一種遙感圖像分類方法技術

一種遙感圖像分類方法，其步驟為：①在參考遙感圖像上，分別在不同類型的區域中，截取小圖作為訓練樣本；②設計加博（Ｇａｂｏｒ）濾波器，將頻率域分解至不同的尺度與角度，對訓練樣本進行濾波，得到濾波圖像集合；③計算每個訓練樣本在不同尺度下的排序直方譜特征向量；④通過對訓練樣本進行聚類，得到最佳分類尺度；⑤將待分類遙感圖像分成子塊，使用④中得到的尺度，計算子塊的排序直方譜特征向量；⑥使用分類器依次對子塊進行分類，最終得到待分類遙感圖像的分類結果。本發明專利技術能對遙感圖像有效分類，操作簡便，分類效率高。

【技術實現步驟摘要】

本專利技術屬于遙感圖像分類
，具體涉及一種利用排序直方譜特征對遙感圖像進行分類的方法。
技術介紹
遙感圖像是按一定的比例尺，客觀真實地記錄和反映地表物體的電磁輻射的強弱信息，是遙感探測所獲得的遙感信息資料的一種表現形式。所以遙感技術的核心問題是根據地物輻射電磁輻射強弱在遙感圖像上表現的特征，判讀識別地面物體的類屬及其分布特征。在遙感圖像技術的研究中，無論是專業信息提取，運動變化預測，還是專題地圖制作和遙感數據庫的建立等都離不開分類，對照地面地物類型，便可以從圖像上地物的識別。隨著近年來計算機技術的飛速發展，計算機識別分類成了遙感技術應用的一個重要組成部分。遙感圖像數據類別多，合混度大，如何解決多類別分類識別并滿足一定的分類精度，是當前遙感圖像研究中的一個關鍵問題，也是人們關注的焦點。在目前的遙感圖像分類應用中，用的較多的方法有共生矩陣，行程長度，加博(Gabor)的一階二階矩。其中，共生矩陣和行程長度由于只對圖像在空間域的特性進行分析，而Gabor的一階二階矩的統計量過分簡單，所以分類能力都非常有限。
技術實現思路
本專利技術的目的在于，提供，該方法能達到分類的高準確率。本專利技術按照以下步驟完成(1)在參考遙感圖像上截取若干小塊作為訓練樣本；(2)設計加博(Gabor)濾波器組，將頻率域分解至S個尺度和T個角度，使用濾波器組對所有訓練樣本進行濾波，得到訓練樣本的濾波圖像集合，記為P；(3)從P中提取基于不同尺度的濾波圖像集合，通過分別計算該集合中濾波圖像最小值和最大值的平均值，得到該集合對應的直方圖統計范圍(l＝1，2，...，S)，將該范圍平均分成小區間，得到相應的直方圖區間劃分方式(z＝1，2，...，c)其中，range=Qmax(l)-Qmin(l)c,]]>c為區間個數；(4)按照以下步驟提取每個訓練樣本基于不同尺度的排序直方譜特征向量(4.1)從P中提取一個訓練樣本基于某尺度的濾波圖像集合，根據基于該尺度的濾波圖像集合的直方圖區間劃分方式，得到其對應的直方圖集合和特征值集合；(4.2)對直方圖集合里的元素按照特征值集合里對應元素的值的大小進行排序，得到訓練樣本基于該尺度的排序直方譜特征向量；(4.3)按照步驟(4.1)-(4.2)的方式，遍歷所有訓練樣本和尺度，得到每個訓練樣本基于不同尺度的排序直方譜特征向量；(5)使用χ2統計距離，根據步驟(4)得到的排序直方譜特征向量對訓練樣本進行聚類，得到最佳分類尺度；(6)將待分類圖像分成小塊，按照步驟(4.1)-(4.2)的方式計算每個小塊基于最佳分類尺度的排序直方譜特征向量；根據排序直方譜特征向量，使用分類器依次對小塊分類并標記，最終得到整幅圖像的分類結果。本專利技術同時對空間域和頻率域進行分析，能夠獲取更多有助于分類的圖像紋理信息；計算排序直方譜特征向量，并將其作為本專利技術所需統計量，使得分類結果更為精確。附圖說明圖1為本專利技術的總體流程圖；圖2為提取每個訓練樣本基于不同尺度的排序直方譜特征向量流程圖；圖3為提取訓練樣本基于不同尺度的排序直方譜特征向量的示例圖 其中，圖3a為農田訓練樣本；圖3b為該訓練樣本在第4個尺度下的6個直方圖；圖3c為該訓練樣本在第4個尺度下的排序直方譜；圖4為本專利技術對待分類圖像分類的流程圖；圖5為本專利技術關于遙感大圖子塊劃分方式的示意圖；圖6為本專利技術與一般方法的分類準確率比較圖。具體實施例方式下面結合附圖和實施例對本專利技術做詳細說明。(1)截取訓練樣本。假定待分類遙感圖像有M類區域需要劃分。在參考遙感圖像上，分別在每個類型所屬區域中截取若干小圖作為訓練樣本，令第m類事物的第n個訓練樣本為Imn。要求每一類的訓練樣本能夠體現該類區域的所有基本特征。從理論上說，各訓練樣本大小可以不相同，但是為了編制程序的方便和達到更穩定的分類效果，本專利技術建議使用大小相同的小圖，本專利技術取小圖大小為50像素*50像素。(2)使用加博(Gabor)濾波器組得到濾波圖像集合。(2.1)設計Gabor濾波器組。濾波器組的設計必須滿足設計的濾波器組能夠覆蓋頻率域。設計將頻率域分解至S個尺度和T個角度的Gabor濾波器組，則該濾波器組一共有S*T個濾波器，令第l個尺度，第r個角度的Gabor濾波器為Glr。一般采用4個尺度和6個角度。例如，采用4個尺度，其對應的中心頻率分別為0.05，0.1，0.2和0.4，6個角度分別為0，30，60，90，120，150度，一共24個濾波器。(2.2)得到訓練樣本的濾波圖像集合。對應于每一個訓練樣本和每一個濾波器，可以得到一幅濾波圖像。例如，對于訓練樣本Imn和濾波器Glr，通過卷積運算，得到濾波后的圖像Fm,nl,r=con(Inm*Glr).]]>利用Gabor濾波器組對所有訓練樣本進行濾波，得到包括A*S*T(A為訓練樣本總數)幅濾波圖像的濾波圖像集合，記為P。(3)獲取基于不同尺度的濾波圖像集合，計算其對應的直方圖區間劃分方式。通過不同尺度的Gabor濾波器，可以得到差異很大的濾波圖像。一幅濾波圖像的區間分布就叫做這幅濾波圖像的直方圖，任何一幅圖像通過一組濾波器，都可以得到一組濾波圖像，以及相應的一組直方圖。從P中提取基于不同尺度的濾波圖像集合，對每個集合中的濾波圖像采用相同的統計區間計算直方圖，步驟如下(3.1)確定基于不同尺度的濾波圖像集合的直方圖統計范圍。令Qmin(l)=1A*QΣm=1Σn=1Σr=1min(Fm,nl,r),]]>Qmax(l)=1A*QΣm=1Σn=1Σr=1max(Fm,nl,r),]]>(l＝1，2，...，S)為基于第l個尺度的濾波圖像集合的直方圖統計范圍。(3.2)確定基于不同尺度的濾波圖像集合的直方圖統計區間。將步驟(3.1)得到的直方圖統計范圍均勻分成c個區間(一般取c為10)，則第l個尺度對應的直方譜區間長度range=Qmax(l)-Qmin(l)c,]]>其第z個直方譜統計區間是(z＝1，2，...，c)。(4)提取每個訓練樣本基于不同尺度的排序直方譜特征向量。訓練樣本Imn在第l個尺度下提取排序直方譜特征向量，按照以下步驟完成(4.1)計算訓練樣本Imn基于第l個尺度的濾波圖像直方圖集合。定義濾波圖像Fm，nl，r的直方圖為Hm,nl,r=(Hm,nl,r(1),Hm,nl,r(2),...,Hm,nl,r(c)),]]>其中Hm,nl,r(z)=sum(Qmin(l)+range*(z-1)<Fm,nl,r(x,y)<Qmin(l)+range*z)(z=1,2,...,c).]]>同時，定義Um,nl,r=max{Hm,nl,r(z),z=1,2...,c}]]>為Hm，nl，r的特征值。訓練樣本Imn通過第l個尺度下不同角度的濾波器濾波后，可以得到T幅濾波圖像的集合為{Fm，nl，1，Fm，nl，2，...，Fm，nl，T}，這些濾波圖像相應的直方圖的集合為{Hm，nl，1，Hm，nl，2，...，Hm，nl，T}，對應的特征值的集合為{Um，nl，1，Um本文檔來自技高網...

【技術保護點】
一種遙感圖像分類方法，其特征是，該方法包括以下步驟：（１）在參考遙感圖像上截取若干小塊作為訓練樣本；（２）設計加博（Ｇａｂｏｒ）濾波器組，將頻率域分解至Ｓ個尺度和Ｔ個角度，使用濾波器組對所有訓練樣本進行濾波，得到訓練樣本的濾波圖像集合，記為Ｐ；（３）從Ｐ中提取基于不同尺度的濾波圖像集合，通過分別計算該集合中濾波圖像最小值和最大值的平均值，得到該集合對應的直方圖統計范圍［Ｑ↓［ｍｉｎ］（ｌ），Ｑ↓［ｍａｘ］（ｌ）］（ｌ＝１，２，…，Ｓ），將該范圍平均分成小區間，得到相應的直方圖區間劃分方式：［Ｑ↓［ｍｉｎ］（ｌ）＋ｒａｎｇｅ＊（ｚ－１），Ｑ↓［ｍｉｎ］（ｌ）＋ｒａｎｇｅ＊ｚ］（ｚ＝１，２，…，ｃ）其中，＊＊＊，ｃ為區間個數；（４）按照以下步驟提取每個訓練樣本基于不同尺度的排序直方譜特征向量：（４．１）從Ｐ中提取一個訓練樣本基于某尺度的濾波圖像集合，根據基于該尺度的濾波圖像集合的直方圖區間劃分方式，得到其對應的直方圖集合和特征值集合；（４．２）對直方圖集合里的元素按照特征值集合里對應元素的值的大小進行排序，得到訓練樣本基于該尺度的排序直方譜特征向量；（４．３）按照步驟（４．１）－（４．２）的方式，遍歷所有訓練樣本和尺度，得到每個訓練樣本基于不同尺度的排序直方譜特征向量；（５）使用χ↑［２］統計距離，根據步驟（４）得到的排序直方譜特征向量對訓練樣本進行聚類，得到最佳分類尺度；（６）將待分類圖像分成小塊，按照步驟（４．１）－（４．２）的方式計算每個小塊基于最佳分類尺度的排序直方譜特征向量；根據排序直方譜特征向量，使用分類器依次對小塊分類并標記，最終得到整幅圖像的分類結果。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：曹治國，范繹，卓問，肖陽，
申請(專利權)人：華中科技大學，
類型：發明
國別省市：83[中國|武漢]