局部分布区域。

5)局部分类。搜索影像上专题地物局部区域的边界像素，以其为中心，取一定大小的窗口，在该窗口内分别计算专题地物像素和背景像素的波谱中心，并依次计算窗口内背景像素分别到两个波谱中心的距离。若背景像素到专题地物波谱中心的距离小于到背景的距离，则将其重新归属为专题地物类别。

6)局部变化像素统计。***部专题单元经边界搜索及再分类后变化的背景像素在搜索范围像素中所占比例，若超过设定的阈值则应对新产生的局部单元再进行边界搜索及再分类。

7)对各局部单元依次迭代进行步骤5)-6)操作，直至各局部单元的像素变化小于规定阈值，并且所有的局部单元都已搜索并处理完毕，从而获得整幅影像上专题信息的提取结果。

本发明与现有技术相比具有如下特点：采用PPI计算选取适合影像本身及其局部单元的专题地物端元样本，更为贴合实际，并可一定程度上弥补建立波谱库工作的繁重以及地物标准波谱普适性欠缺的不足；光谱匹配度的计算较监督分类的样本选取更具定量化、可控性，有利于知识的融入，相对适用地类有限的线性指数计算又更为充分，能满足不同地物的实际需求；采用影像阈值自动分割、区域生长、“整体-局部”的迭代算法，根据实际地物自适应地调整参数、逼近分布范围，可以精确提取具有一定差异性的专题地物。本发明综合应用了影像的光谱信息和空间分布，其中自适应体现在影像专题端元的选取、直方图自动分割中阈值的自适应选择、区域生长阈值的自适应确定和“整体”到“局部”地物的迭代自适应逼近与调整。同时本发明除需人工选取专题地物的样本外，其余步骤均可自动执行。

附图说明

图1是基于光谱匹配度的遥感影像专题地物自适应提取流程图

图2是某沿海地区水专题提取ETM+实验影像

图3是水体样本及端元分布图

图4是实验影像水体端元光谱曲线图

图5是水专题光谱匹配度影像

图6是光谱匹配度分布图的直方图

图7是整体直方图自动分割图

图8是区域生长效果图

图9是第一次局部分类后的水体分布图

图10是最终水体分布图

具体实施方式

本发明的基本流程如图1所示，其中采用光谱匹配方法需要充分、明确的光谱信息，因此，对于多光谱影像需要利用尽可能多的波段，对于高光谱影像可以进行特征选择。本实例选取如图2所示的某沿海地区ETM+影像进行水专题信息提取实验，影像大小为506×412像素，采用除热红外波段以外的其余6个多光谱波段。由于该地区为近海区域，从内陆排放到海域中的污染物和泥沙等导致近海水体的光谱特征发生较大变化，与远海水体的光谱特征产生较大差异，导致难以准确、完整地提取出影像上的所有水体，这是本发明所重点需要解决的问题，也是本发明的创新所在。具体实施步骤如下：

1.水体端元选择

首先对影像进行辐射定标，将影像的DN值转换为实际地物的辐射亮度值，从而进行后续的光谱处理。采用人工方式在影像上选择水体样本，对样本区进行MNF变换，然后做PPI计算以选取像元纯度值最大的像元作为水体端元。样本区在影像上的分布如图3中虚线框选范围所示，局部放大图右下角样本区中的点所对应的像元即为所选出的水体端元，水体端元的光谱曲线如图4所示。

2.水体光谱匹配度计算

欧式距离是较为常用的光谱几何空间测度方法，相关系数是较为常用的光谱概率空间测度方法，它们分别代表了光谱间距离和形状的相似性，本发明中将二者综合起来形成一个新的整体匹配度指数F(x)。设水体端元各光谱特征的构成特征向量μ＝[μ₁，μ₂，…，μ_n]^T，某像素的特征向量x＝[x₁，x₂，…，x_n]^T，其中n为特征向量的维数，也即波段数。欧式距离的计算公式如式(1)，相关系数的计算公式如式(2)，整体匹配度指数的计算公式如式(3)。

$D\left(x\right)=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-u_i)}^2}---\left(1\right)$

$S\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(u_i-\stackrel{\‾}{u})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(u_i-\stackrel{\‾}{u})}^2}}---\left(2\right)$

F(x)＝αD(x)+βS(x)                (3)

欧式距离越小代表光谱越匹配，而相关系数越大代表光谱越匹配，二者的相似性表征相反。因此，在计算得出的相关系数中，取其最大值与各值经差值运算后得到一个新的相关系数差值，该值越小代表光谱越匹配，从而可与欧式距离进行组合。此外，又因两个测度的取值范围不同，因此分别对其进行归一化，将值归一化到[0，255]区间。式(3)中D′(x)，S′(x)分别代表归一化后的欧式距离和相关系数差值，α，β分别代表其所占的权重，取值范围均为[0，1]，本发明对其取值均为0.5，可根据需要进行调整。从而，得到影像上各像素与水体端元的光谱匹配度F(x)，其值越小代表与水体的匹配度越好。

3.水专题初始自动分割

经过光谱匹配之后得到的光谱匹配度影像如图5所示，其上越亮的部分代表整体匹配度值越大，与水越不匹配；越暗的部分表示整体匹配度值小，与水越匹配。光谱匹配度影像的直方图如图6所示，横坐标代表整体匹配度值，纵坐标代表匹配度值所占的比率。

采用峰谷法对影像直方图进行阈值自动选择与分割，选取第一个波谷处的值作为分割的阈值。具体实施步骤中，从最小值开始，依次搜索灰度直方图中的每一个灰度级别，若找到第一个灰度级别g，其像素数均小于灰度级别g-1和g+1的像素数，则认为该灰度级别g对应于直方图的第一个波谷(如图6中白线所示)。采用搜寻的第一个波谷处的值作为分割阈值，对匹配度分布图进行分割，得到的分割图如图7所示，图中灰色区域代表陆地，黑色区域代表水体，从而实现整体影像上水体和背景的初始分割。

4.水体区域生长

局部区域生长的目的在于确定专题地物分布的连通区域，以便确定后续局部分割区域的阈值。统计初始分割影像上水体像素各波段的光谱均值和标准差，并以标准差为阈值进行局部区域生长，具体实现过程如下：

(1)遍历影像，判断其上的某像素是否为水体像素，若是则以其作为种子点，加入存放种子像素的堆栈中，若不是则退出当前步骤；

(2)取出堆栈中的种子像素，将其加入当前连通区；

(3)判断种子像素的相邻像素是否为水体像素，若是，则加入到堆栈中；

(4)重复第(2)(3)步，直到存放种子像素的为空，此时即得到一个完整的连通区；

(5)依次遍历影像中的所有像素，重复步骤(1)-(4)步，即得到影像中所有完整的连通区。

其中判断种子像素的相邻像素是否为水体像素的规则如下：

(1)若相邻像素在初始分割结果中为专题地物像素，则仍然作为水体像素；

(2)若相邻像素在初始分割结果中为背景像素，则计算相邻像素与种子像素之间各光谱分量的绝对距离，若各光谱分量的绝对距离均小于全局水体像素各光谱分量的标准差，则将该像素重新设定为水体像素。

对初始分割影像进行局部水体区域生长，其效果如图8所示，图中右下白框标示出了区域生长所得到的部分新的水体像素。

5.局部分类

遍历影像上水体局部单元，搜索水体局部区域的边界像素，以这些边界像素为中心，取一定大小的窗口(在本具体实施方式中取9×9的窗口，可根据需要调整)，在该窗口内分别计算水体像素和背景像素的波谱中心和标准差，并计算该窗口内原背景像素到两个波谱中心各光谱分量的距离，假设水体像素的波谱中心和标准差分别为和

背景像素的波谱中心和标准差分别为

和

其中n为特征向量的维数。某一像素的光谱特征向量为x＝[x₁，x₂，…，x_n]^T，则将其判定为水体像素的条件可以表达为：

$|x_i-c_l^i|-|x_i-c_w^i|>a\·{\mathrm{\δ}}_w^i+b\·{\mathrm{\δ}}_l^i,i=\mathrm{1,2},\·\·\·,n---\left(4\right)$

其中a和b为常数，用于确定像素的特征向量到两个波谱中心距离之差的阈值，取值范围均为[0，1]，可根据影像特点确定。在本具体实施方式中，a＝0，b＝0.5。图9为第一次局部分类后所得到的新的水体分布图，图中白框所示范围内的水体像素分布发生了较为显著的变化。

6.局部分类变化像素统计

在经过一次局部分类之后，需重新***部水体单元的像素数目，并与局部分类之前的像素数进行求差。如果差值占分类前像素数的比例超过设定的阈值(在本实施方式中设定为20％，可根据需要调整)，则应再对该局部单元进行局部分类。

7.整体结果的获得

重复步骤5和6，直至各局部单元水体像素数目差值占本次分类前像素数目的比例小于20％，则终止迭代，并对影像进行小斑块去除的后处理操作，获得整幅影像最终的水体提取结果。在本具体实施方式中，最终的迭代次数为6次，水体像素个数为38957，水体分布如图10所示。

由本实施例可以看出，经过全局水专题的选取、局部区域生长和局部迭代分类之后，存在明显差异的水专题都可精确地提取，并可保证水专题边界的准确性和形状的完整性。需要说明的是，本实例中入海口的河流之所以未被分类为水，是因其光谱在近红外处有明显的反射峰，应是混有大量泥沙所致，因此本发明也更贴合地物的实际光谱表征。本发明中所提出的方法可广泛应用于遥感影像中专题地物的提取，如植被、土壤及矿物等。

Claims (4)

1.一种基于光谱匹配度的遥感影像专题信息自适应提取方法，其特征在于包括以下几个步骤：

步骤1：对经辐射定标后的影像，人工在其上选择专题地物的样本区；在样本区内先进行MNF变换，进而进行PPI计算，选取像元纯净度最大值的像元作为专题地物的端元，并提取其端元光谱；

步骤2：综合考虑光谱间的距离远近和形状的相似性，利用欧式距离和相关系数构造了一种新的整体匹配度指数，用以计算遥感影像上各像素光谱与专题地物端元光谱的匹配度；

设专题地物端元的各光谱特征的构成特征向量μ＝[μ₁，μ₂，…，μ_n]^T，某像素的特征向量x＝[x₁，x₂，…，x_n]^T，其中n为特征向量的维数，也即波段数，则某像素与专题地物整体匹配度指数的计算公式如式(1)：

F(x)＝αD(x)+βS(x)                (1)

$D\left(x\right)=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-u_i)}^2}---\left(2\right)$

$S\left(x\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(u_i-\stackrel{\‾}{u})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(u_i-\stackrel{\‾}{u})}^2}}---\left(3\right)$

式(2)、式(3)分别为欧式距离和相关系数的计算公式，欧式距离越小代表光谱越匹配，而相关系数越大代表光谱越匹配，二者的相似性表征相反；因此，在计算得出的相关系数中，取其最大值与各值经差值运算后得到一个新的相关系数差值，该值越小代表光谱越匹配，从而可与欧式距离进行组合；此外，又因两个测度的取值范围不同，因此分别对其进行归一化，将值归一化到[0，255]区间；式(1)中D′(x)，S′(x)分别代表归一化后的欧式距离和相关系数差值，α，β分别代表其所占的权重，取值范围均为[0，1]，α+β＝1，本发明对其取值均为0.5；从而，得到影像上各像素与专题端元的光谱匹配度F(x)，其值越小代表与水体的匹配度越好；

步骤3：在匹配度影像上，越小的匹配度数值代表光谱越相似，从而采用影像直方图自动分割方法自适应确定直方图的第一个波谷处的值作为光谱匹配度的分割阈值，可以较为准确地分离出最匹配的部分作为初始专题地物，并且对于不同的地类，可自适应地确定分割的阈值；

步骤4：统计分割影像上所有专题地物像素的光谱均值和标准差，并将标准差作为区域生长的阈值，遍历所有专题地物像素，以其作为种子点进行区域生长，得到专题地物的各局部区域；

步骤5：搜索影像上专题地物局部区域的边界像素，以其为中心，取一定大小的窗口，在该窗口内分别计算专题地物像素和背景像素的波谱中心，并依次计算窗口内背景像素到两个波谱中心的距离，若背景像素到专题地物波谱中心的距离小于到背景波谱中心的距离，则将其重新归属为专题地物类别；

步骤6：***部专题单元经边界搜索及再分类后变化的背景像素在搜索范围像素中所占比例，若超过设定的阈值则应对新产生的局部单元再进行边界搜索及再分类统计；

步骤7：对各局部单元依次迭代进行步骤5-6操作，直至各局部单元的像素变化小于规定阈值，并且所有的局部单元都已搜索并处理完毕，从而获得整幅影像上专题信息的提取结果。

2.根据权利要求1所述的基于光谱匹配度的遥感影像专题信息自适应提取方法，其特征在于选择适合影像自身的专题地物端元，考虑到波谱库地物的有限性以及将候选端元与波谱库光谱进行匹配的繁琐，通过样本选择的方法直接通过PPI计算选择专题地物端元；当波谱库中有专题地物端元时，也可通过光谱匹配来选择端元，而不再进行样本选择。

3.根据权利要求1所述的基于光谱匹配度的遥感影像专题信息自适应提取方法，其特征在于采用光谱匹配方法表征与专题地物的相似，光谱匹配也可选择诸如欧式距离、光谱角、相关系数、光谱信息散度、匹配滤波(Matching Filtering，MF)和光谱特征拟合(Spectral Feature Fitting，SFF)方法等。

4.根据权利要求1所述的基于光谱匹配度的遥感影像专题信息自适应提取方法，其特征在于采用影像直方图自动分割方法初始分离最相似的专题地物，影像自动分割也可采用判断分析法、最佳熵自动阈值法、最小误差分割方法等。

Images