[发明专利]基于真实似然特征的多分辨率遥感图像复合分类方法

说明书

技术领域

本发明属于模式识别和计算机视觉领域，也涉及到遥感和农业领域，具体涉及到基于真实似然特征的多分辨率遥感图像复合分类方法。

背景技术

土地覆盖和土地利用与人类的生活、生产行为息息相关，地表覆盖分类是获取土地覆盖和土地利用现状的基础技术，在环境评估、地图更新、作物估产等领域有着重要应用价值。

空间分辨率是遥感图像的重要性能指标之一，像元尺度的具体取值将直接影响遥感图像处理与分析的最终精度。近年来遥感数据源日益增多，不同空间分辨率的遥感图像在不同尺度上给出了更多的地表信息。传统的多分辨率遥感图像分类方法重点大多放在了最优像元尺度选择、以及基于特征整合的多分辨率复合分类方法上，然而单一空间分辨率下的地表分类难以充分发挥多遥感数据源的综合作用，特征级多分辨率复合分类则需要高分辨率数据整体覆盖目标区域，因此上述方法在应用形态上均存在一定的局限性，如何充分利用同一地区、不同空间覆盖率的多种空间分辨率遥感数据，进一步提高广域分类精度已成为遥感图像分析的一个挑战。

对于广域地表分类问题，一般来讲固然使用高分辨率遥感图像可以得到更为精确的地表分类结果，但高分辨率遥感数据所固有的重访周期长、覆盖范围小、数据价格高等诸多限制，制约了其在大范围或长期地表监测中的实际应用。因此，采用遥感图像复合分类方法可以综合利用多种遥感数据在覆盖范围以及空间分辨率上的互补性，在保持较大覆盖范围的同时提高综合分类精度，基本解决思路是在低空间分辨率数据的大覆盖范围中选用若干小覆盖范围的高空间分辨率数据来指导全局低空间分辨率数据的分类过程。

现有的高低分辨率图像复合分类方法根据分类过程中高分辨率图像指导低分辨率图像时的退化级别的不同，可以分为像元级复合监督分类和亚像元级退化分析。目前像元级复合分类方法采用传统的监督分类方法，比如SVM、决策树等，由于高分辨率图像需要经过重采样降分辨率至低分辨率像元精度后再加使用，这造成了观测信息的丢失，无法充分利用高低分辨率图像间的多对一空间对应关系，低分辨率混合像元问题也无法得到很好地解决。基于退化函数的亚像元级退化分析复合分类方法在高低分辨率图像解析结果之间的衔接多采用参数化的线性或非线性退化模型，分类精度受模型描述方式的影响较大，且由于参数化退化模型的本质是基于样本的回归分析，因此相关参数与空间分辨率变化的相关强度将直接影响退化模型的建模精度，这会带来分类结果的不确定性。基于真实似然函数的亚像元级退化分析复合分类方法是近年来逐步发展起来的新型算法之一，该方法较好反映了低分辨率图像的亚像元级类别组成，但真实似然函数下的最大似然分类判别准则制约了对多分类特征的支持，影响了对真实似然分布的表达能力和地物类别区分能力，且抗噪能力较差。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种基于真实似然特征的多分辨率遥感图像复合分类方法，本方法综合利用多分辨率遥感图像，构建高低分辨率遥感图像像元间多对一空间关系，获得低分辨率图像像元内的地物分布状况，分析空间分辨率退化对地表状况刻画所产生的影响，从而解决高精度的广域低分辨率遥感图像的分类问题。

为了实现上述目的，本发明采用的技术方案是：

基于真实似然特征的多分辨率遥感图像复合分类方法，包括以下步骤，

步骤一，进行局部训练区域内的配准：首先，选择一个或者一个以上同时具有高低分辨率图像且包含各类地物类别的局部区域作为训练区域，其次，根据高低分辨率图像的分辨率比例关系对高分辨率图像进行分辨率整数倍率调整，使得高低分辨率比例为整数倍，最后，对高低分辨率图像进行局部空间配准；

步骤二，进行真实似然分布提取：首先，提取低分辨率图像的光谱特征，其次，对高分辨率图像进行无监督分类，最后，利用高低分辨率图像间空间多对一关系获得真实似然分布；

步骤三，进行真实似然特征提取：在真实似然分布基础上进一步提取真实似然特征，由公式(1)，公式(2)和公式(3)分别求取平滑似然期望值ML_lc(x)、平滑方差VL_lc(x)和归一化样本数量N_w(x)；