[发明专利]一种高分辨率遥感图像场景粗分类方法

说明书

技术领域

本发明属于遥感图像处理领域，具体涉及一种对高分辨率遥感图像进行场景分类的方法，用于为遥感图像的目标识别提供上下文信息。

背景技术

高分辨率遥感图像一般指1m～5m的可见光航空遥感图像，高分辨率遥感图像的数据量很大，如果直接对其进行特征表达、特征聚类及分割的方法进行目标识别，将耗费大量的计算资源，导致处理效率低下。因此，提出大尺度下对遥感图像进行场景粗分类的思想，将一幅图像分割为跟我们所感兴趣的目标相关联的有限区域，然后根据目标的性质在具有依赖关系的区域中提取目标。这样可以提高目标提取的效率和精度。这就是场景分类的目的所在。

遥感图像分类包含特征计算方法和分类方法两大主干。特征计算有多种方法。文献表明，当前应用较为广泛的有统计方法、随机场模型方法和信号处理方法。统计方法特征计算的计算量大、分割精度差，受到噪声影响较大；随机场模型对大尺寸、灰度级较多的图像分割计算量是极大的，不满足快速处理的需求。而信号处理中的小波变换方法具有多尺度特性，可以对图像进行不同分辨率上的处理，在遥感图像处理中应用成熟。

现有的分类技术大都应用于针对图像的单个像素进行分类，强调像素级分类的精度。这在小尺度目标分类中具有实际意义。但遥感图像在小尺度上不具备语义上的意义，因为地物场景通常都是大尺度区域，因此像素级分类无论是在效率上还是精度上都不符合实际需求。因此一种可以对大尺度对象进行分类的方法对遥感图像分类比较有效。

发明内容

本发明的目的在于提出一种高分辨率遥感图像的场景粗分类方法，为基于遥感图像的目标识别提供上下文信息。

为实现本发明的目的所采用的具体技术方案为：

一种高分辨率遥感图像的场景粗分类方法，包括如下步骤：

1.图像初始分割

图像初始分割包含特征提取、特征数据聚类以及图像标号。

特征提取采用基于小波分解的Laws纹理算子法，首先对图像进行二维离散小波分解，得到多组小波系数矩阵，再利用Laws算子对得到的小波系数矩阵进行平滑处理，得到表征图像每个像素点的特征数据。

接着，采用模糊C均值聚类方法对特征数据进行类别划分，计算出隶属度矩阵和聚类中心点并保存数据。

最后，采用最大化隶属度矩阵的准则对图像的每个像素点进行类别标记，由此得到初始分割结果。

采用小波分解进行特征描述是基于遥感图像的数据量较大而产生的计算效率低下的考虑，因为小波分解直接降低了图像的分辨率。同时由于遥感图像表现出来的纹理特性，采用Laws算子则正好体现了纹理信息在遥感图像特征提取中的应用。采用模糊C均值聚类方法有两个目的：一是对特征进行聚类；二是计算出隶属度矩阵可以作为后面的上下文分类处理的输入。

2.上下文分类

首先，将步骤1中利用模糊C均值聚类计算所得到的隶属度矩阵作为初始后验概率；再利用概率松弛迭代算法对每个像素8邻域内的中心点做概率更新，直至收敛，得到最终的后验概率；最后，根据最终的后验概率，采用最大化后验概率准则对图像的每个像素点进行类别标记，得到调整后的分割结果，即完成对图像的上下文分类。

其中，概率更新的公式定义如下：