[发明专利]一种基于纹理基元的遥感图像分类方法

说明书

技术领域

本发明属于遥感图像处理技术领域，更具体地，涉及一种基于纹理基元的遥感图像分类方法。

背景技术

随着遥感成像技术的发展以及卫星可见光、多光谱和高光谱等多源影像成像分辨率的提高，高分辨率的遥感影像已经开始广泛应用于各个领域。纹理作为场景的重要外观特征，为视觉感知提供了重要信息。有研究表明，大范围场景图像中有80％的信息都是纹理信息，因此，纹理分析是描述图像场景的重要手段。

传统的纹理特征，例如共生矩阵、行程长度等，都是从信号与特征空间的角度人为地提取出来的，当场景图像中各类景物的纹理非常复杂时，这些简单的纹理特征受其表达能力所限，特征的分类性能就会下降。纹理的统计建模理论表明，只需要用很少几个参数来描述纹理特征，就能为纹理提供简练的表示，而且能把纹理分析问题转化为一个明确的统计推理问题来处理。纹理基元(texton)就是这种统计推理中的常用统计单元，其描述了自然图像中基本的微观结构，包含图像的几何、形态和灰度信息，是能被人类视觉预先感知的原子信息。纹理基元描述了局部纹理特征，对整幅图像中不同纹理基元的分布进行统计则可获得图像的全局纹理信息。将一幅图像分解为简单的纹理基元，不仅能压缩图像的维度，减少变量之间的相关性，更有利于图像建模，而图像建模是图像分割和识别中不可或缺的一步。

常用的纹理基元提取方法都是基于滤波的方法，该方法来源于在神经生理学中被发现并被广泛接受的多通道滤波机制。用一组方向和空间选择的滤波器对纹理图像进行滤波，得到每个像素块的滤波响应向量，然后对这些滤波响应向量进行聚类，每个类别的代表向量就是一个纹理基元。常用的滤波器有Gabor滤波器、小波塔和滤波器组等。2009年，Manik Varma和Andrew Zisserman提出了一种基于统计的纹理分类方法(Manik Varma，Andrew Zisserman，“A Statistical Approach to Material Classification Using Image Patch Exemplars”，IEEE Transactions on Pattern Analysis and Machine Intelligence，31(11)，2032-2047，2009)，该方法不使用滤波器，而是直接使用每个像素点周围的像素值作为特征，进而提取纹理基元。

在遥感影像获取时，由于受到成像时相、天气等变化参数的影响，所成的图像往往对比度较小,特征不明显。在这种情况下，即使采用灰度校正等预处理方法后，使用以上方法对同一场景在不同成像条件下所成的遥感图像进行场景分类时，也很难消除各变化因素对图像灰度的影响，导致典型地物间的特征不明显，区分度变小，分类结果差别较大。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种基于纹理基元的遥感图像分类方法，目的在于解决不同时相、不同大气环境参数条件下，同一场景的光学遥感图像的分类问题。

一种基于纹理基元的遥感图像分类方法，包括以下步骤：

(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；

(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；

(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；

(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(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；

(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；

(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；

(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；