一种高分辨率遥感图像复杂类别的监督分类方法技术

本发明专利技术涉及遥感图像处理技术领域，尤其涉及一种高分辨率遥感图像复杂类别的监督分类方法。本发明专利技术通过对高分辨率遥感图像提取局部特征和使用局部特征矢量集代表图像，更详细地、准确地描述了图像内容，避免了使用全局特征时，各种类别的特征信息混杂在一起；通过多维金字塔表达将局部特征矢量集转化为一个表达矢量，使得默认输入是矢量的监督分类方法得以应用；多维金字塔表达方法在局部特征是高维特征时，仍保证较高的计算效率和分类精度；在获得多维金字塔表达矢量的基础上，通过ＡｄａＢｏｏｓｔ挑选区分力强的少数维用于构建强分类器，避免了无关信息对分类精度的影响。本发明专利技术计算效率高，适用于高分辨率遥感图像，可有效提高高分辨率遥感图像复杂类别的分类精度。

【技术实现步骤摘要】

本专利技术涉及遥感图像处理
，尤其涉及一种高分辨率遥感图像复杂类别的监督分类方法。
技术介绍
针对遥感图像的监督分类一般流程是首先取得各类别的遥感图像样本，提取样 本的特征，根据样本信息和类别的先验知识确定判别函数(即分类器)；然后对待分类的遥 感图像提取-同样特征，代入分类器得到类别输出。特征的提取和选择，以及分类算法的选 取是影响分类精度的关键。 从遥感图像可以提取许多底层特征，常见的有基于图像灰度值的统计特征，边 缘特征，纹理特征和形状特征等。随着遥感图像分辨率的不断提高，细节和结构的复杂性 与随机性愈加明显，原来具有"特征一致性"的简单类别可能会变成"特征不一致"的复 杂类别。这会使基于底层特征的分类算法精度降低。在计算机视觉和模式识别领域，针 对高分辨率的光学图像分类，流行的趋势是先使用检测算子找到图像的关键区域，然后在 关键区域上计算局部特征，得到局部特征矢量集合并通过描述模型对图像进行描述，最后 进行分类识别。这个方法在高分辨率遥感图像中也同样适用。但是，很多传统的机器学 习方法不能直接利用局部特征矢量集合作为输入，因为这些机器学习方法默认的输入都 是特征矢量。为了解决这个问题，需要对局部特征矢量集合进行再表达，将其映射为一个 矢量，以利于传统机器学习方法使用。常用的将局部特征矢量集合表达成矢量的方法有 bag-of-features (B0F)和金字塔表达。 B0F事先通过对局部特征矢量集合聚类(如使用k-means)建立特征原型库，然后 用特征原型在图像中出现的概率构成的矢量表达图像，如何自动确定最佳的聚类中心数是 B0F有待解决的问题。 参考美国专利US2007/0217676中公开的金字塔表达方法，通过直接划分特征空 间获取特征原型库，回避了聚类问题，并且金字塔表达对特征空间由细到粗的进行多层划 分(每次划分对应于金字塔的一层)较细致的刻画了特征矢量在特征空间的分布。但是金 字塔表达存在两个缺点(1)金字塔表达矢量长度(即维数)与局部特征维数呈指数关系， 与金字塔的层数呈线性关系。在使用高维局部特征情况下，其表达效率不可接受；(2)由于 高维局部特征矢量往往只是聚集在特征空间的某个小角落，有限层(计算效率的限制)的 金字塔并不能将这个小"角落"精细划分，导致金字塔表达矢量在使用高维特征的分类应用 中缺乏区分力。 由于使用局部特征描述高分辨率遥感图像，一些无关信息必然对最终的表达矢量 产生影响，所以需要选择一种可以挑选特征的监督分类方法以去除这些无关信息的干扰。 综上所述，针对高分辨率遥感图像的复杂类别监督分类，首先需要要提取高分辨 率遥感图像的局部特征；其次，需要一种表达方法将局部特征矢量集合表达成一个矢量以 方便传统监督分类方法的使用，同时这个方法最好在输入是高维局部特征时，也能够保证4输出的表达矢量具有精细的信息而且计算效率高；最后，需要可以挑选特征的监督分类方 法以去除无关信息的干扰。
技术实现思路
本专利技术的目的是提供，以提高高分辨率遥感图像复杂类别的分类精度和效率。 为达到上述目的，本专利技术采用如下的技术方案 步骤1，通过高分辨率遥感图像处理程序打开高分辨率遥感图像； 步骤2，根据实际地物分布和分类类别数，在高分辨率遥感图像上利用样区工具选择训练样本，将训练样本存入训练样本库； 步骤3，利用兴趣点检测算子在训练样本上检测感兴趣区域； 步骤4，在检测到区域上提取局部特征，得到局部特征矢量，所有区域上得到的局 部特征矢量构成局部特征矢量集合，将局部特征矢量集合存入特征库； 步骤5，用多维金字塔表达方法将局部特征矢量集合转化成一个表达矢量，并存入 特征表达库； 步骤6，选择下一训练样本，重复步骤3到步骤5，直到完成所有训练样本的表达， 得到完整的特征表达库； 步骤7，将属于第一类的表达矢量标记为正样本，所有不属于该类的表达矢量标记 为负样本； 步骤8，输入AdaBoost，训练强分类器； 步骤9，将属于下一类的样本标记为正样本，所有不属于该类的样本标记为负样本，重复步骤8，直到完成所有类别的强分类器的训练； 步骤IO，将待分类高分辨率遥感图像分解为图像子块； 步骤11，对一个图像子块重复步骤3到步骤5，但仅计算强分类器需要用到的多维 金字塔表达矢量的特征维的取值，得到该图像子块的表达矢量； 步骤12，将图像子块的表达矢量输入各类的强分类器中，计算该表达矢量属于各 类的概率； 步骤13，选择概率最大的那个类别作为图像子块的类别； 步骤14，将子块的类别赋予该子块覆盖的所有像素； 步骤15，选择下一图像子块，重复步骤11到步骤14，直到完成待分类遥感图像的 所有像素的分类。 所述步骤5中对每个局部特征矢量集合完成多维金字塔表达包括以下子步骤 步骤5. l，利用降维方法，将局部特征矢量降维； 步骤5. 2，选择降维后的特征的第一维； 步骤5. 3，在该维数据上计算金字塔表达矢量； 步骤5. 4，选择降维后的特征的下一维，重复步骤5. 3，直到在所有维上完成金字 塔表达矢量的计算； 步骤5. 5，将各维得到的金字塔表达矢量连接起来构成一个多维金字塔表达矢量。 所述步骤8中利用AdaBoost训练强分类器包括以下子步骤5 步骤8. 1，假设一共有N个正负样本，每个样本的权重为1/N，令迭代序数t = 1 ; 步骤8. 2，取正负样本的第一维的数据，将所有数据按照大小排列； 步骤8. 3，取第一个值和第二个值的中值，作为门限； 步骤8.4，统计利用此门限区分正负样本的误差率； 步骤8.5，取下一对相邻值的中值作为门限，重复步骤8.4，直到计算出所有门限 下的分类误差率； 步骤8.6，取分类误差率最小的门限和此时两个类别相对门限的方向作为该维选 择的弱分类器； 步骤8. 7，取正负样本的下一维数据，将所有数据按照大小排列，重复步骤8. 3到 步骤8. 6，直到所有维的弱分类器计算完毕； 步骤8. 8，选择分类误差率最小的弱分类器，作为最佳弱分类器ht (x); 步骤8. 9，通过以下公式计算ht (x)的权重， =;log——^2 5 其中，e t为ht(X)的分类误差率； 步骤8. IO，通过以下公式更新所有样本的权重 <formula>formula see original document page 6</formula> 其中，yn是样本的标号，Zt是使1^《+1 =鹏归一化常量； 步骤8. 11， t = t+l，重复步骤8. 2到步骤8. 10，直到满足以下任意一个条件 ①e t = o ;②f,》* ; (3) t大于设定值； 步骤8. 12，通过以下公式计算输出的强分类器 <formula>formula see original document page 6</formula> 本专利技术具有以下优点和积极效果 1)通过对高分辨率遥感图像提取局部特征，更详细地、准确地描述了图像内容，避 免了使用全局特征时，各种类别的特征信息混杂在一起； 2)在获取局部特征矢量集合的基础上，通过多维金字塔表达得到表达矢量，使得 默认输入是矢量的监督分类方法得以应用，而且多维金字塔表达方法在局部特征是高维特本文档来自技高网...

【技术保护点】
一种高分辨率遥感图像复杂类别的监督分类方法，其特征在于，包括以下步骤：步骤１，通过高分辨率遥感图像处理程序打开高分辨率遥感图像；步骤２，根据实际地物分布和分类类别数，在高分辨率遥感图像上利用样区工具选择训练样本，将训练样本存入训练样本库；步骤３，利用检测算子在训练样本上检测感兴趣区域；步骤４，在检测到区域上提取局部特征，得到局部特征矢量，所有区域上得到的局部特征矢量构成局部特征矢量集合，将局部特征矢量集合存入特征库；步骤５，用多维金字塔表达方法将局部特征矢量集合转化成一个表达矢量，并存入特征表达库；步骤６，选择下一训练样本，重复步骤３到步骤５，直到完成所有训练样本的表达，得到完整的特征表达库；步骤７，将属于第一类的表达矢量标记为正样本，所有不属于该类的表达矢量标记为负样本；步骤８，输入ＡｄａＢｏｏｓｔ，训练强分类器；步骤９，将属于下一类的样本标记为正样本，所有不属于该类的样本标记为负样本，重复步骤８，直到完成所有类别的强分类器的训练；步骤１０，将待分类高分辨率遥感图像分解为图像子块；步骤１１，对一个图像子块重复步骤３到步骤５，但仅计算强分类器需要用到的多维金字塔表达矢量的特征维的取值，得到该图像子块的表达矢量；步骤１２，将图像子块的表达矢量输入各类的强分类器中，计算该表达矢量属于各类的概率；步骤１３，选择概率最大的那个类别作为图像子块的类别；步骤１４，将子块的类别赋予该子块覆盖的所有像素；步骤１５，选择下一图像子块，重复步骤１１到步骤１４，直到完成待分类遥感图像的所有像素的分类。...

【技术特征摘要】

【专利技术属性】
技术研发人员：曹永锋，殷慧，陈荣，
申请(专利权)人：武汉大学，
类型：发明
国别省市：83[中国|武汉]