CN116843938A - 一种高空间分辨率遥感图像的混合分类方法 - Google Patents
一种高空间分辨率遥感图像的混合分类方法 Download PDFInfo
- Publication number
- CN116843938A CN116843938A CN202310297133.9A CN202310297133A CN116843938A CN 116843938 A CN116843938 A CN 116843938A CN 202310297133 A CN202310297133 A CN 202310297133A CN 116843938 A CN116843938 A CN 116843938A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- classification
- image
- spatial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高空间分辨率遥感图像的混合分类方法,涉及遥感图像处理技术领域,包括如下步骤:利用均值漂移滤波方法对遥感图像进行低通滤波;利用Canny方法获得每一个卫星波段的边缘梯度结果;借助矢量场模型得到了多光谱边缘强度;然后利用分水岭变换对遥感图像进行分割;利用支持向量机方法对遥感影像中的土地覆盖进行逐像素分类;利用投票原理完成基于对象的遥感分类。本发明将图像分割和逐像素分类相结合,完成了高分辨率遥感图像的分类,对高空间分辨率遥感数据分类具有良好的处理效果,有效提高分割区域边界精度。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种高空间分辨率遥感图像的混合分类方法。
背景技术
随着遥感技术的发展,遥感数据的分辨率越来越高,如SPOT、IKONOS、Quickbird、Worldview和Geoeyes等。有些空间分辨率甚至达到0.5米以下;因此,它提供了更多关于地球上土地覆盖的信息,并有可能在较小的尺度上监测土地覆盖。此外,高空间分辨率使得我们可以获得更多的地物结构细节。然而,传统的逐像素分类方法不能满足土地覆盖分类和地物识别的要求。因此,学者们提出了许多新的方法,利用地物的形状、边界和纹理来辅助分类。
在高分辨率遥感图像分析中,最突出的方法是基于对象的图像分析(OBIA)方法。首先,基于光谱、纹理等信息遥将感图像分割成有意义的区域。其次,采用图像分类方法,利用分割结果完成分类。在OBIA方法的应用过程中,关键的一步是图像分割,它决定了基于对象分类的应用效率。图像分割算法是将图像分割成有意义的区域,这些区域的内部对于遥感数据的光谱、纹理和空间特征都是均匀的。图像分割在遥感领域有许多应用,如分水岭变换、区域增长和Markov随机场模型、模糊图像区域等。
分水岭变换是一种基于数学形态学的图像分割方法。分水岭的概念来源于地形,将真实图像中每个像素的灰度值视为物理高程。集水区从地表局部极小点开始浸入水。当来自不同集水区的水汇合时,水坝被建成分水岭。将分水岭变换应用于实际图像时,由于噪声和量化误差的影响,会产生过分割。
发明内容
本发明的目的是为了解决现有技术中存在对高分辨率遥感图像产生过分割以及分割区域边界精度低的缺点,而提出的一种高空间分辨率遥感图像的混合分类方法。该高空间分辨率遥感图像的混合分类方法对高空间分辨率遥感数据分类具有良好的处理效果。
为了实现上述目的,本发明采用了如下技术方案:
设计一种高空间分辨率遥感图像的混合分类方法,具体包括如下步骤:
S1、基于均值漂移滤波方法对遥感图像进行低通滤波,获取低通滤波的卫星波段:波段1、波段2、……波段n,对各滤波段进行均值漂移滤波;
S2、采用Canny边缘检测方法对步骤1中的低通滤波的卫星波段进行边缘增强,获得遥感图像边缘梯度结果:梯度1、梯度2、……梯度n,提取遥感图像的边缘强度;
S3、基于S2的结果,采用矢量场模型进行复合梯度,得到了多光谱边缘强度,获得遥感图像总的边缘强度信息;
S4、利用分水岭变换方法,在遥感图像中采用自动提取内部和外部标记的算法进行图像分割;
S5、采用支持向量机方法对S4分割完成后的遥感影像进行面向像元分类,对遥感影像中的土地覆盖进行逐像素分类,提取建筑物;
S6、利用投票原理,将S4分割和S5分类的结果相结合,通过遍历每一个分割区域中类别占优来判定该区域的类别归属,最终完成面向对象的遥感分类。
进一步的,在S1中,均值漂移滤波方法的平滑过程中,引入空间核和多光谱核,具体为:
设D维空间Rd中n个数据点xi,i=1,2,…,n,用点x中的G(x)计算mG(x)表示的多元均值移位向量,均值漂移的移位为:
其中x是内核的中心,h是内核的带宽;
mh,G(x)是加权均值和以x为中心的核之间的差值,差值为:
G(x)=cg(|x|2) (2)
其中g(|x|2)称为核G(x)的轮廓;c为归一化常数;
空间和多光谱核函数表达式如下所示:
其中hSpec,hs分别为光谱核函数和空间核函数的带宽。
进一步的,采用矢量场模型来获得遥感图像总的边缘强度信息的步骤包括:
S31:给定f(x,y)为图像,Canny边缘检测器表达式为:
S32:设定多光谱图像I,则给定点(x0,y0)处的I值是RN中的N维向量,多光谱图像为矢量场,两点P=(x0,y0)和Q=(x1,y1)处的图像值的差为:
ΔI=I(P)–I(Q) (5)
S33:当P和Q之间的欧几里得距离d(P,Q)趋于零时,该差值为弧元素:
其平方范数为:
S34:允许测量多光谱图像中的变化,在2×2矩阵的特征向量的方向上获得二次形式的极值:
多光谱边缘梯度为:
其中:
步骤34:给定样本标记对的标记训练集(Xi,yi){(x1,y1),...,(xn,yn)},其中yi∈{-1,+1},
是Hilbert空间中的非线性映射,/>
进一步的,在S4中,自动提取内部和外部标记的算法是根据边缘强度,通过自适应寻找阈值来进行标记内部和外部区域。
进一步的,在S6中,支持向量机方法对遥感影像进行面向像元分类的分类工作如下:
其中w和b定义特征空间中的线性分类器,根据Cover定理推导了非线性映射函数表达式,正则化参数C控制分类器的泛化能力,同时它必须由用户选择,并且是能够处理允许的错误的正松弛变量。
本发明提出的一种高空间分辨率遥感图像的混合分类方法,有益效果在于:本发明将图像分割和逐像素分类相结合,完成了高分辨率遥感图像的分类,有效提高分割区域边界精度。具体地:
(1)、使用标记控制分水岭变换进行图像分割,基于多光谱信息,利用Canny边缘检测方法和矢量场模型得到多光谱波段的边缘强度。可有效避免对遥感图像进行分割时容易产生过度分割。
(2)、采用分水岭变换-面向像元分类方法对原始遥感图像进行分类,支持向量机方法比传统的最大似然方法具有更高的分类精度,此外,支持向量机在只有少数训练样本可用的异构类中特别有利,最后,在面向像元分类后,利用投票原则结合高空间分辨率遥感影像的最终分类结果。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的流程图;
图2是本发明关于实施例1中的流程示意图;
图3是本发明实施例1中关于遥感图像的混合分类效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现结合说明书附图,详细说明本发明的结构特点。
参见图1-2,一种高空间分辨率遥感图像的混合分类方法,包括,具体包括如下步骤:
步骤1、获取低通滤波的卫星波段,利用均值漂移滤波方法对遥感图像进行低通滤波。
基于均值漂移滤波方法对遥感图像进行低通滤波,获得保留边缘信息的低通滤波的卫星波段,波段1、波段2、……波段n,对各滤波段进行均值漂移滤波。
均值漂移滤波方法的平滑过程中,引入空间核和多光谱核,具体地:设D维空间Rd中n个数据点xi,i=1,2,…,n,用点x中的G(x)计算mG(x)表示的多元均值移位向量,均值漂移的移位为:
其中x是内核的中心,h是内核的带宽;
mh,G(x)是加权均值和以x为中心的核之间的差值,差值为:
G(x)=cg(|x|2) (14)
其中g(|x|2)称为核G(x)的轮廓;c为归一化常数;
空间和多光谱核函数表达式如下所示:
其中hSpec,hs分别为光谱核函数和空间核函数的带宽。
步骤2、Canny边缘增强,利用Canny方法获得每一个卫星波段的边缘梯度结果。
采用Canny边缘检测方法对步骤1中的卫星波段进行边缘增强,获得每一个卫星波段的边缘梯度结果,梯度1、梯度2、……梯度n,提取遥感图像的边缘强度。
其中,采用矢量场模型来获得遥感图像总的边缘强度信息的步骤包括:
步骤31:给定f(x,y)为图像,Canny边缘检测器表达式为:
步骤32:设定多光谱图像I,则给定点(x0,y0)处的I值是RN中的N维向量,多光谱图像为矢量场,两点P=(x0,y0)和Q=(x1,y1)处的图像值的差为:
ΔI=I(P)–I(Q) (17)
步骤33:当P和Q之间的欧几里得距离d(P,Q)趋于零时,该差值为弧元素:
其平方范数为:
步骤34:允许测量多光谱图像中的变化,在2×2矩阵的特征向量的方向上获得二次形式的极值:
多光谱边缘梯度为:
其中:
步骤34:给定样本标记对的标记训练集(Xi,yi){(x1,y1),...,(xn,yn)},其中yi∈{-1,+1},
是Hilbert空间中的非线性映射,/>
步骤3、矢量场模型进行复合梯度,借助矢量场模型得到了多光谱边缘强度。
基于步骤2的结果,再采用矢量场模型,得到了多光谱边缘强度,获得遥感图像总的边缘强度信息。
步骤4、分水岭分割,在遥感图像中,相邻的两个不同地物可能具有相似的光谱特征。因此,这两个地面物体之间的边缘梯度很小。在以下标记控制的分水岭分割中,像这些边缘特征一样具有弱边缘梯度的像素可以标记为内部区域。然后利用分水岭变换对遥感图像进行分割。
利用分水岭变换方法,在遥感图像中采用自动提取内部和外部标记的算法进行图像分割。其中,自动提取内部和外部标记的算法是根据边缘强度,通过自适应寻找阈值来进行标记内部和外部区域。
步骤5、面向像元分类,提取建筑物,利用支持向量机方法对遥感影像中的土地覆盖进行逐像素分类。
采用支持向量机方法对分割完成后的遥感影像进行面向像元分类,对遥感影像中的土地覆盖进行逐像素分类,提取建筑物。其中,支持向量机方法对遥感影像进行面向像元分类的分类工作如下:
其中w和b定义特征空间中的线性分类器,根据Cover定理推导了非线性映射函数表达式,正则化参数C控制分类器的泛化能力,同时它必须由用户选择,并且是能够处理允许的错误的正松弛变量。
步骤6、投票原理,利用投票原理完成基于对象的遥感分类。
利用投票原理,将步骤4分割和步骤5分类的结果相结合,通过遍历每一个分割区域中类别占优来判定该区域的类别归属,最终完成面向对象的遥感分类。
参见图3,实验结果表明,该高空间分辨率遥感图像的混合分类方法对高空间分辨率遥感数据分类具有良好的处理效果。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种高空间分辨率遥感图像的混合分类方法,包括,其特征在于,具体包括如下步骤:
S1、基于均值漂移滤波方法对遥感图像进行低通滤波,获取低通滤波的卫星波段:波段1、波段2、……波段n,对各滤波段进行均值漂移滤波;
S2、采用Canny边缘检测方法对步骤1中的低通滤波的卫星波段进行边缘增强,获得遥感图像边缘梯度结果:梯度1、梯度2、……梯度n,提取遥感图像的边缘强度;
S3、基于S2的结果,采用矢量场模型进行复合梯度,得到了多光谱边缘强度,获得遥感图像总的边缘强度信息;
S4、利用分水岭变换方法,在遥感图像中采用自动提取内部和外部标记的算法进行图像分割;
S5、采用支持向量机方法对S4分割完成后的遥感影像进行面向像元分类,对遥感影像中的土地覆盖进行逐像素分类,提取建筑物;
S6、利用投票原理,将S4分割和S5分类的结果相结合,通过遍历每一个分割区域中类别占优来判定该区域的类别归属,最终完成面向对象的遥感分类。
2.根据权利要求1所述的一种高空间分辨率遥感图像的混合分类方法,其特征在于,在S1中,均值漂移滤波方法的平滑过程中,引入空间核和多光谱核,具体为:
设D维空间Rd中n个数据点xi,i=1,2,…,n,用点x中的G(x)计算mG(x)表示的多元均值移位向量,均值漂移的移位为:
其中x是内核的中心,h是内核的带宽;
mh,G(x)是加权均值和以x为中心的核之间的差值,差值为:
G(x)=cg(|x|2) (2)
其中g(|x|2)称为核G(x)的轮廓;c为归一化常数;
空间和多光谱核函数表达式如下所示:
其中hSpec,hs分别为光谱核函数和空间核函数的带宽。
3.根据权利要求1所述的一种高空间分辨率遥感图像的混合分类方法,其特征在于,采用矢量场模型来获得遥感图像总的边缘强度信息的步骤包括:
S31:给定f(x,y)为图像,Canny边缘检测器表达式为:
S32:设定多光谱图像I,则给定点(x0,y0)处的I值是RN中的N维向量,多光谱图像为矢量场,两点P=(x0,y0)和Q=(x1,y1)处的图像值的差为:
ΔI=I(P)–I(Q) (5)
S33:当P和Q之间的欧几里得距离d(P,Q)趋于零时,该差值为弧元素:
其平方范数为:
S34:允许测量多光谱图像中的变化,在2×2矩阵的特征向量的方向上获得二次形式的极值:
多光谱边缘梯度为:
其中:
步骤34:给定样本标记对的标记训练集(Xi,yi){(x1,y1),...,(xn,yn)},其中yi∈{-1,+1},
是Hilbert空间中的非线性映射,/>
4.根据权利要求1所述的一种高空间分辨率遥感图像的混合分类方法,其特征在于,在S4中,自动提取内部和外部标记的算法是根据边缘强度,通过自适应寻找阈值来进行标记内部和外部区域。
5.根据权利要求1所述的一种高空间分辨率遥感图像的混合分类方法,其特征在于,在S6中,支持向量机方法对遥感影像进行面向像元分类的分类工作如下:
其中w和b定义特征空间中的线性分类器,根据Cover定理推导了非线性映射函数表达式,正则化参数C控制分类器的泛化能力,同时它必须由用户选择,并且是能够处理允许的错误的正松弛变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297133.9A CN116843938A (zh) | 2023-03-24 | 2023-03-24 | 一种高空间分辨率遥感图像的混合分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297133.9A CN116843938A (zh) | 2023-03-24 | 2023-03-24 | 一种高空间分辨率遥感图像的混合分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843938A true CN116843938A (zh) | 2023-10-03 |
Family
ID=88173141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310297133.9A Pending CN116843938A (zh) | 2023-03-24 | 2023-03-24 | 一种高空间分辨率遥感图像的混合分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843938A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079166A (zh) * | 2023-10-12 | 2023-11-17 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
-
2023
- 2023-03-24 CN CN202310297133.9A patent/CN116843938A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079166A (zh) * | 2023-10-12 | 2023-11-17 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
CN117079166B (zh) * | 2023-10-12 | 2024-02-02 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
Zhao et al. | Superpixel-based multiple local CNN for panchromatic and multispectral image classification | |
CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
Gupta et al. | Object based information extraction from high resolution satellite imagery using eCognition | |
Zhang et al. | Region-of-interest extraction based on saliency analysis of co-occurrence histogram in high spatial resolution remote sensing images | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
CN112529910B (zh) | 一种sar图像快速超像素合并及图像分割方法 | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN106529472B (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
Byun et al. | A multispectral image segmentation approach for object-based image classification of high resolution satellite imagery | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及*** | |
CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及*** | |
Elkhateeb et al. | A novel coarse-to-Fine Sea-land segmentation technique based on Superpixel fuzzy C-means clustering and modified Chan-Vese model | |
CN116843938A (zh) | 一种高空间分辨率遥感图像的混合分类方法 | |
Lu et al. | Incorporating texture into SLIC super-pixels method for high spatial resolution remote sensing image segmentation | |
Ghircoias et al. | Contour lines extraction and reconstruction from topographic maps | |
Xu et al. | The rapid method for road extraction from high-resolution satellite images based on usm algorithm | |
CN107194405B (zh) | 一种交互式半自动高分辨率遥感影像建筑物提取的方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN107862701B (zh) | 基于马尔科夫随机场和混合核函数的遥感图像分割方法 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |