[发明专利]一种基于多特征融合的遥感图像分类方法

说明书

技术领域

本发明涉及一种图像分类方法，尤其涉及一种基于多特征融合的遥感图像分类方法，属于图像识别技术领域。

背景技术

随着遥感和信息技术的迅速发展，每天可获取的遥感图像数据量正以惊人的速度增长。面对海量的遥感数据，如何利用计算机自动地把图像按照人们理解的方式分类到不同的语义类别成为了一个富有挑战性的问题。在计算机视觉研究的语义内容中，图像的场景类别不仅包含了人们对一幅图像的总体认识，而且还为进一步识别出图像中的其他内容提供了基础。因此图像场景分类就成为了当前计算机视觉和多媒体信息处理领域的热点问题。

       传统的遥感影像目视解译方法不仅要求丰富的专业经验和充足的野外实地调查资料，而且由于这种识别方法是建立在特定的先验知识基础上，因此识别难度很大，效率很低，例如，文献【张锦水, 何春阳, 潘耀忠, 等. 基于SVM的多源信息复合的高空间分辨率遥感数据分类研究[J]. 遥感学报. 第10卷， 第1期， 2006:49-57.】中所采用的方法。高分辨率遥感影像能够提供大量的地表特征，充分体现在地物内部分异明显、纹理增多、细节丰富和边缘突出方面。地物空间分布复杂,同类物体呈现出很大的光谱异质性，具体表现为类内方差变大、类间方差减小、不同地物的光谱相互重叠，使得传统的基于像元的分类技术容易造成较多的错分、漏分现象，从而导致分类精度较低。上述方法主要依据光谱信息，没有较好地利用高空间分辨率影像的对象特征。近年来出现了面向对象的分类方法，例如，文献【黎新亮, 赵书河, 芮一康. 面向对象高分辨遥感影像分类研究[J]. 遥感信息, 2007, 6:58-61.】中所采用的方法。

根据描述图像的方式不同，当前面向对象的场景分类方法分为基于全局特征和基于局部特征的词袋模型两大类。而早期的场景分类方法是根据图像的全局统计特征来描述场景内容的，如颜色直方图，例如，文献【MICHAEL J. SWAIN, DANA H. BALLARD. Color Indexing[J]. International Journal of Computer Vision, 1991, 7(1):11-32.】中所采用的方法，纹理，例如，文献【Tai Sing Lee. Image Representation Using 2D Gabor Wavelets. IEEE Transactions on pattern analysis and machine intelligence, 1996, 18(10):1-13.】中所采用的方法。颜色直方图具有仿射，旋转等不变性，并且计算效率高。但是由于其丢弃了图像的空间信息，对于两幅颜色分布相同，内容并不一样的图像缺乏区分力，因此鲁棒性不好，识别效率不高。近年来，场景分类的主流方法是基于词袋模型^[5]（bag of visual words, BOVW）的方法，它将图像表示为一些局部图像块，每幅图像像句子一样表示为不同比例的单词，所有单词的集合组成一个词典。词袋模型具有计算简单，对噪声、光照和局部遮挡更加鲁棒等特点。但是由于遥感图像纹理信息丰富，局部特征点较多，直接采用基于聚类方法获得视觉单词不一定能反映场景特征，从而造成了总体分类精度也不高。而对于高分辨率遥感图像中的不同目标，各个特征的表现并不一致。如有些类可能由于其颜色特征的显著性，所以最适合采用颜色直方图特征来进行分类，而有些类纹理比较丰富，使得局部特征比较明显。显然如果采用同一种特征对不同类别目标进行分类不再适用。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于多特征融合的遥感图像分类方法，能够获得更精确的遥感图像分类结果。

本发明具体采用以下技术方案解决上述技术问题。

一种基于多特征融合的遥感图像分类方法，包括以下步骤：

步骤A、分别提取训练集遥感图像的视觉词袋特征、颜色直方图特征和纹理特征；

步骤B、分别利用训练集遥感图像的视觉词袋特征、颜色直方图特征和纹理特征进行支持向量机训练，得到三个不同的支持向量机分类器；

步骤C、对于未知的测试样本，分别提取其视觉词袋特征、颜色直方图特征和纹理特征，并利用步骤B中所得到的相应的支持向量机分类器进行类别预测，得到三组类别预测结果，然后采用加权综合法对三组类别预测结果进行综合，从而得到最终的分类结果。

    优选地，所述提取视觉词袋表示，是指采用改进的词袋模型，提取加权的视觉词袋表示；具体包括以下步骤：