一種基于面向對象的無監督分類的遙感影像自動分類方法

專利名稱：一種基于面向對象的無監督分類的遙感影像自動分類方法
技術領域：
本發明屬于遙感分類識別領域，是一種基于面向對象無監督分類的遙感影像自動 分類方法。
背景技術：
遙感影像自動分類是遙感技術應用的一個主要研究方向。目前，無任何先驗知識 的自動分類主要利用傳統非監督分類方法IS0DATA、K-Means和模糊C均值聚類(參考對 比文件1)。但是傳統的無監督聚類算法是以單個像元作為聚類對象，在影像分類特別是高 分辨率遙感影像分類的應用中普遍存在一些問題(參考對比文件2，3)1)聚類過程計算量大，收斂速度慢，難以應用于針對(海量)大幅影像的聚類。2)聚類結果對噪聲比較敏感，產生嚴重的“椒鹽現象”(參考對比文件5)。3)利用的特征信息非常有限，只利用了像元各波段像素值作為聚類的特征，沒有 將影像的紋理特征、形狀特征應用于分類，使得分類精度難于進一步提高(參考對比文件 2,4) ο本發明首次提出了 一種基于分割單元聚類的遙感影像自動分類方法。首先對遙感 影像進行分割，得到一系列空間上相鄰、同質性較好的分割單元，然后對分割單元進行特征 提取，得到分割單元的光譜特征、紋理特征、形狀特征、結構特征等多特征信息，進而根據分 割單元的特征信息對分割單元進行聚類。最后，通過對聚類結果進行分類后處理(類別合 并、錯分類別調整等)得到最終的分類結果。整個過程在無需任何先驗知識條件下實現了 對遙感影像自動分類，同時也保證了較高的分類精度和執行效率。對比文件1 蔡華杰，田金文.基于mean-shift聚類過程的遙感影像自動分類方 法.華中科技大學學報(自然科學版)· 2008，36 (11) 1-4對比文件2 葛春青，張凌寒，楊杰等.基于決策樹規則的面向對象遙感影像分 類·遙感應用· 2009，102 86-91對比文件3:鄧湘金，王彥平，彭海良.高分辨率遙感圖像的聚類.電子與信息學 報·2003，25(8) 1073-1080對比文件4 孫曉霞，張繼賢，劉正軍.利用面向對象的分類方法從IKONOS全色影 像中提取河流和道路.測繪科學，2006，31(1) 62-63對比文件5 曹寶，秦其明.面向對象方法在SP0T5遙感圖像分類中的應用.地理 與地理信息科學· 2006，22 (2) 46-49

發明內容
提出了一種新的面向對象的無監督分類方法(Object Oriented Unsupervised Classification)。具體步驟如下首先對遙感影像進行分割，得到一系列空間上相鄰、同質 性較好的分割單元，然后對分割單元進行特征提取，得到分割單元的光譜特征、紋理特征、 形狀特征、結構特征等多特征信息。進而根據分割單元的特征信息對分割單元進行聚類。最后，通過對聚類結果進行分類后處理(類別合并、錯分類別調整等)得到最終的分類結果。其中面向對象的無監督分類方法的特征在于該方法分為以下四個階段1)影像分割從原始影像中分割出一些空間上相鄰、內部同質性較好的小區域。 最好的結果是最大程度的分割出遙感圖像中各個地物。本發明采用分割算法是執行速度相 對較快的降水分水嶺分割算法。2)分割單元的特征提取對分割單元進行特征信息挖掘，提取出分割單元的光譜 特征和紋理特征信息，并由得到的特征量構成標識該分割單元的特征矢量。3)基于分割單元的聚類在完成對分割單元特征提取之后，利用分割單元的特征 信息，對所有分割單元聚類。由于光譜特征和紋理特征屬于不同量綱，且各個特征量之間有 較強相關性，利用歐式距離進行聚類，不能體現出光譜特征和紋理特征的差異性。本發明采 用基于馬氏距離的面向對象聚類。4)分類后處理主要是對聚類結果進行進一步調整，包括類別合并，錯分類別的 調整、類別的顏色調整等。上述步驟3中基于分割單元的聚類的特征在于以分割單元作為聚類基本對象， 通過特征提取得到分割單元的光譜特征、紋理特征、形狀特征、結構特征等多特征信息，并 以此作為聚類的特征。并且考慮到各特征屬于不同量綱，且之間有較強相關性，在聚類過程 中基于馬氏距離進行聚類。本發明提出的面向對象的無監督分類方法是一種能夠保證較高分類精度和執行 效率遙的感影像自動分類方法。該方法以分割單元作為聚類對象，從而減少了聚類對象的 個數，降低了聚類過程的計算量，提高聚類的速度；而且分割單元包含豐富的語義信息，更 易于分類結果解譯和理解，避免了傳統聚類方法中所產生的“椒鹽現象”；從分割單元中可 以提取將更多的特征信息，光譜特征、紋理特征，并用于聚類可進一步提高分類的精度。


圖1是2005年5月31日北京頤和園北部QuickBird遙感影像。圖2是原圖進行分水嶺分割后的結果圖。圖3是對原圖進行面向對象的聚類后的結果圖。圖4是對原圖進行K-Means聚類后的結果圖。圖5是對原圖進行模糊C均值聚類后的結果圖。圖6分類結果對比表。圖7本發明的整體流程。
具體實施例方式本發明的目的在于實現一種保證較高的分類精度和執行效率的自動的遙感影像 分類方法面向對象的無監督分類。具體步驟如下首先采用降水分水嶺分割算法對遙感 影像進行分割，然后對分割單元進行特征提取，得到分割單元的光譜特征和紋理特征。并利 用分割單元所提取的特征信息，采用基于馬氏距離的面向對象聚類方法對分割單元進行聚 類。上述方法中，所述“降水分水嶺分割方法”如下
4
降水分水嶺變換的實質是尋找從影像的每個像素到影像表面高程局部較小的下 游路徑。降水分水嶺變換的過程如下1)為每一個像元尋找下游像元，并記錄在數組中。對于每一個像元，尋找與其相比 灰度最小的鄰域像元。2)標識局部最小，對于數組中的每一個元素，判斷其是否為局部最小，若是則賦予 一個新的標號，同時將該標號同樣賦予與其連通并均為局部最小的區域。3)標識非局部最小的像元，對于每一個非局部最小的像元P，總是存在一個下游 像元。如果該下游像元已經被標識，則將此標號賦給P。否則尋找下游像元的下游像元，直 到找到已經被標識的下游像元，并將該標號賦給P。經過降水分水嶺變換圖像被分割成標號從1開始的一系列標號區域。用S表示所 有分割單元所構成的集合。S= {B1; Bf BJ ,Bi(KiSn)表示第i個分割單元，η為分 割單元的個數。上述方法中，所述“對分割單元進行特征提取”如下本發明中提取的分割單元的特征主要包括由光譜特征和紋理特征。其中，光譜特 征由分割單元各個波段的像素的均值和均方根來描述；紋理特征采用基于灰度共生矩陣的 二階角矩、對比度和熵來描述。根據公式定義分別求出分割單元的光譜特征和紋理特征。光譜特征1)分割單元各個波段的像素值的均值
1 m m表示分割單元中像元的個數，Pki表示分割單元第k個波段中第i個像元的像素 值，Ak表示了分割單元第k個波段的像素均值。2)分割單元各個波段的像素值的均方根 Ak表示分割但與第k個波段的像素均值，m表示分割單元中像素的個數，Ek表示分 割單元第k個波段的像素的均方根，反映了分割單元第k波段中像素之間的差異性的大小。紋理特征遙感影像中多為無規則紋理，一般采用統計方法進行紋理分析。灰度共生矩陣是 一種用來分析圖像紋理特征的重要方法，它建立在估計圖像的二階組合條件概率密度函數 的基礎上。通過計算圖像中有一定距離和一定方向的兩個像素點之間的灰度相關性，反映 圖像在方向、相鄰間隔、變化幅度及快慢上的綜合信息。若將圖像的灰度級定為L級，那么 灰度共生矩陣為LXL的矩陣，它描述了圖像中在θ方向上距離為d的一對像素分別具有 灰度i和灰度j的出現概率P(i，j，d，θ)。其中d，θ要根據影像特點經多次試驗來確定。 從共生矩陣可提取多個參數來描述圖像的紋理特征，本發明選擇其中三種使用較廣紋理量 作為分割單元的紋理特征。1) 二階角矩 ASM: 二階角矩陣也稱為能量，是圖像灰度分布均勻程度和紋理粗細的一個度量，當圖 像較細致均勻時，二階角矩較大，當圖像灰度分布很不均勻表面呈現出粗糙特性時，二階角 矩值較小。2)對比度 CON: 對比度是紋理定域變化的度量，可以理解為圖像的清晰度，即紋理清晰度，對比度 值越大，紋理效果越明顯，圖像的視覺越清晰，對比度值越小，紋理效果越不明顯。3)熵H: 熵表示紋理非均勻程度或復雜程度，紋理較細密時值大，紋理稀疏時值小。根據上述公式，得到分割單元光譜特征和紋理特征，用得到的分割單元特征量，構 成表示該分割單元的特征矢量=Xi = (Ail, Eil, ASMil, CONil, Hil,…，Aip，Eip，ASMip，C0Nip，Hip)
T
其中ρ表示影像的波段數，若1 < k彡ρAik表示第i個分割單元第k個波段像素的均值，Eik表示第i個分割單元第k個波段像素的均方根，ASMik表示第i個分割單元第k個波段的二階角矩，CONik Eik表示第i個分割單元第k個波段的對比度，Hik表示分第i個分割單元第k個波段的熵。考慮到光譜特征和紋理特征屬于不同量綱，且各個特征量之間有較強相關性，利 用歐式距離進行聚類，不能體現出光譜特征和紋理特征的差異性。本發明提出了基于馬氏 距離的面向對象聚類方法來完成對分割單元得聚類，具體的算法的流程來如下1)計算聚類樣本空間的協方差矩陣分割單元集合S = (X1, X^XJ構成了聚類的樣本空間，每個分割單元 Xi(l ^ i ^n)表示，作為分割單元集合的一個樣本。用Σ表示總樣本的協方差矩陣。
2)初始化聚類中心從分割單元的樣本空間S = (X1, XfXJ中隨機選擇k個參考點CVS1, CVS2,… cvsk，作為劃分結果集Z1, Z2,…Zk的聚類中心。3)基于馬氏距離進行聚類以CVS1, CVS2,…CVSk為參考，對集合S中所有元素進行歸類。其中歸類的標準 為計算第i個分割單元的特征矢量Xi到每一個聚類中心CVS^l ^ j ^ k)的特征矢量的馬氏距離。Disij = (Xi-CVSj)1 Σ (Xi-CVSj)，其中(1 ≤j ≤ k)。得到和k個聚類中心的最短距離Disim = min{Disn, Disi2...Disik}，其中 1 ≤ m ≤ k。經過比較得到，分割單元i和第m個聚類中心相似度最高，故將Xi劃分為集合Zm 中。4)重新計算各個劃分集合的聚類中心
其中 VSij∈ Zi5)計算平方誤差 6)若E不變則終止算法，否則轉到步驟3。仿真結果選擇2005年5月31日北京頤和園北部QuickBird遙感影像作為試驗數據，大小 為763*613，分辨率為lm，影像有R、G、B三個波段，影像中的地物主要有房屋、主干道路、水 體和綠地(如圖1)按照本發明算法的流程，首先對影像進行分割，得到的分割結果如圖2所示。然 后對影像進行面向對象的無監督分類，根據影像中所包含的主要地物信息將影像分為四類 (綠地、水體、主干道、其他建筑)，最后經過分類后處理得到分類結果如圖3所示。為了體現本發明算法的優越性，將本發明所提出的方法和傳統的聚類方法進行比 較，在相同運行環境下(相同的軟件和硬件平臺)對原圖分別進行K-Means和模糊C均值 聚類，將影像分成相同的類別(綠地、水體、主干道、其他建筑)得到的分類結果分別由圖4 和圖5所示。并對各個分類方法的分類精度和效率進行比較，比較結果如圖6所示。通過上述比較分析可知面向對象的無監督分類方法是一種能夠實現遙感影像自 動分類高效算法，與傳統的K-Means和模糊C均值等方法相比具有以下優點1)以分割單元作為分類的基本對象，有效地減少了聚類對象的個數，降低聚類過 程的計算量，提高聚類的速度。2)分割單元包含豐富的語義信息，也更易于分類結果解譯和理解，同時有效地避 免了傳統聚類方法中所出現的“椒鹽現象”。可以將更多的特征信息，光譜特征、紋理特征用于分類，使分類的精度進一步提高。
權利要求
一種基于面向對象的無監督分類的遙感影像自動分類方法。其特征在于本方法依次包括影像分割、分割單元的特征提取、基于分割單元的聚類、分類后處理四個過程。
2.如權利要求1所述的一種基于面向對象的無監督分類的遙感影像自動分類方法，其 中基于分割單元的聚類的特征在于以分割單元作為聚類基本對象，并以從分割單元所提 取的多特征信息光譜特征、紋理特征、形狀特征、結構特征作為聚類的特征。
3.如權利要求1所述的一種基于面向對象的無監督分類的遙感影像自動分類方法，其 中基于分割單元的聚類的特征在于考慮到光譜特征和紋理特征屬于不同量綱，且各特征 量之間有較強相關性，在聚類過程中基于馬氏距離進行聚類。
全文摘要
本發明提出了一種基于分割單元聚類的遙感影像自動分類方法。首先對遙感影像進行分割，得到一系列空間上相鄰、同質性較好的分割單元，然后對分割單元進行特征提取，得到分割單元的光譜特征、紋理特征、形狀特征、結構特征等多特征信息。進而根據分割單元的特征信息對分割單元進行聚類。最后，通過對聚類結果進行分類后處理(類別合并、錯分類別調整等)得到最終的分類結果。整個過程在無需任何先驗知識條件下實現了對遙感影像自動分類，同時也保證了較高的分類精度和執行效率。
文檔編號G06T7/00GK101930547SQ20101020849
公開日2010年12月29日 申請日期2010年6月24日 優先權日2010年6月24日
發明者余先川, 安衛杰 申請人:北京師范大學