一種基于紋理基元的遙感圖像分類方法
【專利摘要】本發(fā)明公開了一種基于紋理基元的遙感圖像分類方法，包括：選取典型地物的遙感圖像作為第一訓(xùn)練集和第二訓(xùn)練集；提取第一訓(xùn)練集中同類地物圖像的鄰域特征向量并聚類形成紋理基元，不同地物的紋理基元組成紋理基元字典；利用紋理基元字典對第二訓(xùn)練集中圖像的鄰域特征向量進(jìn)行標(biāo)記，并對中心像素進(jìn)行分箱，統(tǒng)計(jì)各個(gè)圖像的中心像素-紋理基元二維聯(lián)合分布，形成紋理模型庫；將待分類的圖像劃分成超像素，經(jīng)拉普拉斯校準(zhǔn)后統(tǒng)計(jì)各超像素的中心像素-紋理基元二維聯(lián)合分布，并與紋理模型庫中的模型進(jìn)行比較，實(shí)現(xiàn)超像素的分類，進(jìn)而實(shí)現(xiàn)圖像分類。本發(fā)明利用了超像素的強(qiáng)同質(zhì)性和紋理的空間分布規(guī)律，分類正確率高，具有較強(qiáng)的適應(yīng)性和抗干擾性。
【專利說明】一種基于紋理基元的遙感圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感圖像處理【技術(shù)領(lǐng)域】，更具體地，涉及一種基于紋理基元的遙感圖 像分類方法。
【背景技術(shù)】
[0002] 隨著遙感成像技術(shù)的發(fā)展以及衛(wèi)星可見光、多光譜和高光譜等多源影像成像分辨 率的提高，高分辨率的遙感影像已經(jīng)開始廣泛應(yīng)用于各個(gè)領(lǐng)域。紋理作為場景的重要外觀 特征，為視覺感知提供了重要信息。有研究表明，大范圍場景圖像中有80%的信息都是紋理 信息，因此，紋理分析是描述圖像場景的重要手段。
[0003] 傳統(tǒng)的紋理特征，例如共生矩陣、行程長度等，都是從信號與特征空間的角度人為 地提取出來的，當(dāng)場景圖像中各類景物的紋理非常復(fù)雜時(shí)，這些簡單的紋理特征受其表達(dá) 能力所限，特征的分類性能就會下降。紋理的統(tǒng)計(jì)建模理論表明，只需要用很少幾個(gè)參數(shù)來 描述紋理特征，就能為紋理提供簡練的表示，而且能把紋理分析問題轉(zhuǎn)化為一個(gè)明確的統(tǒng) 計(jì)推理問題來處理。紋理基元（texton)就是這種統(tǒng)計(jì)推理中的常用統(tǒng)計(jì)單元，其描述了自 然圖像中基本的微觀結(jié)構(gòu)，包含圖像的幾何、形態(tài)和灰度信息，是能被人類視覺預(yù)先感知的 原子信息。紋理基元描述了局部紋理特征，對整幅圖像中不同紋理基元的分布進(jìn)行統(tǒng)計(jì)則 可獲得圖像的全局紋理信息。將一幅圖像分解為簡單的紋理基元，不僅能壓縮圖像的維度， 減少變量之間的相關(guān)性，更有利于圖像建模，而圖像建模是圖像分割和識別中不可或缺的 一步。
[0004] 常用的紋理基元提取方法都是基于濾波的方法，該方法來源于在神經(jīng)生理學(xué)中 被發(fā)現(xiàn)并被廣泛接受的多通道濾波機(jī)制。用一組方向和空間選擇的濾波器對紋理圖像進(jìn) 行濾波，得到每個(gè)像素塊的濾波響應(yīng)向量，然后對這些濾波響應(yīng)向量進(jìn)行聚類，每個(gè)類別 的代表向量就是一個(gè)紋理基元。常用的濾波器有Gabor濾波器、小波塔和濾波器組等。 2009年，Manik Varma和Andrew Zisserman提出了一種基于統(tǒng)計(jì)的紋理分類方法（Manik Varma, Andrew Zisserman,"A Statistical Approach to Material Classification Using Image Patch Exemplars，'，IEEE Transactions on Pattern Analysis and Machine Intelligence，31 (11)，2032-2047, 2009)，該方法不使用濾波器，而是直接使用每個(gè)像素點(diǎn) 周圍的像素值作為特征，進(jìn)而提取紋理基元。
[0005] 在遙感影像獲取時(shí)，由于受到成像時(shí)相、天氣等變化參數(shù)的影響，所成的圖像往往 對比度較小，特征不明顯。在這種情況下，即使采用灰度校正等預(yù)處理方法后，使用以上方 法對同一場景在不同成像條件下所成的遙感圖像進(jìn)行場景分類時(shí)，也很難消除各變化因素 對圖像灰度的影響，導(dǎo)致典型地物間的特征不明顯，區(qū)分度變小，分類結(jié)果差別較大。
【發(fā)明內(nèi)容】
[0006] 針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供一種基于紋理基元的遙感圖像 分類方法，目的在于解決不同時(shí)相、不同大氣環(huán)境參數(shù)條件下，同一場景的光學(xué)遙感圖像的 分類問題。
[0007] -種基于紋理基元的遙感圖像分類方法，包括以下步驟：
[0008] (1)選取N類地物的多個(gè)遙感圖像塊并分為第一訓(xùn)練集和第二訓(xùn)練集；
[0009] (2)對所述第一訓(xùn)練集中屬于第i類地物的每個(gè)遙感圖像塊，提取其每個(gè)像素的 ηΧη鄰域，其中i = 1，2, "·，Ν，計(jì)算鄰域內(nèi)每個(gè)像素的灰度值與中心像素灰度值的差值，所 述差值經(jīng)正向偏移后，按行重新排列得到η2-1維的鄰域特征向量，所述第i類地物所有遙 感圖像塊的鄰域特征向量組成所述第i類地物的鄰域特征向量集合；
[0010] (3)對所述第i類地物的所述鄰域特征向量集合進(jìn)行k-means聚類，得到的聚類中 心作為所述第i類地物的紋理基元；
[0011] (4)對所述第一訓(xùn)練集中所述N類地物的所有遙感圖像塊重復(fù)執(zhí)行所述步驟（2) 和（3)，得到所述N類地物中每一類地物的紋理基元，組成紋理基元字典；
[0012] (5)按照所述步驟（2)提取所述第二訓(xùn)練集中每個(gè)遙感圖像塊的每個(gè)像素的鄰域 特征向量，將得到的每個(gè)鄰域特征向量與所述紋理基元字典中的紋理基元逐一進(jìn)行比較， 用距離其最近的紋理基元標(biāo)記各鄰域特征向量，統(tǒng)計(jì)標(biāo)記后各紋理基元出現(xiàn)的頻數(shù)；
[0013] (6)對所述第二訓(xùn)練集中每個(gè)遙感圖像塊的每個(gè)中心像素的灰度值進(jìn)行分箱處 理，得到各個(gè)箱子-紋理基元值對的頻數(shù)；
[0014] (7)統(tǒng)計(jì)所述第二訓(xùn)練集中每個(gè)遙感圖像塊的中心像素-紋理基元二維聯(lián)合分 布，得到所述第二訓(xùn)練集中每個(gè)遙感圖像塊的紋理模型；
[0015] (8)對所述第二訓(xùn)練集中所述N類地物的所有遙感圖像塊重復(fù)執(zhí)行所述步驟 (5)?（7)，得到所述N類地物的紋理模型，形成各類地物的紋理模型庫；
[0016] (9)將待分類的遙感圖像塊劃分成多個(gè)超像素；
[0017] (10)對每個(gè)超像素依次執(zhí)行所述步驟（5)和￠)，得到各個(gè)箱子-紋理基元值對 的頻數(shù)；
[0018] (11)對每個(gè)超像素的箱子-紋理基元值對的頻數(shù)進(jìn)行拉普拉斯校準(zhǔn)，統(tǒng)計(jì)每個(gè)超 像素的中心像素-紋理基元二維聯(lián)合分布，得到每個(gè)超像素的紋理模型；
[0019] (12)使用最近鄰分類器，將每個(gè)超像素的紋理模型與所述紋理模型庫中已知類別 屬性的紋理模型逐一進(jìn)行比較、分類，進(jìn)而實(shí)現(xiàn)對所述待分類的遙感圖像塊的分類。
[0020] 總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下有益效 果：
[0021] 將鄰域內(nèi)像素與中心像素做差，得到了去除變化因素后，紋理局部特征中各像素 的變化關(guān)系，有效描述了紋理特征；
[0022] 對中心像素的灰度值進(jìn)行等寬分箱處理，使得在建模時(shí)既有效利用了中心像素的 灰度信息，又避免了逐灰度級統(tǒng)計(jì)帶來的過擬合現(xiàn)象；
[0023] 對圖像進(jìn)行超像素劃分并對超像素進(jìn)行紋理建模，利用了超像素良好的同質(zhì)性， 為圖像場景分類奠定了良好的基礎(chǔ)；
[0024] 對紋理模型進(jìn)行拉普拉斯校準(zhǔn)，增強(qiáng)了模型的適應(yīng)性，避免了因個(gè)別分量為0而 帶來的X 2統(tǒng)計(jì)出錯(cuò)。
[0025] 上述技術(shù)方案都保證了本發(fā)明能夠在不同時(shí)相、不同大氣環(huán)境參數(shù)條件下，對同 一場景的光學(xué)遙感圖像的分類獲得較高的分類準(zhǔn)確率。本發(fā)明考慮了超像素的強(qiáng)同質(zhì)性和 紋理的空間分布規(guī)律，分類正確率高，具有較強(qiáng)的適應(yīng)性和抗干擾性。
【專利附圖】
【附圖說明】
[0026] 圖1為本發(fā)明基于紋理基元的遙感圖像分類方法的流程圖；
[0027] 圖2為本發(fā)明使用的訓(xùn)練集的示意圖；
[0028] 圖3為本發(fā)明提取鄰域特征向量的示意圖；
[0029] 圖4為本發(fā)明灰度值分箱的示意圖；
[0030] 圖5為本發(fā)明一個(gè)訓(xùn)練樣本的紋理模型；
[0031] 圖6為本發(fā)明超像素比較分類的示意圖；
[0032] 圖7(a)為本發(fā)明使用的待分類遙感圖像；
[0033] 圖7(b)為本發(fā)明對待分類圖像進(jìn)行超像素劃分后的結(jié)果圖；
[0034] 圖7(c)為本發(fā)明遙感圖像分類的結(jié)果圖。
【具體實(shí)施方式】
[0035] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要 彼此之間未構(gòu)成沖突就可以相互組合。
[0036] 圖1所示為本發(fā)明基于紋理基元的遙感圖像分類方法的流程圖，包括如下步驟：
[0037] ⑴訓(xùn)練集的獲取
[0038] 人工選取各類典型地物（例如：水域、植被、城區(qū)和農(nóng)田）的遙感圖像塊（在本發(fā) 明實(shí)施例中，采用8位灰度圖）作為訓(xùn)練樣本，每類10塊，每塊大小為100X100(即包含 100 X 100個(gè)像素點(diǎn)），并將這些樣本平均分為如圖2所示的訓(xùn)練集，S卩訓(xùn)練集1和訓(xùn)練集2， 每個(gè)訓(xùn)練集包含4類典型地物，每類5塊樣本。本發(fā)明兩個(gè)訓(xùn)練集大小的選取并不局限于 平均分，只要保證每個(gè)訓(xùn)練集中的每類地物都有若干樣本即可。訓(xùn)練樣本數(shù)目與分類性能 有關(guān)。
[0039] (2)紋理基元字典的建立
[0040] 紋理基元字典包含了各類典型地物的紋理基元，而紋理基元是標(biāo)準(zhǔn)化后的鄰域特 征向量，因此，紋理基元字典的建立為后續(xù)鄰域特征向量的標(biāo)記和紋理模型的建立提供了 標(biāo)準(zhǔn)。具體包括以下子步驟：
[0041] (2. 1)提取鄰域特征向量
[0042] 圖3所示為本發(fā)明提取鄰域特征向量的示意圖。在訓(xùn)練集1中，對第i(i = 1，2, 3, 4)類地物遙感圖像中每個(gè)圖像塊的每個(gè)像素點(diǎn)，提取該像素點(diǎn)的ηΧη鄰域（ηΧη - 般不超過圖像的1/4大?。?，在本發(fā)明實(shí)施例中，以η = 3為例進(jìn)行說明，計(jì)算其鄰域內(nèi)每 個(gè)像素點(diǎn)的灰度值與中心像素 xc灰度值的差值，該差值經(jīng)正向偏移255后,按行重排得到 8維（中心像素除外）的鄰域特征向量。對于8位的灰度圖，其灰度級為0?255,鄰域內(nèi) 每個(gè)像素點(diǎn)與中心像素做差后，差的范圍為-255?255 (因?yàn)?位灰度圖的灰度級為0? 255,考慮極端情況：當(dāng)鄰域內(nèi)某個(gè)像素為0,中心像素為255時(shí)，差為-255 ;當(dāng)鄰域內(nèi)某個(gè) 像素為255,中心像素為0時(shí)，差為255,因此差的范圍為-255?255)。為了避免之后的聚 類步驟出錯(cuò)，需要將差值全部變?yōu)檎?，因此正向偏?55。而對于16位的灰度圖，其灰度 級為〇?65535,做差后，差的范圍為-65535?65535,因此要正向偏移65535,以保證差值 全部為正。
[0043] 對1幅100X100的訓(xùn)練樣本可提取鄰域特征向量98X98 = 9604個(gè)，則同類地物 的5幅訓(xùn)練樣本共有鄰域特征向量9604X5 = 48020個(gè)，即該類地物的鄰域特征向量集合 大小為48020。
[0044] (2.2)同類地物的鄰域特征向量聚類形成紋理基元
[0045] 對第i類的48020個(gè)鄰域特征向量進(jìn)行k-means聚類。在本發(fā)明實(shí)施例中，取k =10 (k的取值與紋理的復(fù)雜程度有關(guān)，紋理越復(fù)雜，k值越大。通常k = 1?20。此處對 各個(gè)類別的地物統(tǒng)一取k = 10進(jìn)行說明），聚類收斂后，10個(gè)聚類中心則代表第i類地物 形成的10個(gè)紋理基元。
[0046] (2. 3)各類地物的紋理基元組成紋理基元字典
[0047] 同樣地，對其余各類地物的遙感圖像分別執(zhí)行子步驟（2. 1)和（2. 2)，得到各類地 物的10個(gè)紋理基元。在本發(fā)明實(shí)施例中，4類地物的紋理基元的總和組成紋理基元字典，其 大小為4X10 = 40。
[0048] 本發(fā)明在提取領(lǐng)域特征向量時(shí)，對每個(gè)像素的ηΧη鄰域，首先計(jì)算鄰域內(nèi)每個(gè)像 素與中心像素 X?；叶戎档牟?，再將差值進(jìn)行正向偏移，排列得到η2-1維（中心像素 X。除 夕卜）的鄰域特征向量。在遙感圖像獲取時(shí)，由于受到成像時(shí)相、天氣等大氣參數(shù)環(huán)境變化的 影響，即使采用灰度校正等預(yù)處理方法，也很難消除各變化成像因素對圖像灰度的影響。有 時(shí)所成圖像的對比度較小，從而導(dǎo)致在對圖像進(jìn)行場景分類時(shí)，典型地物間的特征不明顯， 區(qū)分度變小，分類準(zhǔn)確率急劇下降，為遙感圖像分類帶來了困難。本發(fā)明旨在減弱對比度較 小對遙感圖像分類的影響?？紤]到圖像對比度變化時(shí)，每個(gè)像素的灰度值都會變化，但是相 似像素灰度間的差值在對比度變化前后卻基本不變，即紋理分布的內(nèi)在規(guī)律受對比度影響 較小。因此，本發(fā)明將鄰域內(nèi)每個(gè)像素與中心像素 X。做差，并將差值作為紋理信息，提取鄰 域特征向量，獲得紋理基元并建立紋理模型，實(shí)現(xiàn)對紋理圖像的分類。
[0049] (3)紋理模型庫的建立
[0050] 對訓(xùn)練集2中各類地物的遙感圖像塊分別進(jìn)行紋理建模，每一幅遙感圖像塊得到 一個(gè)紋理模型，各類典型地物的紋理模型的集合組成紋理模型庫。其中，每類典型地物都有 幾個(gè)模型與之對應(yīng)，以增強(qiáng)模型的適應(yīng)性。紋理模型庫的建立是實(shí)現(xiàn)遙感圖像分類的基礎(chǔ)。
[0051] 在本發(fā)明實(shí)施例中，使用馬爾可夫隨機(jī)場（Markov Random Field, MRF)對紋理進(jìn) 行建模。統(tǒng)計(jì)建模理論認(rèn)為，圖像是一個(gè)隨機(jī)場，紋理是隨機(jī)場上概率分布的采樣。在通常 情況下，中心像素只與其鄰域像素有關(guān)，而與圖像中的其他像素?zé)o關(guān)，因此，使用馬爾可夫 隨機(jī)場對紋理圖像進(jìn)行建模：
[0052] 將圖像I看作一個(gè)2維的有限網(wǎng)格，中心像素 X。是網(wǎng)格中的一個(gè)點(diǎn)，N(x。）是中心 像素 X。的鄰域（不含中心像素 X。)，于是，圖像I內(nèi)中心像素 X。出現(xiàn)的概率P(x」I)可以表 示為：
[0053] p(xc|l) = p(xc|N(xc))
[0054] 又因?yàn)椋?br>
[0055]
【權(quán)利要求】
1. 一種基于紋理基元的遙感圖像分類方法，其特征在于，包括以下步驟： (1) 選取N類地物的多個(gè)遙感圖像塊并分為第一訓(xùn)練集和第二訓(xùn)練集； (2) 對所述第一訓(xùn)練集中屬于第i類地物的每個(gè)遙感圖像塊，提取其每個(gè)像素的ηΧη 鄰域，其中i = 1，2,…，Ν，計(jì)算鄰域內(nèi)每個(gè)像素的灰度值與中心像素灰度值的差值，所述差 值經(jīng)正向偏移后，按行重新排列得到π2-1維的鄰域特征向量，所述第i類地物所有遙感圖 像塊的鄰域特征向量組成所述第i類地物的鄰域特征向量集合； (3) 對所述第i類地物的所述鄰域特征向量集合進(jìn)行k-means聚類，得到的聚類中心作 為所述第i類地物的紋理基元； (4) 對所述第一訓(xùn)練集中所述N類地物的所有遙感圖像塊重復(fù)執(zhí)行所述步驟（2)和 (3)，得到所述N類地物中每一類地物的紋理基元，組成紋理基元字典； (5) 按照所述步驟（2)提取所述第二訓(xùn)練集中每個(gè)遙感圖像塊的每個(gè)像素的鄰域特征 向量，將得到的每個(gè)鄰域特征向量與所述紋理基元字典中的紋理基元逐一進(jìn)行比較，用距 離其最近的紋理基元標(biāo)記各鄰域特征向量，統(tǒng)計(jì)標(biāo)記后各紋理基元出現(xiàn)的頻數(shù)； (6) 對所述第二訓(xùn)練集中每個(gè)遙感圖像塊的每個(gè)中心像素的灰度值進(jìn)行分箱處理，得 到各個(gè)箱子-紋理基元值對的頻數(shù)； (7) 統(tǒng)計(jì)所述第二訓(xùn)練集中每個(gè)遙感圖像塊的中心像素-紋理基元二維聯(lián)合分布，得 到所述第二訓(xùn)練集中每個(gè)遙感圖像塊的紋理模型； (8) 對所述第二訓(xùn)練集中所述N類地物的所有遙感圖像塊重復(fù)執(zhí)行所述步驟（5)? (7)，得到所述N類地物的紋理模型，形成各類地物的紋理模型庫； (9) 將待分類的遙感圖像塊劃分成多個(gè)超像素； (10) 對每個(gè)超像素依次執(zhí)行所述步驟（5)和￠)，得到各個(gè)箱子-紋理基元值對的頻 數(shù)； (11) 對每個(gè)超像素的箱子-紋理基元值對的頻數(shù)進(jìn)行拉普拉斯校準(zhǔn)，統(tǒng)計(jì)每個(gè)超像素 的中心像素-紋理基元二維聯(lián)合分布，得到每個(gè)超像素的紋理模型； (12) 使用最近鄰分類器，將每個(gè)超像素的紋理模型與所述紋理模型庫中已知類別屬性 的紋理模型逐一進(jìn)行比較、分類，進(jìn)而實(shí)現(xiàn)對所述待分類的遙感圖像塊的分類。
2. 如權(quán)利要求1所述的方法，其特征在于，所述步驟（5)中，鄰域特征向量與紋理基元 之間的距離用歐氏距離d表示： d= I |V-T| |2 其中，V表示鄰域特征向量，T表示紋理基元。
3. 如權(quán)利要求1所述的方法，其特征在于，所述步驟（6)中使用等寬分箱法對每個(gè)中心 像素的灰度值進(jìn)行所述分箱處理，統(tǒng)計(jì)每個(gè)紋理基元在中心像素灰度級上的分布頻數(shù)，得 到各個(gè)箱子-紋理基元值對的頻數(shù)。
4. 如權(quán)利要求1-3中任一項(xiàng)所述的方法，其特征在于，所述步驟（7)中根據(jù)各個(gè)箱 子-紋理基元值對的頻數(shù)，得到每個(gè)箱子-紋理基元值對的頻率，所有箱子-紋理基元值對 的頻率組成了中心像素-紋理基元的二維聯(lián)合分布。
5. 如權(quán)利要求1-3中任一項(xiàng)所述的方法，其特征在于，所述步驟（9)中的超像素個(gè)數(shù)K 是依據(jù)所述第二訓(xùn)練集中每個(gè)遙感圖像塊所含的像素?cái)?shù)S進(jìn)行劃分的，即： s' κ = - s 其中，s'是所述待分類的遙感圖像塊所含的像素個(gè)數(shù)。
6.如權(quán)利要求1-3中任一項(xiàng)所述的方法，其特征在于，步驟（12)中將每個(gè)超像素的紋 理模型fs(bin, texton)與所述紋理模型庫中已知類別屬性的紋理模型fm(bin, texton)逐 一進(jìn)行比較，模型之間的距離使用X2統(tǒng)計(jì)來度量，即：
根據(jù)X2統(tǒng)計(jì)比較結(jié)果，將每一超像素標(biāo)記為所述紋理模型庫中距其最近的紋理模型 所屬的類別。
【文檔編號】G06K9/66GK104102928SQ201410301138
【公開日】2014年10月15日 申請日期:2014年6月26日 優(yōu)先權(quán)日:2014年6月26日
【發(fā)明者】楊衛(wèi)東, 劉婧婷, 孫向東, 王梓鑒, 鄒臘梅, 曹治國, 黎云, 吳洋 申請人:華中科技大學(xué)