CN102110227B - 基于上下文关系的多分辨率遥感图像复合分类方法 - Google Patents
基于上下文关系的多分辨率遥感图像复合分类方法 Download PDFInfo
- Publication number
- CN102110227B CN102110227B CN2010105603346A CN201010560334A CN102110227B CN 102110227 B CN102110227 B CN 102110227B CN 2010105603346 A CN2010105603346 A CN 2010105603346A CN 201010560334 A CN201010560334 A CN 201010560334A CN 102110227 B CN102110227 B CN 102110227B
- Authority
- CN
- China
- Prior art keywords
- resolution
- low
- remote sensing
- classification
- characteristic
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 150000001875 compounds Chemical class 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010168 coupling process Methods 0.000 claims description 24
- 238000005859 coupling reaction Methods 0.000 claims description 24
- 230000008878 coupling Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 16
- 230000014509 gene expression Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000013011 mating Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000004304 visual acuity Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 244000188472 Ilex paraguariensis Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明为一种基于上下文关系的多分辨率遥感图像复合分类方法,首先进行局部训练区域内的配准,其次对低分辨率图像进行分类特征提取,然后基于前两个步骤,在训练区域内,利用分类特征进一步建立基于条件随机场模型的上下文关系,最后根据前三个步骤得到条件随机场模型后进行全局分类,将训练好的模型推广至整个低分辨率图像覆盖区域,对广域低分辨率图像进行分类,本方法综合利用多分辨率遥感图像,构建像素间的上下文关系,考虑了地物分布的空间连续性,并由条件随机场模型提供了对多分类特征的支持,从而解决高精度的广域低分辨率遥感图像的分类问题。
Description
技术领域
本发明属于模式识别和计算机视觉领域,也涉及到遥感和农业领域,具体涉及到基于上下文关系的多分辨率遥感图像复合分类方法。
背景技术
地表覆盖分类是获取土地覆盖和土地利用现状的基础技术,在环境评估、地图更新、作物估产等领域有着重要应用价值。近年来遥感数据源日益增多,不同空间分辨率的遥感图像在不同尺度上给出了更多的地表信息。如何充分利用同一地区、不同空间覆盖率的多种空间分辨率遥感数据,进一步提高广域地表覆盖分类精度已成为遥感图像分析的一个挑战。
对于广域地表分类问题,一般来讲固然使用高分辨率遥感图像可以得到更为精确的地表分类结果,但高分辨率遥感数据所固有的重访周期长、覆盖范围小、数据价格高等诸多限制,制约了其在大范围或长期地表监测中的实际应用。因此,采用遥感图像复合分类方法可以综合利用多种遥感数据在覆盖范围以及空间分辨率上的互补性,在保持较大覆盖范围的同时提高综合分类精度。现有的多分辨率遥感图像复合分类方法通过在低空间分辨率数据的大覆盖范围中选用若干小覆盖范围的高空间分辨率数据来指导全局低空间分辨率数据的分类过程,但是由于现有方法在分类过程中假设像元独立,即在像元级或亚像元级进行,忽略了像素的空间位置以及像素邻域地物类别对分类结果的影响,因此分类结果易受遥感图像噪声影响。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种基于上下文关系的多分辨率遥感图像复合分类方法,本方法综合利用多分辨率遥感图像,构建像素间的上下文关系,考虑了地物分布的空间连续性,并由条件随机场模型提供了对多分类特征的支持,从而解决高精度的广域低分辨率遥感图像的分类问题。
为了实现上述目的,本发明采用的技术方案是:
基于上下文关系的多分辨率遥感图像复合分类方法,包括以下步骤,
步骤一,进行局部训练区域内的配准:首先,选择一个或者一个以上同时具有高低分辨率图像且包含各类地物类别的局部区域作为训练区域,其次,根据高低分辨率图像的分辨率比例关系对高分辨率图像进行分辨率整数倍率调整,使得高低分辨率比例为整数倍,最后,对高低分辨率图像进行局部空间配准;
步骤二,对低分辨率图像进行分类特征提取;
步骤三,基于前两个步骤,在训练区域内,利用分类特征进一步建立基于条件随机场模型的上下文关系:首先,根据上下文关系构建低分辨率图像的分类特征序列,作为条件随机场模型的输入观测随机序列,其次,高分辨率图像分类结果降分辨率后生成与分类特征序列对应的标注序列,最后,通过训练集获取条件随机场模型参数;
步骤四,根据前三个步骤得到条件随机场模型后进行全局分类,将训练好的模型推广至整个低分辨率图像覆盖区域,对广域低分辨率图像进行分类:首先,根据训练时的上下文关系生成对应的低分辨图像分类特征序列,再根据公式和利用训练好的条件随机场模型参数获得像元的各类别条件概率,最后采用最大条件概率准则进行全局分类得到各像元对应的最终地物类别,其中,E(Y,X)为条件随机场的势函数,由一元势函数gi(yi,X)和二元势函数fij(yj,yi,X)组成,其中一元势函数gi(yi,X)表示分类特征与类别标签的关系,二元势函数fij(yj,yi,X)表示遥感图像中相邻像元之间的空间上下文关系,λij和μi分别是势函数fij(yj,yi,X)和gi(yi,X)的权重,Z(X)是对所有可能序列的归一化因子,
步骤一中的局部空间配准具体是指,
首先,匹配预处理,使用Sobel算子对高分辨的航空相片进行边缘提取,边缘提取完成后,进行一次或一次以上的扩散,得到图像边界作为进一步的处理对象;
其次,进行基于手动匹配的粗匹配,先根据控制点选择建议,采用目视观察的方法在待配准的高低分辨率图像上确定6~7组一一对应的控制点,提取其位置坐标,再进行基于手动粗匹配的几何变换,接着进行粗匹配后的插值处理,所述插值处理为双向线性插补法进行内插处理;
最后,采用全自动匹配模式进行精匹配,在自动精匹配过程中,通过具有最佳空间分布控制点的再次自动选取,依据灰度匹配准则进行最佳配准,精确计算高分辨率图像与低分辨率图像的空间坐标对应关系,实现等同于高分辨率图像的像元级精确匹配,所述自动精匹配借助计算两个图像之间某种相似性或不相似性的度量来完成。首先,在高分辨率图像中选择“窗口”区域,在低分辨率图像中选择“搜索”区域,通过位移在搜索区域内对所有可能的重叠关系进行相关计算。再将搜索区域高分辨率图像通过取平均方法降分辨率至低分辨率,之后在搜索区域内移动窗口,计算两幅图像块间的灰度方差,方差最小的点即为最佳匹配点。这样的搜索区域可以依照手动匹配时选取的控制点为基础,自动匹配的结果就是在原来所取点的附近区域中找到最佳匹配点。
步骤二中根据遥感数据格式选择归一化植被指数特征或者增强型植被指数特征或者纹理特征或者光谱特征作为分类特征。
步骤二中采用像元级分类器得到的像元类别信息作为序列分类特征。
步骤三中条件随机场模型是指对光谱特征与类别的关系、以及像元间的上下文关系函数的建模,令G=(S,E)为一个无向图,其中S为图中节点集合,E是S间的无向边集合,输入序列X是一个可以被观察的随机变量序列集合,输出节点值Y是一个能够被模型预测的随机变量集合,输出结点间通过指示依赖关系的无向边所连接,Y={yi|i∈S|},给定X,且如果每个随机变量yi满足其中,S-{i}表示S中除节点i的所有节点集合,Ni为节点i的邻域节点集合,则(X,Y)构成一个条件随机场。
步骤三中获取条件随机场模型参数的方式为,首先对低分辨率像元所对应的N×N高分辨率像元块的分类结果进行投票,比例最高的类别作为该低分辨率像元的地物类别,生成类别标签;然后生成分类特征序列,与类别标签组成标定样本集;再利用梯度下降法对特征函数权重进行极大似然法参数估计。
本发明与现有技术相比,具有以下优点:
一)分类精度高。
二)移植性强、适用性高,可在现有遥感图像复合分类***基础上应用,对分类精度进行进一步提升。
三)可以与其他遥感图像复合分类器进行级联,建立整合的基于上下文关系的分类模型。
四)避免了高分辨率遥感数据所固有的重访周期长、覆盖范围小、数据价格高等诸多限制,可实现高精度大面积地表分类。
五)在全局低分辨率遥感图像分类过程中,不需要用户进行人工干预,具有自动化程度高等优点。
附图说明
图1为本发明***流程框图。
图2为条件随机场序列建模示意图,其中X指给定观测序列,Y指各像元对应的地物分类标签序列,xi-2~xi+2分别指位置i-2~i+2像元的观测分类特征值,yi-2~yi+2分别指位置i-2~i+2对应的地物分类标签值。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明分为局部训练和全局分类两大部分,由局部训练区域内的配准、分类特征提取、条件随机场建模以及全局分类四大基本模块组成,图1给出了本发明的整体框架。以下,将对各自模块的主要功能及其所采用的具体算法分别加以阐述。
步骤一,进行局部训练区域内的配准
该模块的主要作用是实现训练区域高低分辨率图像间的亚像元级空间关系匹配,包括以下过程:
第一步:训练区域选择
选择一个或者一个以上同时具有高低分辨率图像且包含各类地物类别的局部区域作为训练区域,保证训练样本的合理性;
第二步:高低分辨率图像像元整数倍率调整
根据高低分辨率图像的分辨率比例关系对高分辨率图像进行分辨率整数倍率调整,使得高低分辨率比例为整数倍,便于配准及建立高低分辨率图像多对一空间关系;
第三步:高精度空间配准
本发明采用多级配准方法,解决异传感器多分辨率遥感图像间的高精度配准问题,建立精确的高低分辨率图像多对一空间关系,对高低分辨率图像进行局部空间配准。具体思路是,首先采用具有一定交互性的半自动匹配模式进行粗匹配,通过少数控制点的人工选取,粗略估计高分辨率遥感图像与低分辨率遥感图像在观测区域、相对比例尺、相对旋转角度等的基本对应参数;然后采用全自动匹配模式进行精匹配,在自动精匹配过程中,通过具有最佳空间分布控制点的再次自动选取,依据灰度匹配准则进行最佳配准,精确计算高分辨率图像与低分辨率图像的空间坐标对应关系,实现等同于高分辨率图像的像元级精确匹配。
具体过程如下:
1.匹配预处理
在多源遥感匹配中,控制点的选取方式及其合理性是决定匹配精度的关键因素之一。如果控制点选择在图像灰度变化缓慢或者没有明显边缘特征的区域,则会造成伪匹配现象,很难通过自动匹配的方式找到最佳的、合理匹配点。因此,在控制点的选取中引入图像区域所特有的边缘特性,通过对待匹配图像边缘分析的方式,向用户建议首选那些边缘结构较为明显的区域,最后由用户手动选定所关心目标区域的特征点作为最佳控制点。
这里,首先使用常规的Sobel算子对高分辨的航片进行边缘提取。Sobel算子具有方法简单,处理速度快,并且所得的边缘连续光滑。常规Sobel算子的计算过程如下,设,
A=|(f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1))-(f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1))| (1)
B=|(f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1))-(f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1))| (2)
则,S(i,j)=max(A,B)。
适当选取门限TH,判断若S(i,j)>TH,则像元(i,j)为边缘点。边缘提取过程完成后,进行一次或多次的扩散,使得小的边界消失,只留下较大尺度的边界作为进一步的处理对象。最佳控制点的选择原则是选择这些边界区域上变化陡峭的点,同时保证控制点均匀分布在整幅图像上。
2.基于手动匹配的粗匹配
首先进行基于优化建议的手动控制点选择:根据控制点选择建议,采用目视观察的方法在待配准的高低分辨率图像上确定6~7组一一对应的控制点,提取其位置坐标。
再进行基于手动粗匹配的几何变换:假设两幅图像之间存在某个最优的线性坐标变换关系来近似逼近复杂的非线性变换,坐标变换可用一个由最小二乘拟合控制点得到的、低阶线性多项式来模拟。这种低阶仿射变换可以表达这两幅图像间的位移、旋转、偏斜及比例尺差异,同时可以通过最小二乘处理避免个别控制点所可能带来的过大影响。
最后进行粗匹配后的插值处理:对粗匹配处理后图像的每一像元(X′,Y′),需要计算在它原始图像中所对应的坐标(X,Y)。由于坐标变换方程所给出的(X,Y)值不一定精确出现在原始像元的坐标处上,因此需要通过内插处理计算原图像在(X,Y)处的像元值。本发明采用了双向线性插补法进行内插处理,这是由于该方法的插补图像具有较好的灰度连续性、且精度高。
3.全自动精匹配
自动数字配准可以借助计算两个图像之间某种相似性或不相似性的度量来完成,这个度量是图像之间相对位移的函数,一种相似性的度量是两个重叠图像区域之间的相关。如果这两个区域是具有较好对应性,则会产生较大的相关特性。由于大区域图像间的相关计算会带来较大的运算量,所以采用分布在两个图像整个重叠范围内的一些较小区域进行相关评估。具体方法如下:首先,在高分辨率图像中选择“窗口”区域,在低分辨率图像中选择“搜索”区域,通过位移在搜索区域内对所有可能的重叠关系进行相关计算。再将搜索区域高分辨率图像通过取平均方法降分辨率至低分辨率,之后在搜索区域内移动窗口,计算两幅图像块间的方差,方差最小的点即为最佳匹配点。
这样的搜索区域可以依照手动匹配时选取的控制点为基础,自动匹配的结果就是在原来所取点的附近区域中找到最佳匹配点。然后,再进行几何变换和插值,方法和手动匹配相应步骤相同。
步骤二,分类特征提取
分类特征提取步骤的主要作用是对低分辨率图像光谱特征进行处理,得到分类效果好,有区分度的分类特征。本方法对分类特征没有限制,也采用其他分类特征。可以根据遥感数据格式可以选择归一化植被指数特征、纹理特征、光谱特征等作为分类特征,也可以采用其他像元级分类器得到的像元类别信息作为序列分类特征。
本发明以归一化植被指数NDVI、增强型植被指数EVI为例。
NDVI和EVI的计算公式如下:
其中,ρNIR,ρRed和ρBlue分别是近红外、红色和蓝色传感器波段的表面发射率值。
NDVI能够部分地消除与太阳高度角、卫星观测角、地形、云影等与大气条件有关的辐射变化的影响,而且NDVI是植被生长状态及植被覆盖度的最佳指示因子。NDVI的不足之处在于其数值容易饱和,对高植被密度区域敏感性降低,且容易受到植冠背景的影响,并没有消除大气散射、吸收对光谱产生的影响。EVI指数比NDVI更加稳定,因为它具有气溶胶抵抗能力、归一化土壤背景的能力以及在高生物量条件下不饱和的能力。在全球植被研究中NDVI和EVI互为补充,NDVI对贫瘠区域的植被更加敏感,而EVI在覆盖有密集植被的区域能起到更加有效的作用。
步骤三,条件随机场建模模块
在复合分类中,由于高分辨率图像实际起到的是一种部分区域内的监督指导作用,所以可以采用监督序列分类的方法。条件随机场(CRF,ConditionalRandom Fields)模型是一种基于条件概率的无向图模型,当给定观测序列X时,可用于计算对应的标注序列Y,它是一种判别式模型,直接对条件概率P(y|x)进行建模。与马尔可夫随机场模型相比,条件随机场模型可以减少概率分布假设,并具有可以选择上下文相关特征的优点,更好的包含邻域信息,并通过对所有特征进行序列形式进行全局归一化,获得全局最优值,解决基于上下文关系的多特征序列分类问题。
鉴于上述分析,本发明构造了一个用于遥感图像复合分类的条件随机场模型,定义条件随机场模型的两类势函数,用来分别描述光谱特征与类别的关系、以及像元间的上下文关系。利用条件随机场模型对这些势函数进行建模,通过模型推断出全局最优解从而实现遥感图像复合分类。条件随机场建模模块的主要作用是在训练区域内建立基于条件随机场模型的上下文关系。
为了便于对条件随机场进行说明,令G=(S,E)为一个无向图,其中S为图中节点集合,E是S间的无向边集合。输入序列X是一个可以被观察的随机变量序列集合,输出节点值Y是一个能够被模型预测的随机变量集合,输出结点间通过指示依赖关系的无向边所连接,Y={yi|i∈S|}。给定X,且如果每个随机变量yi满足
其中,S-{i}表示S中除节点i的所有节点集合,Ni为节点i的邻域节点集合,则(X,Y)构成一个条件随机场。
在复合分类中,像元间的地物上下文关系由条件随机场中的无向边表示。观测序列X对应于n个邻域像元所组成的分类特征集合。如图2所示,本发明以行、列及对角4方向上的5个像元特征组成观测序列。条件随机场结点的分类标签Y为各像元对应的地物类别标签,本发明以yi={0,1,2,3,4}为例,其中,0表示林地,1表示城镇,2表示耕地,3表示荒地,4表示水体。条件随机场模型提供了一个给定观测序列X后计算分类标签Y条件概率的模型框架,该条件概率由下式给定:
其中,E(Y,X)为条件随机场的势函数,由一元势函数gi(yi,X)和二元势函数fij(yj,yi,X)组成,其中一元势函数gi(yi,X)表示分类特征与类别标签的关系,二元势函数fij(yj,yi,X)表示遥感图像中相邻像元之间的空间上下文关系,不仅与位置i的分类特征向量有关,还与邻域位置点的标签有关;λij和μi分别是势函数fij(yj,yi,X)和gi(yi,X)的权重,反映了该函数的重要程度;Z(X)是对所有可能序列的归一化因子,
确定条件随机场模型后,需要在局部训练区域进行训练,通过以下过程估计出模型参数θ=(λij,μi):
第一步:对低分辨率像元所对应的N×N高分辨率像元块的分类结果进行投票,比例最高的类别作为该低分辨率像元的地物类别,生成类别标签Y;
第二步:生成分类特征序列X,与类别标签组成标定样本集T;
第三步:利用梯度下降法对公式(6)中的特征函数权重λk和μl进行极大似然法参数估计:
训练所得到的条件概率模型反映了以训练区域为代表的该观测区域地物分布特性,这一条件概率模型推广至全局低分辨率图像覆盖区域,得到每一低分辨率像元相对于各类别的条件概率,采用最大条件概率准则即可判断每个低分辨率像元所属的地物类别。
步骤四,全局分类模块
全局分类模块的主要作用是将训练好的模型推广至整个低分辨率图像覆盖区域,通过以下过程来实现:
第一步:根据条件随机场建模模块中对上下文关系的定义,生成广域低分辨遥感图像覆盖范围内的图像分类特征序列;
第二步:根据公式(6),利用训练好的条件随机场模型参数获得像元对应各类别条件概率;
第三步:采用最大条件概率准则进行全局分类得到各像元对应的最终地物类别。
本发明在分类过程中通过建立像元间的上下文关系考虑了地物分布的空间连续性,并利用条件随机场建模提供了对多分类特征的支持,从而进一步提高分类的精度。相对于其它复合分类方法,本发明对遥感图像分类过程中像元空间邻域关系进行了综合利用,同时,由于模型可以支持自定义多特征,并在实现流程上具有独立性,本发明可以作为现有遥感图像复合分类方法的有益补充,通过与其他复合分类模型进行级联,实现综合亚像元级、像元级和邻域区间级的高精度广域复合分类。
本发明为遥感图像复合分类方法提供了一种全新的思路。
Claims (7)
1.基于上下文关系的多分辨率遥感图像复合分类方法,包括以下步骤,
步骤一,进行局部训练区域内的配准:首先,选择一个或者一个以上同时具有高低分辨率图像且包含各类地物类别的局部区域作为训练区域,其次,根据高低分辨率图像的分辨率比例关系对高分辨率图像进行分辨率整数倍率调整,使得高低分辨率比例为整数倍,最后,对高低分辨率图像进行局部空间配准;
步骤二,对低分辨率图像进行分类特征提取;
步骤三,基于前两个步骤,在训练区域内,利用分类特征进一步建立基于条件随机场模型的上下文关系:首先,根据上下文关系构建低分辨率图像的分类特征序列,作为条件随机场模型的输入观测随机序列,其次,高分辨率图像分类结果降分辨率后生成与分类特征序列对应的标注序列,最后,通过训练集获取条件随机场模型参数;
步骤四,根据前三个步骤得到条件随机场模型后进行全局分类,将训练好的模型推广至整个低分辨率图像覆盖区域,对广域低分辨率图像进行分类:首先,根据训练时的上下文关系生成对应的低分辨图像分类特征序列,再根据公式 和 利用训练好的条件随机场模型参数获得像元的各类别条件概率,最后采用最大条件概率准则进行全局分类得到各像元对应的最终地物类别,其中,E(Y,X)为条件随机场的势函数,由一元势函数gi(yi,X)和二元势函数fij(yj,yi,X)组成,其中一元势函数gi(yi,X)表示分类特征与类别标签的关系,二元势函数fij(yj,yi,X)表示遥感图像中相邻像元之间的空间上下文关系,λij和μi分别是势函数fij(yj,yi,X)和gi(yi,X)的权重,Z(X)是对所有可能序列的归一化因子,Ni为节点i的邻域节点集合,S的定义是:令G=(S,E)为一个无向图,E是S间的无向边集合,S为图中节点集合。
2.根据权利要求1所述的基于上下文关系的多分辨率遥感图像复合分类方法,其特征在于,步骤一中的局部空间配准具体是指,
首先,匹配预处理,使用Sobel算子对高分辨率的航空相片进行边缘提取,边缘提取完成后,进行一次或一次以上的扩散,得到图像边界作为进一步的处理对象;
其次,进行基于手动匹配的粗匹配,先根据控制点选择建议,采用目视观察的方法在待配准的高低分辨率图像上确定6~7组一一对应的控制点,提取其位置坐标,再进行基于手动粗匹配的几何变换,接着进行粗匹配后的插值处理;
最后,采用全自动匹配模式进行精匹配,在高分辨率图像中选择“窗口”区域,在低分辨率图像中选择“搜索”区域,搜索区域依照手动匹配时选取的控制点为基础,自动匹配的结果就是在原来所取点的附近区域中找到最佳匹配点,通过位移在搜索区域内对所有可能的重叠关系进行相关计算,再将搜索区域高分辨率图像通过取平均方法降分辨率至低分辨率,之后在搜索区域内移动窗口,计算两幅图像块间的方差,方差最小的点即为最佳匹配点。
3.根据权利要求2所述的基于上下文关系的多分辨率遥感图像复合分类方法,其特征在于,所述插值处理为双向线性插补法进行内插处理。
4.根据权利要求1所述的基于上下文关系的多分辨率遥感图像复合分类方法,其特征在于,步骤二中根据遥感数据格式选择归一化植被指数特征或者增强型植被指数特征或者纹理特征或者光谱特征作为分类特征。
5.根据权利要求1所述的基于上下文关系的多分辨率遥感图像复合分类方法,其特征在于,步骤二中采用像元级分类器得到的像元类别信息作为序列分类特征。
6.根据权利要求1所述的基于上下文关系的多分辨率遥感图像复合分类方法,其特征在于,步骤三中条件随机场模型是指对光谱特征与类别的关系、以及像元间的上下文关系函数的建模,令G=(S,E)为一个无向图,其中S为图中节点集合,E是S间的无向边集合,输入序列X是一个可以被观察的随机变量序列集合,输出节点值Y是一个能够被模型预测的随机变量集合,输出结点间通过指示依赖关系的无向边所连接,Y={yi|i∈S|},给定X,且如果每个随机变量yi满足其中,S-{i}表示S中除节点i的所有节点集合,Ni为节点i的邻域节点集合,则(X,Y)构成一个条件随机场。
7.根据权利要求1所述的基于上下文关系的多分辨率遥感图像复合分类方法,其特征在于,步骤三中获取条件随机场模型参数的方式为,首先对低分辨率像元所对应的N×N高分辨率像元块的分类结果进行投票,比例最高的类别作为该低分辨率像元的地物类别,生成类别标签;然后生成分类特征序列,与类别标签组成标定样本集;再利用梯度下降法对特征函数权重进行极大似然法参数估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105603346A CN102110227B (zh) | 2010-11-24 | 2010-11-24 | 基于上下文关系的多分辨率遥感图像复合分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105603346A CN102110227B (zh) | 2010-11-24 | 2010-11-24 | 基于上下文关系的多分辨率遥感图像复合分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102110227A CN102110227A (zh) | 2011-06-29 |
CN102110227B true CN102110227B (zh) | 2012-06-06 |
Family
ID=44174381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105603346A Expired - Fee Related CN102110227B (zh) | 2010-11-24 | 2010-11-24 | 基于上下文关系的多分辨率遥感图像复合分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102110227B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103179424B (zh) * | 2013-03-26 | 2015-03-11 | 深圳市掌网立体时代视讯技术有限公司 | 立体图像合成方法及装置 |
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN104331686B (zh) * | 2014-10-28 | 2017-08-08 | 中国农业大学 | 一种土壤地表秸秆覆盖率人工辅助识别*** |
CN104331698B (zh) * | 2014-11-19 | 2017-05-03 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
CN105740891B (zh) * | 2016-01-27 | 2019-10-08 | 北京工业大学 | 基于多层次特征提取和上下文模型的目标检测 |
CN106056128B (zh) * | 2016-04-20 | 2019-03-22 | 北京航空航天大学 | 基于复合图条件随机场的遥感图像分类标注方法 |
CN106373150A (zh) * | 2016-08-15 | 2017-02-01 | 中国农业大学 | 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法 |
CN110035687B (zh) * | 2016-11-30 | 2022-02-11 | 卡普索影像公司 | 对使用胶囊相机所撷取的图像进行图像拼接的方法及装置 |
CN108629788B (zh) * | 2018-05-08 | 2022-03-15 | 苏州大学 | 一种图像边缘检测方法、装置、设备及可读存储介质 |
CN110084203B (zh) * | 2019-04-29 | 2021-03-05 | 北京航空航天大学 | 基于上下文关联的全卷积网络飞机层级检测方法 |
CN110580469B (zh) * | 2019-09-10 | 2022-08-09 | 广州麦仑信息科技有限公司 | 一种基于嵌入式设备的掌脉识别***及方法 |
CN113935928B (zh) * | 2020-07-13 | 2023-04-11 | 四川大学 | 基于Raw格式岩心图像超分辨率重建 |
CN112183209B (zh) * | 2020-08-27 | 2023-12-22 | 中国农业大学 | 一种基于多维特征融合的区域农作物分类方法及*** |
CN113358154A (zh) * | 2021-06-03 | 2021-09-07 | 广东工业大学 | 一种农机设备故障监控溯源***和方法 |
CN117115679B (zh) * | 2023-10-25 | 2024-06-25 | 北京佳格天地科技有限公司 | 一种时空融合遥感影像对筛选方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1282131C (zh) * | 2003-07-24 | 2006-10-25 | 上海交通大学 | 基于不可分离小波框架的图像融合方法 |
CN101777125B (zh) * | 2010-02-03 | 2012-01-11 | 武汉大学 | 一种高分辨率遥感图像复杂类别的监督分类方法 |
-
2010
- 2010-11-24 CN CN2010105603346A patent/CN102110227B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102110227A (zh) | 2011-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102110227B (zh) | 基于上下文关系的多分辨率遥感图像复合分类方法 | |
CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN101551856B (zh) | 基于稀疏最小二乘支撑向量机的sar目标识别方法 | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
CN103839265A (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
CN106226260A (zh) | 一种结合微波和红外遥感影像的土壤水分反演方法 | |
CN102073873B (zh) | 一种基于支持向量机的sar景象匹配区选取方法 | |
Liu et al. | Deep multi-level fusion network for multi-source image pixel-wise classification | |
CN102096826B (zh) | 基于真实似然特征的多分辨率遥感图像复合分类方法 | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN110765912B (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN105447490A (zh) | 基于梯度回归树的车辆关键点检测方法及装置 | |
CN110348437A (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及*** | |
CN113963261B (zh) | 基于多尺度融合的全卷积神经网络耕地提取方法及*** | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN104156943A (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN103366371A (zh) | 基于k分布和纹理特征的sar图像分割方法 | |
CN105069451A (zh) | 一种基于双目摄像头的车牌识别与定位方法 | |
Wang et al. | Recognition of rice seedling rows based on row vector grid classification | |
CN111611960A (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
CN106384352A (zh) | 基于融合策略和fcm的多时相遥感影像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120606 Termination date: 20141124 |
|
EXPY | Termination of patent right or utility model |