[发明专利]一种用于面向地理对象影像分析的特征选择方法

说明书

本发明公开了一种用于面向地理对象影像分析的特征选择方法，能够模拟人工构建地物提取规则的过程进行特征空间优化，利用自创建评价指标实现特征去相关和特征子集优化，并给出了分类顺序和特征的软阈值，可直接作为输入来获取区域地表覆盖类型详细数据集。本方法相较于其他特征选择算法而言，使用了特征组合评价指标来构建地物分类规则的方式而非使用单个特征评价指标，构建的地物提取规则更加合理；使用隶属度函数结合软阈值来描述地物，而不是“非零即一”的分类准则，使得分类结果更接近人类的语言和思维方式。本发明实现过程简单，极大地减少了人工干预的影响，应用效果显著，可实现面向对象地物分类过程中的自动构建地物提取规则。

技术领域

本发明属于面向地理对象影像分析技术的特征选择领域，涉及到一种用于面向地理对象影像分析的特征选择方法，该方法以高分辨率遥感影像的地物分类为实际应用背景，可用于复杂环境地物分类、典型目标地物提取和基于时间序列的土地利用类型变化监测等应用方向。

背景技术

面向地理对象影像分析(geographic object-based image analysis,GEOBIA)技术是遥感信息提取的一个新兴并迅速发展的研究领域，其充分利用了遥感影像的光谱、形状、纹理、拓扑、语义、时相等多方面特征，综合利用了多源信息，如GIS数据、数字高程模型(DEM)以及景观生态、人文地理专题数据等，融合了主流影像分析方法，如监督分类、模糊数学分类、基于规则的分类等，在一定程度上消除了基于像元分类过程中易出现的“同物异谱”和“同谱异物”现象，有效提高了信息提取的精度。GEOBIA技术从提出至今已有十余年，自动化、智能化是当今该技术最大的发展趋势，然而特征选择、规则集构建却成为制约GEOBIA自动化发展的关键因素。目前在特征选择和规则集构建方面主要存在两大难题：一是难以确定出哪些特征对于提取地物是有效的；二是数据源的差异限制了分类规则集的可移植性。因此，特征优选及构建分类规则集仍是当前费时且具有挑战性的研究工作。

目前，特征选择方法主要分为基于图像信息量和基于类间可分性两种：前者包括最佳指数法(optimal index factor,OIF)、自适应波段选择法(adaptive bandselection,ABS)、自动子空间划分法(auto-subspace partition,ASP)等；后者则包括基于欧氏距离(Euclidean distance,ED)、密度峰值聚类(density peaks cluster,DPC)、基于离散度(Scatter degree,SD)的方法和分离阈值法(separability and threshold,SEaTH)等。其中，OIF方法计算量过大，ABS模型是一种改进的OIF，方便快捷，有效缩短了OIF的运行时间，但难以选出真正具有代表性的波段，对于较复杂的影像目标分类时精度并不理想。ASP方法综合考虑波段相关性和信息量，但选出的波段较可能分布在同一子空间，难以达到最佳降维效果。基于ED的特征选择方法仅从类均值来评价，没有考虑类的分布和类间的重叠，SD模型没有考虑到特征间的相互影响，DPC也缺乏对波段信息量的度量。

本发明涉及到的SEaTH算法，首先由Nussbaum等人提出，该算法基于高斯分布混合模型，既能进行分类特征选取又能自动计算特征阈值，能够显著提高分类的精度和效率，是当前较有代表性的面向对象的特征优化方法，应用较为广泛。但该算法也存在局限性，例如该算法仅用J-M距离来评判单一特征、特征间可能存在较强相关性且无法确定分类顺序，另外，该算法给出的阈值只适用于硬分类，无法提供明确的、可调整的特征描述。国内外相关学者针对SEaTH算法存在的上述问题，主要针对特征不符合正态分布情况下的阈值计算问题和，使用类间距离、类内距离对特征波段综合进行评价等对该算法进行了优化研究，但现有的改进思路得到的阈值仍不可用于软分类中，且没有提出寻找最佳特征组合的方案，使得地物的提取还是无法达到理论最优的效果，地物分类顺序在一定程度上也过多地依赖于分类人员的专业技能和经验判断。

发明内容