[发明专利]结合形状自适应邻域和纹理特征提取的遥感图像处理方法

说明书

技术领域

本发明涉及遥感图像处理领域，更具体地，涉及一种结合形状自适应邻域和纹理特征提取的遥感图像处理方法。

背景技术

随着航天、航空技术的发展，多源、海量遥感数据获取，使遥感图像自动分类研究迫在眉急。然而，单纯依据光谱特征的图像分类精度无法令人信服，始终不及目视解译的识别精度，未能投入到实际应用中。人们依据人类视觉认知的理论，又补充了形状特征完善其分类效果，如：面向对象、形状自适应邻域（SAN）等方法提取特征、辅助分类，虽有改善，但其分类精度仍不尽人意。纹理特征作为遥感图像的三种有用信息之一，它是提高遥感图像分类精度的重要解决途径，也将对运用人类视觉认知过程深入识别目标对象起到积极的作用。

纹理可视为灰度（颜色）在空间以一定的形式变化而产生的图案（模式），它是像素之间空间关系的描述。在遥感图像分类技术的应用中，纹理特征提取一直受到国内外学者的关注，各种经典的图像纹理特征提取方法几乎均被应用到遥感图像分类中，包括：统计方法、结构方法、模型方法，以及信号处理的频域分析方法等。在各种方法中，被研究得最多的就是统计方法，有灰度共生矩阵(GLCM)、纹理谱统计、变差函数、自相关函数等。其中，灰度共生矩阵(GLCM)被视为描述遥感图像中自然分布地物纹理特征信息最完整的一种算法，也是被研究的最为广泛的方法之一。由于这种方法的计算量庞大，使其应用受限，该算法的研究者探索了多种解决途径：一是采用压缩图像数据来减少计算量；二是指出灰度共生矩阵中的14个纹理描述符，大多数存在高度相关性，只有少数几个不相关，可通过优选纹理描述符，既减少计算量，又保持较完备的纹理信息，满足提高遥感图像分类精度的要求；三是通过改进共生矩阵的数据结构来节省计算时间。这些为灰度共生矩阵方法投入遥感图像分析应用提供了有益的借鉴和启示。

然而，各种纹理特征提取方法的一个共同缺点均是在提取特征前未确定边界，使得其在计算纹理特征的过程中，将其他异类的像素也包含在内，导致了地物边界像素分类模糊，且难以确定窗口大小，并对其结果影响很大等现象。前期已有研究提出了“一种形状自适应邻域（SAN）的遥感图像形状特征提取方法”，它可辅助解决纹理特征提取中确定边界的问题。该方法根据所选择图像颜色特征或灰度的目标像素，据其异质性对邻域像素进行特征提取，并保证自适应特征提取的形状对象与目标像素是同一类地物。显然，自适应邻域特征提取的对象是自然界地物不规则的形状，而传统的纹理提取方法所计算对象都是在矩形或方形的规则矩阵中。迄今为止，尚未有方法在自适应邻域下进行纹理特征的提取。

发明内容

针对现有技术的不足，本发明提出一种结合形状自适应邻域和纹理特征提取的遥感图像处理方法，保证在不规则SAN形状特征对象中提取纹理特征，它既能解决纹理特征边界模糊的问题，又能缓解纹理信息提取窗口难确定的问题，并满足算法自身所需的概率分布特征。

为实现上述目的，本发明的技术方案为：

一种结合形状自适应邻域和纹理特征提取的遥感图像处理方法，包括如下步骤：

S1.图像预处理：选择图像波段进行彩色RGB图像合成，转换到HSV颜色空间；在图像HSV空间中定义其像素异质性，逐像素生成形状自适应邻域SAN，即基于颜色特性的形状特征图；对该形状特征图进行压缩；

S2.对压缩图像进行灰度共生矩阵计算；将所产生的灰度共生矩阵进行SAN对象窗口的S系数修改，得到规则的矩阵，其中：S系数为不规则SAN中的像元数与窗口的尺寸大小的商；

S3.根据步骤S2修改后的规则的共生矩阵计算新的共生矩阵，选择熵、对比度和相似性三个特征明显、相关性低的纹理描述符；提取SAN不规则图形中的纹理特征图；

S4.对步骤S3计算所得的SAN的纹理特征图进行特征级的数据融合，生成具有彩色、SAN形状和纹理特征的融合图像，即邻域的总体特征。

其中步骤S1中生成的形状自适应邻域SAN是指：对于每一个像素，其邻域的形状不确定，具体的邻域形状视该像素与其相邻的像素点的异质性来判断是否属同一类来确定。这样，每一个邻域内的特征只表达了“中心”像素的特征与指定阈值范围内的SAN特征；而其中的图像压缩则是为了减少计算量。步骤S2中的S系数修改是修改窗口矩阵的方法，是为了解决不规则形状矩形纹理计算算法中的概率分布问题。步骤S3中选择的纹理描述符是从灰度共生矩阵分析方法中的14个纹理描述符中选择的。

更进一步的，所述步骤S1中的对形状特征图进行压缩是采用Zip压缩工具，将其8比特（256×256）彩色结果图像压缩为5比特图像（32×32）。