CN102708373A - 融合空间信息及光谱信息的遥感图像的分类方法及装置 - Google Patents

Abstract

本发明涉及一种融合空间信息及光谱信息的遥感图像的分类方法及装置，该方法包括对所述遥感图像分别执行逐像素的支持向量机分类以得到分类图像，和基于区域的图像分割处理以得到分割图像；将所述分类图像和分割图像组合并执行大多数一致表决处理，以得到最终的分类图像。将基于区域的图像分割结果和逐像素的分类结果相结合获得遥感图像的分类结果具有更好的稳健性，计算成本较低，易于执行及不产生尺寸比例的选择问题。解决了传统的融合基于划分聚类(Partitional Clustering)分割的高光谱图像的融合空间及光谱信息分类的不稳健的缺陷。

Description

融合空间信息及光谱信息的遥感图像的分类方法及装置

技术领域

本发明涉及遥感图像的分类方法及装置，更具体地说，涉及一种融合空间信息及光谱信息的遥感图像的分类方法及装置。

背景技术

具有高光谱分辨率的高光谱图像具有广泛的应用领域，例如矿物探测、污染监测、精准农业等。其中分类是高光谱图像的一个非常重要的处理过程。传统的高光谱图像的分类主要是基于光谱信息，而很少考虑空间信息。

普遍使用的融合空间信息及光谱信息的高光谱图像的分类方法包括马尔可夫随机场、形态学指针和形态学滤波。然而这些方法使用固定的窗口得到空间信息，导致了尺寸比例的选择问题。另一个分类方法是将空间信息集成到多核学习方法中，该方法也存在尺寸比例的选择问题，同时该方法的计算成本非常高。再有一种融合空间信息的方法是将逐像素的分类结果和划分聚类(Partitional Clustering)得到的分割的结果融合起来，但这种方法的结果是不稳健的。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种稳健的、可行的、高精度的融合空间信息及光谱信息的遥感图像的分类方法及装置。

本发明解决其技术问题所采用的技术方案是：构造一种融合空间信息及光谱信息的遥感图像的分类方法，其包括以下步骤：

对所述遥感图像分别执行逐像素的支持向量机分类以得到分类图像，和基于区域的图像分割处理以得到分割图像；

将所述分类图像和分割图像组合并执行大多数一致表决处理，以得到最终的分类图像。

在本发明所述的融合空间信息及光谱信息的遥感图像的分类方法中，对所述遥感图像重复执行多次基于区域的图像分割处理后，得到所述分割图像。

在本发明所述的融合空间信息及光谱信息的遥感图像的分类方法中，所述基于区域的图像分割处理为统计区域合并处理。

在本发明所述的融合空间信息及光谱信息的遥感图像的分类方法中，对所述遥感图像重复执行多次统计区域合并处理后，得到所述分割图像。

在本发明所述的融合空间信息及光谱信息的遥感图像的分类方法中，从所述遥感图像中选择三个光谱波段作为所述{R，G，B}颜色信道值，以执行所述统计区域合并处理。

在本发明所述的融合空间信息及光谱信息的遥感图像的分类方法中，通过对所述遥感图像执行主成分变换，选择第一三主成分作为{R，G，B}颜色信道值。

在本发明所述的融合空间信息及光谱信息的遥感图像的分类方法中，基于W分布，随机选择三个光谱波段作为所述{R，G，B}颜色信道值。

在本发明所述的融合空间信息及光谱信息的遥感图像的分类方法中，所述W分布是均匀分布、W_LDA分布或W_熵分布。

在本发明所述的融合空间信息及光谱信息的遥感图像的分类方法中，在执行所述统计区域合并处理之前，对每个选择的光谱波段执行线型对比度拉伸处理。

根据本发明的另一个方面，提供一种融合空间信息及光谱信息的遥感图像的分类装置，其包括：

分类模块，用于对所述遥感图像执行逐像素的支持向量机分类以得到分类图像；

分割模块，用于对所述遥感图像执行基于区域的图像分割处理以得到分割图像；

融合空间信息及光谱信息分类模块，用于将所述分类图像和分割图像组合并执行大多数一致表决处理，以得到光谱空间分类图像。

实施本发明的融合空间信息及光谱信息的遥感图像的分类方法及装置，具有以下有益效果：由于将基于区域的图像分割结果和逐像素的分类结果相结合获得遥感图像的分类结果具有更好的稳健性，计算成本较低，易于执行及不产生尺寸比例的选择间题。解决了基于划分聚类(Partitional Clustering)的融合空间信息及光谱信息的高光谱图像的分类的不稳健的缺陷。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明融合空间信息及光谱信息的遥感图像的分类装置的结构示意图；

图2是本发明融合空间信息及光谱信息的遥感图像的分类方法的流程图；

图3a是执行统计区域合并处理的分割图像的示意图；

图3b是执行逐像素的支持向量机分类的示意图；

图3c是将分割图像和分类图组合后的示意图；

图3d是执行大多数一致表决后最终的分类图的示意图；

图4a是本发明例子1中执行逐像素的支持向量机得到的分类图；

图4b是本发明例子1中将图4a和图5a组合后的融合空间及光谱信息后得到的最终的分类图；

图5a是本发明例子1中将PCA变换应用于SRM的分割图；

图5b是本发明例子1中均匀分布的光谱波段选择应用于SRM处理的分割图；

图5c是本发明例子1中将W_LDA分布的光谱波段选择应用于SRM处理的分割图；

图5d是本发明例子1中将W_熵分布的光谱波段选择应用于SRM处理的分割图；

图6a是本发明例子1中执行200次将均匀分布的光谱波段选择SRM处理并执行大多数一致性表决后的融合空间及光谱信息后得到的最终的分类图；

图6b是本发明例子1中执行200次将W_LDA分布的光谱波段选择SRM处理并执行大多数一致性表决后的融合空间及光谱信息后得到的最终的分类图；

图6c是本发明例子1中执行200次将W_熵分布的光谱波段选择SRM处理并执行大多数一致性表决后的融合空间及光谱信息后得到的最终的分类图；

图7a是本发明例子2中执行逐像素的支持向量机分类得到的分类图；

图7b是本发明例子2中将图4a和图5a组合后的融合空间及光谱信息后得到的最终的分类图；

图8a是本发明例子2中将PCA变换应用于SRM的分割图；

图8b是本发明例子2中均匀分布的光谱波段选择应用于SRM处理的分割图；

图8c是本发明例子2中将W_LDA分布的光谱波段选择应用于SRM处理的分割图；

图8d是本发明例子2中将W_熵分布的光谱波段选择应用于SRM处理的分割图；

图9a是本发明例子2中执行200次将均匀分布的光谱波段选择SRM处理并执行大多数一致性表决后的融合空间及光谱信息后得到的最终的分类图；

图9b是本发明例子2中执行200次将W_LDA分布的光谱波段选择SRM处理并执行大多数一致性表决后的融合空间及光谱信息后得到的最终的分类图；

图9c是本发明例子2中执行200次将W_熵分布的光谱波段选择SRM处理并执行大多数一致性表决后的融合空间及光谱信息后得到的最终的分类图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，在图1是本发明融合空间信息及光谱信息的遥感图像的分类装置中，其主要包括分类模块11、分割模块12和光谱空间分类模块13；其中，分类模块11和分割模块12是对待处理的遥感图像进行第一级处理，该遥感图像可以是高光谱图像或多光谱图像，高光谱图像可以是例如ROSIS、AVIRIS。多光谱图像可以是例如SPOT、MODIS、LANDSET等等。该分类模块11对遥感图像进行第一级分类，也就是对遥感图像执行逐像素的支持向量机分类(pixel-wise support vector machine)以得到分类图像，该分类图像是初次分类图像；同时，分割模块12将分割该遥感图像，也就是对该遥感图像执行基于区域的图像分割处理以得到分割图像；与对遥感图像进行分割聚合处理相比，该分割模块12所得到的分割图像的结果更加稳健。为了使得，该分类模块11和分割模块12能得到更好的处理结果，可在遥感图像输入分类模块11和分割模块12之前进行预处理，该预处理主要为对于遥感图像，去除吸水性和低信噪比的光谱波段。当然也可包括辐射校正和几何校正。可以理解的，为了使得最终的分类结果更稳健，分割模块12可对遥感图像重复执行预设次数的基于区域的图像分割处理，例如可以是100次内的基于区域的图像分割处理，当然也可执行大于100次的基于区域的图像分割处理。

一旦得到初次分类图像和分割图像后，光谱空间分类模块13就可执行光谱空间分类，即光谱空间分类模块13将分类图像和分割图像组合并执行大多数一致表决(majority voting)处理，以得到光谱空间分类图像。

图2示出了本发明融合空间信息及光谱信息的遥感图像的分类方法流程，该方法流程基于图1所示的***结构，具体过程如下：

S21：对遥感图像分别执行逐像素的支持向量机分类以得到分类图像，和基于区域的图像分割处理以得到分割图像；可以理解的，在该步骤中的分割处理和分类处理为平行处理的过程。该遥感图像可以是高光谱图像或多光谱图像，高光谱图像可以是例如ROSIS、AVIRIS。多光谱图像可以是例如SPOT、MODIS、LANDSET等等。为了使得，该分类和分割能得到更好的处理结果，可在遥感图像进行类和分割之前进行预处理，该预处理主要为对于遥感图像，去除吸水性和低信噪比的光谱波段。当然也可包括辐射校正和几何校正。可以理解的，为了使得最终的分类结果更稳健，可对遥感图像重复执行预设次数的基于区域的图像分割处理，例如可以是100次内的基于区域的图像分割处理，当然也可执行大于100次的基于区域的图像分割处理。

优选的，该基于区域的图像分割处理为统计区域合并(SRM，StatisticalRegion Merging)处理。对经预处理的遥感图像重复执行多次统计区域合并处理后，由此可更快速和稳健地得到分割图像。

对于遥感图像，可将其定义为I，由此该遥感图像I可包括|I|像素。该遥感图像I包括{R，G，B}颜色信道值，该{R，G，B}颜色信道值属于集合{0，2...g}，g＝255。将该遥感图像I的最优图像定义为I*。将该遥感图像的颜色信道采样自家族Q，取值范围为[0，g/Q]，并分布在I*的每个像素。由此，Q的值将控制区域的数量，也就是Q的值越大，生成的区域数量越多。

在统计区域合并处理中有两点很重要，即合并条件和合并阶数。

合并条件为：

$P(R,R^{\′})=\left\{\begin{array}{c}\mathrm{trueif}\∀a\∈\{R,G,B\},|\stackrel{\‾}{R}-{\stackrel{\‾}{R}}^{\′}|\≤b(R,R^{\′})\\ \mathrm{falseotherwise}\end{array}\right.$

其中， $b(R,R^{\′})=g\sqrt{\frac{1}{2Q}(\frac{1}{\left|R\right|}+\frac{1}{\left|R^{\′}\right|})\ln \frac{2}{\mathrm{\δ}}}$

R和R′表示该遥感图像I的一组固定值，如果P(R，R′)＝true，合并R和R′。

合并阶数为：

选择函数f对分类该遥感图像I中的像素对。可将函数f选择为：

f_a(p，p′)＝|p_a-p_a′|

其中，p_a和p_a′为像素信道值。

为了改善统计区域合并处理的分割结果，本发明从遥感图像中选择三个光谱波段例如高光谱波段作为{R，G，B}颜色信道值，以执行统计区域合并处理。在一优选实施例中，通过对遥感图像执行主成分分析(PCA，principlecomponent analysis)变换，选择第一三主成分(first three principle component)作为该{R，G，B}颜色信道值。该选择方法是静态的，其选择了三个预定的光谱波段。在另一优选实施例中，基于W分布，随机选择三个光谱波段作为{R，G，B}颜色信道值，该类选择方法为动态方法。具体处理时，该W分布是均匀分布、W_LDA分布或W_熵分布。

在采用均匀分布时，原始的遥感图像的光谱波段的权重是均等的。基于均匀分布，随机选择三个光谱波段作为{R，G，B}颜色信道值，以执行统计区域合并。在采用W_LDA分布时，原始的遥感图像的光谱波段的权重是非均等的。可采用文献Martinez，A.M.and A.C.Kak，PCA versus LDA.IEEE Transactions onPattern Analysis and Machine Intelligence，2001.23(2)：p.228-233.公开的FisherLDA为每个光谱波段分配权重。通过下述公式计算每个光谱波段的权重：

$f_{W_{\mathrm{LDA}}}\left(j\right)=\frac{J_j}{\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{J}_k},$ $J_j=\mathrm{tr}\left(S_w^{-1}{S}_b\right),$ j＝1，2，...，p.

其中，J_j定义为第j个光谱波段的组间-组内距离。

当采用W_熵分布时，使用熵为每个光谱波段分配权重。熵是随机统计测量，其可用于表征输入图像的结构。通过下述公式计算每个光谱波段的熵：

$H_j=-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(x_{\mathrm{ji}}\right){\mathrm{lob}}_{b}p\left(x_{\mathrm{ji}}\right)$

通过下述公式计算每个光谱波段的权重：

$f_{W_{\mathrm{Entropy}}}\left(j\right)=\frac{H_j}{\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{H}_k},$ $H_j=-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(x_{\mathrm{ji}}\right){\log }_{b}p\left(x_{\mathrm{ji}}\right),$ j＝1，2，...，p.

H_j定义为第j个光谱波段的熵。

为了提高图像的处理质量，在执行统计区域合并处理之前，对每个选择的光谱波段执行线性对比度拉伸处理。采用动态光谱波段选择比采用静态的PCA变换得到更好的处理结果。

S22：一旦得到初次分类图像和分割图像后，就可执行光谱空间分类，即将分类图像和分割图像组合并执行大多数一致表决(majority voting)处理，以得到融合空间及光谱信息的分类图像。

在一优选实施例中，图3a是执行统计区域合并处理的分割图像，图3b是执行逐像素的支持向量机分类的分类图，图3c是将分割图像和分类图组合后的示意图，图3d是执行大多数一致表决后最终的最终分类结果图。

例子1

在该例子中使用ROSIS-03光学传感器所记录的帕维亚大学的图像，该图像示出帕维亚大学周围的区域。该图像每个像素具有1.3m的空间分辨率。ROSIS-03传感器的数量是115，光谱覆盖范围为0.43～0.86um。经过预处理，去除12个最大的噪音信道。该例子选择9类，定义为：：C1、C2、C3、C4、C5、C6、C7、C8和C9。如下表1为SRM处理应用了不同的光谱波段选择方法的分类的精度百分比：

表1

表1示出了不同类别的训练和测试样本的数量。在该例子中，使用LIBSVM工具箱执行SVM分类。使用高斯半径基础功能(RBF)核，并通过5重交叉验证，确定优化参数C和γ，得到C＝128，γ＝0.125。如图4a为执行逐像素的支持向量机分类得到的分类图。

接着执行SRM处理，优选的在该例子中重复执行200次SRM，2％的线性对比度拉伸应用于{R，G，B}信道以提高图像质量，在该例子中，SRM处理中参数Q的值设置为1024。图5a是将PCA变换应用于SRM的分割图，图5b是均匀分布的光谱波段选择应用于SRM处理的分割图，图5c是将W_LDA分布的光谱波段选择应用于SRM处理的分割图，图5d是将W_熵分布的光谱波段选择应用于SRM处理的分割图。图4b是将图4a和图5a组合后的光谱空间分类图。表1示出仅使用SVM分类的精度百分比及使用本发明的SRM处理应用各种光谱波段选择后的分类的精度百分比。同时，通过对比图5b和图5a的分类结果，图5b的分类图提供了更好一致性的区域。如下表2所示该例子中将动态选择光谱波段应用于SRM处理后的分割图与逐像素的分类图相结合的分类图的总体精度(OA)和kappa系数(κ)的稳健性：

表2

图6a示出执行200次将均匀分布的光谱波段选择SRM处理并执行大多数一致性表决后的光谱空间分类图，图6b示出执行200次将W_LDA分布的光谱波段选择SRM处理并执行大多数一致性表决后的光谱空间分类图，图6c示出执行200次将W_熵分布的光谱波段选择SRM处理并执行大多数一致性表决后的光谱空间分类图。图6a～6c的光谱空间分类结果比仅使用逐像素的支持向量机的分类图具有更好的一致性。

如下表3为例子1中仅使用逐像素的支持向量机分类和本发明的执行200次将静态和动态光谱波段选择应用于SRM处理后的分割图与逐像素的支持向量机分类的分类图相组合后再执行大多数一致性表决后的最终的分类的总体精度(OA)和kappa系数(κ)的结果：

表3

从表3可以看出本发明的方法可将OA提高6％～9％，kappa系数提高7％～11％。其中，当采用W_熵分布时，精确最高，OA提高9％，kappa系数提高11％。

例子2

从https://engineering.purdue.edu/～biehl/MultiSpec/hyperspectral.html.下载印第安纳州高光谱图像数据，该印第安纳州高光谱图像数据是1992年6月12日通过AVIRIS获取的。该印第安纳州高光谱图像数据由220波段组成，每个波段为145×145像素大小。预处理去除20个具有吸水性的光谱波段，剩下200个光谱波段。原始的地面真实数据中具有16类，在预处理中，去除由于大小不符合要求的4类，最后剩下12类，定义为：C1、C2、C3、C4、C5、C6、C7、C8、C9、C10、C11和C12。在真实地面数据中随机选择大约30％的样本用作训练样本

如下表4为SRM处理应用了不同的光谱波段选择方法的分类的精度百分比：

表4

在该例子中使用高斯半径基础功能(RBF)核。通过5重交叉验证确定优选参数C和γ，得到C＝512，γ＝0.0078。如图7a为执行逐像素的支持向量机分类得到的分类图。

接着执行SRM处理，优选的在该例子中重复执行200次SRM，2％的线性对比度拉伸(即对每个选择的光谱波段执行线性对比度拉伸处理)应用于{R，G，B}信道以提高图像质量，在该例子中，SRM处理中参数Q的值设置为8192。图8a是将PCA变换应用于SRM的分割图，图8b是均匀分布的光谱波段选择应用于SRM处理的分割图，图8c是将W_LDA分布的光谱波段选择应用于SRM处理的分割图，图8d是将W_熵分布的光谱波段选择应用于SRM处理的分割图。图6b是将图7a和图8a组合后的分类图。表4示出仅使用SVM分类的精度百分比及使用本发明的SRM处理应用各种光谱波段选择后的分类的精度百分比。同时，通过对比图7b和图7a的分类结果，图7b的分类图提供了更好一致性的区域。如下表5所示该例子中将动态选择光谱波段应用于SRM处理后的分割图与逐像素的分类图相结合的分类图的总体精度(OA)和kappa系数(κ)的稳健性：

表5

图9a示出执行200次将均匀分布的光谱波段选择SRM处理并执行大多数一致性表决后的光谱空间分类图，图9b示出执行200次将W_LDA分布的光谱波段选择SRM处理并执行大多数一致性表决后的光谱空间分类图，图9c示出执行200次将W_熵分布的光谱波段选择SRM处理并执行大多数一致性表决后的光谱空间分类图。图9a～9c的光谱空间分类结果比仅使用逐像素的支持向量机的分类图具有更好的一致性。

如下表3为例子2中仅使用逐像素的支持向量机分类和本发明的执行200次将静态和动态光谱波段选择应用于SRM处理后的分割图与逐像素的支持向量机分类的分类图相组合后再执行大多数一致性表决后的光谱空间分类的总体精度(OA)和kappa系数(κ)的结果：

表6

从表6可以看出本发明的方法可将OA提高5％～10％，kappa系数提高5％～11％。其中，当采用W均匀分布时，精确最高，OA提高9.95％，kappa系数提高11.42％。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，包括以下步骤：

对所述遥感图像分别执行逐像素的支持向量机分类以得到分类图像，和基于区域的图像分割处理以得到分割图像；

将所述分类图像和分割图像组合并执行大多数一致表决处理，以得到最终的分类图像。

2.根据权利要求1所述的融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，对所述遥感图像重复执行多次基于区域的图像分割处理后，得到所述分割图像。

3.根据权利要求1所述的融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，所述基于区域的图像分割处理为统计区域合并处理。

4.根据权利要求3所述的融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，对所述遥感图像重复执行多次统计区域合并处理后，得到所述分割图像。

5.根据权利要求3所述的融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，从所述遥感图像中选择三个光谱波段作为{R，G，B}颜色信道值，以执行所述统计区域合并处理。

6.根据权利要求5所述的融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，通过对所述遥感图像执行主成分分析变换，选择第一三主成分作为所述{R，G，B}颜色信道值。

7.根据权利要求5所述的融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，基于W分布，随机选择三个光谱波段作为所述{R，G，B}颜色信道值。

8.根据权利要求7所述的融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，所述W分布是均匀分布、W_LDA分布或W_熵分布。

9.根据权利要求5所述的融合空间信息及光谱信息的遥感图像的分类方法，其特征在于，在执行所述统计区域合并处理之前，对每个选择的光谱波段执行线型对比度拉伸处理。

10.一种融合空间信息及光谱信息的遥感图像的分类装置，其特征在于，包括：

分类模块，用于对所述遥感图像执行逐像素的支持向量机分类以得到分类图像；

分割模块，用于对所述遥感图像执行基于区域的图像分割处理以得到分割图像；

融合空间信息及光谱信息的分类模块，用于将所述分类图像和分割图像组合并执行大多数一致表决处理，以得到最终的分类图像。

Images