本發明專利技術提出了一種基于多敏感性策略的遙感影像層次分類識別方法，它是一種自頂向下、逐步求精的層次分類方法。首先利用敏感性分析對地物波譜曲線進行分析，選出特征波段，分別組成特征波段組，選用第一個波段特征組；通過聚類將光譜相近的像元聚在一起，實現對整幅影像的粗略劃分(初步分類)；然后以每個聚類簇作為新的分類對象，選用新的特征波段組合，新的特征，在每個聚類簇中展開進一步的細分(監督分類)；如果對結果不滿意，重復上述過程；最后對所有類別進行調整和合并得到最終的分類結果。該方法能夠在分類中克服光譜差異性較大的類別(主導地物類別)對光譜差異小的類別的掩蓋作用，有效的避免了“同物異譜”和“異物同譜”的現象，實現對地物的精細分類，可以顯著提高分類識別精度。
【技術實現步驟摘要】
本專利技術屬于遙感分類識別領域，是。
技術介紹
:遙感影像分類是利用計算機通過對影像中不同地物的空間信息和光譜信息進行分析，選擇特征，并將特征空間劃分為互不重疊的子空間，然后將影像中各個像元劃歸到子空間去(參考對比文件1，2)。遙感影像分類方法一般分為監督分類和非監督分類兩種。監督分類(識別是在其基礎上添加類屬信息)是根據已知訓練區提供的樣本，計算機通過對訓練區的“學習”，得到每個訓練區數據的特征參數，建立判別函數，據此樣本類別的特征來識別其它像元的歸屬類別；其常用主要方法有:最大似然分類、判別分析、最近鄰分類、最小距離分類、平行多面體分類法、人工神經網絡分類以及支持向量機分類、決策樹等。非監督分類是根據同類地物的光譜相似性，利用聚類的方法，使得同一類別的像素之間的距離盡可能小，而不同類別的像素之間的距離盡可能大，達到分類的目的，最后對已分出的各個類別的實際屬性進行確認；其常用方法主要有:系統聚類、K-means聚類、IS0DATA以及模糊C均值聚類等各種聚類分析方法(參考對比文件3，4)。但是傳統的監督分類與非監督分類各自存在著無法避免的“硬傷”，非監督分類自動化程度高，但初始化條件、全局最優分類中心和類別個數難以確定、很難融合領域(地學)專家知識；傳統的監督分類人為主觀因素較大、訓練樣本的選取和評估花費較大、只能識別訓練樣本中所定義的類別，并且領域知識考慮很局限(參考對比文件5，6)，層次分析、決策樹等分析方法也只是策略比較單調的分類方法，對于影像的分類尤其是高(時相、空間、光譜)分辨率影像的分類識別精度很有限。地物的反射波譜曲線是研究地面物體反射率隨波長的變化規律，同一物體的波譜曲線反映出不同波段的不同反射率，將此與遙感傳感器的對應波段接收的輻射數據相對照，可以得到遙感數據與對應地物的識別規律。盡管領域專家非常注意地物波譜的特性，但是在實際分類識別中，由于 影像“同物異譜”和“異物同譜”等原因導致現有的各種方法難以有效進行分類識別；經過我們仔細觀察發現，不同地物的波譜特征在不同的波段總能找到可識別的特征波譜或特征信息(圖1)，如圖1所示，可以在520nm波段將卵礫類土區分出來，在1600nm波段將粘性土和砂類土區分出來，在2100nm波段將黃土區分出來。顯然，通過基于對多源影像數據和波譜數據特征的敏感性分析(Sensitivity Analysis,是一種定量描述模型輸入變量對輸出變量的重要性程度的方法)(對比文件7)，就可以在多源影像數據和大量地物類型的波譜曲線中找出能夠區分它們的特征波段和特征信息。本專利技術提出了，它是一種自頂向下、逐步求精的層次分類方法，各層次分類的數據源可以是不同來源的影像數據(比如多種衛星數據等)，并且各層次分類識別的數據特征信息可以是不同的(即不同分類階段使用不同的數據特征)。能夠在分類中克服光譜差異性較大的類別(主導地物類別)對光譜差異小的類別的掩蓋作用，有效的避免了 “同物異譜”和“異物同譜”的現象(尤其是對于高光譜影像和高空間分辨率影像)，實現對地物的精細分類，可以顯著提高分類識別精度。對比文件1:趙春霞，錢樂祥.遙感影像監督分類與非監督分類的比較.河南大學學報(自然科學版).2004，34 (3):90-93對比文本2:1.Thomas, V.Benning, N.Ching, Classification of remotelysensed images, Adam Hilger, Bristol,1987.對比文件3:Τ.M.Lillesand and R.ff.Kiefer, Remote Sensing and ImageInterpretation, Wiley,4th edition,1999.對比文件4:陳姝，居為民.遙感影像分類方法及研究進展.河北農業科學.2009，13(1):143-146對比文件5:楊鑫.淺談遙感圖像監督分類與非監督分類.四川地質學報.2008，28(3):251-254對比文件6:Qian Yin, Ping Guo, “Multispectral Remote Sensing ImageClassification with Multiple Features，，， Proceedings of the Sixth InternationalConference on Machine Learning and Cybernetics, pp.360-365,2007.對比文件7:YU Xian-Chuan, DAI Sha, HU Dan, JIANG Q1-Yu, HHFNN based onLasso Function and its application in remote sensing image classification,Chinese Journal Geophysics,2011,54(6):590-598
技術實現思路
:提出了，體現在:(1)分類識別過程具有多層次性；(2)使用的信息具有多元化:多源(波譜曲線數據，多平臺影像數據)、多波段、多特征(像素值、紋理等特征信息)。具體步驟如下:(1)首先對影像進行拉伸與增強，利用敏感性分析，找出特征差異最大的幾個特征波段(可以是不同來源、不同分辨率的遙感影像)，分別組成特征波段組(一般取2-3就可以)；(2)選擇第一組波段，通過聚類分析(可以是選擇不同的聚類方法)將光譜相近的像元聚在一起，實現對整幅影像的粗略劃分(初步分類)；(3)對得到的分類結果，選擇新的波段組(如第二波段組或原先的波段組)和新的特征信息(如紋理等)，以每個聚類簇作為新的分類對象，在每個聚類簇中展開進一步的細分(監督分類)；(4)如結果不滿意，繼續步驟(3) ；(5)最后對所有類別進行調整和合并得到最終的分類結果，一般兩次即能得到理想結果。其中基于多敏感性策略的遙感影像層次分類識別方法分為以下五個階段:具體算法描述如下:I)波段敏感性分析與組合:首先影像拉伸與增強，然后對遙感影像地物波譜曲線進行敏感性分析，選出能夠區分地物類別的特征波段，組成特征波段組。2)選擇第一組特征波段組，對影像進行聚類，通過聚類將光譜相似(差異性小)的像元劃分在同一聚類簇中，實現了對整幅影像的初步分類。3)在聚類簇的范圍之內展開進一步的精細分類，選擇新的特征波段組和新的特征信息，根據聚類簇中的地物信息，將聚類簇細分為多個子類，然后為子類選擇相應的樣本并進行監督分類，得到該聚類簇的細分(二級分類)結果。由于同一聚類簇中的像元具有較高的相似性，在聚類簇內部進行監督分類能夠有效的避免差異性較大的像元(其他聚類簇中像元)在分類中的干擾和影響，能夠容易實現光譜差異小的像元的區分。4)如果對結果不滿意,返回步驟3)。5)對二級分類結果進行類別顏色的調整和適當的合并操作，得到最終的分類結果O本專利技術提出的基于多敏感性策略的遙感影像層次分類識別方法是一種能夠保證較高分類精度和執行效率的遙感影像分類方法。該方法綜合發揮了無監督分類和監督分類兩種分類方法的優勢，利用敏感性分析對地物波譜曲線進行分析，能有效地選出特征波段，利用多特征波段，有效地將多種地物進行區分，能夠在分類中克服光譜差異性較大的類別(主導地物類別)對光譜差異本文檔來自技高網...
【技術保護點】
一種基于多敏感性策略的遙感影像層次分類識別方法。其特征在于：本方法依次包括波段敏感性分析與組合、影像多策略多層次分類、分類后處理三個過程。
【技術特征摘要】
1.一種基于多敏感性策略的遙感影像層次分類識別方法。其特征在于:本方法依次包括波段敏感性分析與組合、影像多策略多層次分類、分類后處理三個過程。2.按權利要求1所述的一種基于多敏感性策略的遙感影像層次分類識別方法，其中基于波段敏感性分析與組合的特征在于:對遙感影像中的地物波譜曲線進行敏感性分析，找出能夠區分地物的特征波段，然后組成特征波段組(一般是2-3組)，為后續的分類做準備。3.按權利要求1所述的一種基于多敏感性策略的遙感影像層次分類識別方法，其中基于影像多策略多層次分...
【專利技術屬性】
技術研發人員：余先川，周鑫，安衛杰，
申請(專利權)人：北京師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。