[发明专利]一种基于纹理基元的遥感图像分类方法

权利要求书

1.一种基于纹理基元的遥感图像分类方法，其特征在于，包括以下步骤：

步骤(1)选取N类地物的多个遥感图像块并分为第一训练集和第二训练集；

步骤(2)对所述第一训练集中属于第i类地物的每个遥感图像块，提取其每个像素的n×n邻域，其中i＝1,2,…,N，计算邻域内每个像素的灰度值与中心像素灰度值的差值，所述差值经正向偏移后，按行重新排列得到n²-1维的邻域特征向量，所述第i类地物所有遥感图像块的邻域特征向量组成所述第i类地物的邻域特征向量集合；

步骤(3)对所述第i类地物的所述邻域特征向量集合进行k-means聚类，得到的聚类中心作为所述第i类地物的纹理基元；

步骤(4)对所述第一训练集中所述N类地物的所有遥感图像块重复执行所述步骤(2)和步骤(3)，得到所述N类地物中每一类地物的纹理基元，组成纹理基元字典；

步骤(5)按照所述步骤(2)提取所述第二训练集中每个遥感图像块的每个像素的邻域特征向量，将得到的每个邻域特征向量与所述纹理基元字典中的纹理基元逐一进行比较，用距离其最近的纹理基元标记各邻域特征向量，统计标记后各纹理基元出现的频数；

步骤(6)对所述第二训练集中每个遥感图像块的每个中心像素的灰度值进行分箱处理，得到各个箱子-纹理基元值对的频数；

步骤(7)统计所述第二训练集中每个遥感图像块的中心像素-纹理基元二维联合分布，得到所述第二训练集中每个遥感图像块的纹理模型；

步骤(8)对所述第二训练集中所述N类地物的所有遥感图像块重复执行所述步骤(5)～步骤(7)，得到所述N类地物的纹理模型，形成各类地物的纹理模型库；

步骤(9)将待分类的遥感图像块划分成多个超像素；

步骤(10)对每个超像素依次执行所述步骤(5)和步骤(6)，得到各个箱子-纹理基元值对的频数；

步骤(11)对每个超像素的箱子-纹理基元值对的频数进行拉普拉斯校准，统计每个超像素的中心像素-纹理基元二维联合分布，得到每个超像素的纹理模型；

步骤(12)使用最近邻分类器，将每个超像素的纹理模型与所述纹理模型库中已知类别属性的纹理模型逐一进行比较、分类，进而实现对所述待分类的遥感图像块的分类。

2.如权利要求1所述的方法，其特征在于，所述步骤(5)中，邻域特征向量与纹理基元之间的距离用欧氏距离d表示：

d＝||V-T||²

其中，V表示邻域特征向量，T表示纹理基元。

3.如权利要求1所述的方法，其特征在于，所述步骤(6)中使用等宽分箱法对每个中心像素的灰度值进行所述分箱处理，统计每个纹理基元在中心像素灰度级上的分布频数，得到各个箱子-纹理基元值对的频数。

4.如权利要求1-3中任一项所述的方法，其特征在于，所述步骤(7)中根据各个箱子-纹理基元值对的频数，得到每个箱子-纹理基元值对的频率，所有箱子-纹理基元值对的频率组成了中心像素-纹理基元的二维联合分布。

5.如权利要求1-3中任一项所述的方法，其特征在于，所述步骤(9)中的超像素个数K是依据所述第二训练集中每个遥感图像块所含的像素数S进行划分的，即：

K=S′S]]>

其中，S′是所述待分类的遥感图像块所含的像素个数。

6.如权利要求1-3中任一项所述的方法，其特征在于，步骤(12)中将每个超像素的纹理模型f_s(bin,texton)与所述纹理模型库中已知类别属性的纹理模型f_m(bin,texton)逐一进行比较，模型之间的距离使用χ²统计来度量，即：

χ2(fs,fm)=12ΣtextonΣbin[fs(bin,texton)-fm(bin,texton)]2fs(bin,texton)+fm(bin,texton)]]>

根据χ²统计比较结果，将每一超像素标记为所述纹理模型库中距其最近的纹理模型所属的类别。