[发明专利]一种基于光谱与纹理特征的多光谱遥感图像地物分类方法

说明书

技术领域

本发明属于数字图像处理技术领域，涉及一种多光谱遥感图像地物分类方法，尤其涉及一种基于光谱与纹理特征的多光谱遥感图像地物分类方法，其为基于光谱特征与纹理特征对中高分辨率多光谱遥感图像中的典型地物进行分类方法。

背景技术

遥感图像能大面积反映地物情况，基于遥感图像的地物分类可应用于环境监测、资源调查、土地规划、灾害防治、地物测绘等多个方面。多光谱遥感图像通常具有4-7个波段，相较于单波段的全色遥感图像能获得地物在蓝、绿、红、近红外等波段的更多信息，有利于地物类型的识别。随着遥感图像分辨率的提高，高分辨率多光谱图像中显示地物的细节越来越多，也使得信息的利用变得复杂，有效利用多光谱遥感图像中的光谱特征与纹理特征是提高地物分类准确性的重要方面。

多光谱遥感图像地物分类是多光谱遥感图像应用的一个重要方面，所开展的研究较多，已出现了大量的地物分类算法。目前多光谱图像分类方法主要基于地物光谱特征和纹理特征来分类。基于像元光谱特征的分类方法易形成大量噪声点，分类区域一致性差，多用于低分辨率遥感图像地物分类。纹理特征也是地物的重要特征之一，统计熵、LBP等纹理特征被用于对Landsat-7ETM+、SPOT等图像的地物分类。由于高分辨率多光谱图像中地物的纹理特征复杂多变，纹理特征描述的窗口大小直接影响了分类结果。纹理特征的计算窗口尺寸过大，易包含多种地物，使得纹理描述不准确，导致误分；计算窗口尺寸过小，则不易体现地物的纹理，导致错分。不同的研究中纹理窗口大小存在明显差异，有的选择5×5，有的选择13×13等。

现有多光谱遥感图像地物分类方法，多能将纹理粒度较小、光谱较均一的地物较好地分类，但在高分辨率图像中居民区、山区等区域纹理粒度较粗，且混杂了少量其他地物类型，不易形成一个较大的分类区域，分类区域包含噪声多、一致性较差。土地规划、大环境分析等部分应用中对地物分类一致性要求较高，需要针对分辨率多光谱遥感图像研究一种基于光谱与纹理特征的多光谱遥感图像地物分类方法，能适应不同纹理粒度的地物分类。

发明内容

本发明所要解决的技术问题在于提供一种基于光谱与纹理特征的多光谱遥感图像地物分类的方法。该方法将四叉树分块技术与SVM分类技术相结合，更好地提取与应用地物的光谱与纹理特征，使得分类结果区域一致性较好。

为实现上述目的，本发明采用下述技术方案：一种基于光谱与纹理特征的多光谱遥感图像地物分类方法，包括如下步骤：

步骤（1）、典型地物样本库的建立：根据需要分类的地物类型，在同一卫星多光谱图像中选取每种地物的32×32像素的样本图像块50—100个，构成样本库；

步骤（2）、典型地物特征提取与归一化处理：对每个样本图像块提取光谱特征与纹理特征，分别统计出每种光谱、纹理特征的最大值与最小值，并进行归一化处理；

步骤（3）、SVM分类器训练：对每个样本图像块，将其归一化后的光谱与纹理特征形成一个特征向量，将其对应的地物类型形成另一个向量，作为训练样本输入到SVM中，得到SVM分类器；

步骤（4）、分块的特征选取与准则制定：根据对样本库中地物的区分能力，采用启发式方法从光谱特征、纹理特征中分别选择能有效区分地物的2-3个特征，并采用欧氏距离制定四叉树的分块准则；

步骤（5）、待分类图像的分块：从待分类图像的左上角开始，对每个64×64像素的图像块采用四叉树进行分块，得到待分类图像块；

步骤（6）、待分类图像的地物分类：分别计算每个待分类图像块的光谱特征与纹理特征，进行归一化处理后输入到SVM分类器，得到待分类图像块的地物类型；

步骤（7）、边界块处理：在地物分类的边缘，选取与边缘相邻的8×8图像块，按光谱特征采用区域增长方法形成1-3个区域，根据光谱特征欧氏距离合并到相似周围图像块。

其中，所述步骤（2）中，光谱特征主要包括各个波段的光谱值、波段间的比值、地物指数，纹理特征主要包括边缘丰度以及基于灰度共生矩的能量、相关性和熵，边缘丰度为边缘点与像素点的比值，其中边缘点是采用Sobel算子得到。

其中，所述步骤（3）中，采用光谱或纹理特征的阈值作为四叉树的分块准则，其中，光谱特征阈值的要求为：在欧氏距离取值范围内统计不同值在判断样本图像库中不同地物差异性的正确率，选择正确率最高的值作为光谱特征分块的阈值。

其中，所述步骤（7）中，在四叉树分块中，对图像块最多进行4级分块，最小分块为8×8像素。