一种基于特征分布的遥感图像质量评价方法

一种基于特征分布的遥感图像质量评价方法
【技术领域】
[0001] 本发明属于遥感图像质量评价应用领域，具体设及遥感图像纹理特征的计算方 法、纹理分布的估计方法W及基于特征分布的遥感图像分类精度估计模型。
【背景技术】
[0002] 目前，各国遥感探测的发展方兴未艾，我国也已经启动高分辨率对地观测的计划。 随着该计划的实施，我国将获取大量自主产权的遥感数据。为了利用该些数据大幅度提高 我国自主对地观测信息的能力，包括图像分类等在内的图像解译是不可或缺的一个技术环 -H- T。
[0003] 目前的图像质量评价方法主要从主观评价的角度进行的，就机器图像分类而言， 该些方法无法反映机器分类的可分性。图像的主观评价较高，对人工判读会有极大的帮助， 但是对于机器分类而言，无法度量用于遥感图像地物分类所用特征的可分性和稳定性。
[0004] 本发明提出基于特征分布的图像质量评价方法（其中特征包括灰度，能量，对比 度，逆差矩，滴，相关性），从遥感图像地物分类的角度研究卫星全色图像质量评估方法，该 与传统的侧重于图像逼真度的质量评估具有迴然不同的含义，具有重要的实际应用价值。

【发明内容】

[0005] 针对遥感图像在机器分类方面是否具有良好的可分性和稳定性，即如何去评价其 在机器分类方面的质量好坏，本发明提出了一种基于特征分布的图像质量评价方法，其具 体步骤如下：
[0006] S1 ;对图像中各个地物类别进行采样，提取灰度及纹理特征；设有遥感图像I，选 取图像中各个类别的部分区域作为样本（根据），W样本中的每个像元为中屯、点，开窗大小 为KXK化取5~21)，在此图像块的中统计其中屯、点的灰度共生矩阵，计算出纹理特征，过 程如下：
[0007] (1)灰度共生矩阵统计；取图像块化XK)中任意一点〔X，y)及偏离它的另一点〔 x+a，y+b)，设该点对的灰度值为〔&，g2)。令点〔X，y)在整个画面上移动，则会得到各种〔 gi，g2)值，设灰度值的级数为k，则（gi，g2)的组合共有k2种。对于整个画面，统计出每一 种〔&，g2)值出现的次数，然后排列成一个方阵，再用〔gi，g2)出现的总次数将它们归一化 为出现的概率P〔gi，g2)，该样的方阵称为灰度共生矩阵。距离差分值〔a，b)取不同的数值 组合，得到不同数值组合下的联合概率矩阵。
[000引 似纹理特征计算；常用的描述纹理的特征有能量脑ergy)、对比度（Contrast)、 逆差矩（Inverse Difference Moment)、滴巧 ntropy)和相关（Correlation),其中，L 为灰 度级，P(W)为归一化的灰度共生矩阵，能量用来衡量灰度分布的均匀性，其计算公式为： [0009]
[0010] 对比度反映了局部纹理的变化剧烈程度，其计算公式为：
[0011]
[0012] 逆差距反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图 像纹理的不同区域间缺少变化，局部非常均匀，其计算公式为：
[001 引
[0014] 滴是图像中所具有的信息量的度量，纹理的复杂度越高就意味着图像信息量越 大，其滴越大，公式如下：
[0015]
[0016] 相关性指标度量灰度共生矩阵里的各值在行与列上的相似程度。因此，相关性的 大小反映了图像中局部灰度分布的相关性。当矩阵元素值均匀相等时，相关就大；相反，如 果矩阵像元值相差很大则相关值小。其中Uy，Uy为分别为灰度共生矩阵行方向和列方向 上的均值，5,，Sy分别为灰度共生矩阵行方向和列方向上的方差，其计算公式如下；
[0023] S2 ;均值约束的GMM(高斯混合模型）参数估计；遥感影像中各类地物由于某些地 物的特征分布极其相似，特征的概率密度曲线混叠较严重。所W本文基于遥感图像的特点 提出添加均值约束的GMM算法对提取的样本特征进行计算。其计算过程如下：
[0024] (1)设当前图像中当前特征的每类均值为叫，...me,则令初始参数值为0° = 咕，...，a。nil，. . .me, 5 1，. . . 5J;其中ai，. . .，ac为每类的类别权重，该权重由用户根 据图像地物先验分布确定，如无先验知识，就默认为1/C，即平均分布，满足玄^=1?^ = 1;S1，...S。为特征值方差，C为类别数；
[0025] (2)由0 °迭代t次得到0t，t为迭代次数，利用参数值0H十算当前像素属于第 j类的后验概率0j(x)，j= 1，2, . . .C，计算式如下；
[0026]
[0027] 其中g(x，yJ，5P为均值为yJ，方差为SJ的高斯分布的概率密度函数，即[002引
[0029] 做固定均值，W日°={a1，. . .，a。叫，...m。5 1，. . . 5J为初值，迭代计算各参 数，包括地物类别权重、协方差，计算公式为：
[0033] N为图像中像素个数；
[0034]重复（2) (3)，若II0new- 0II<CC为误差值（根据精度需求选取，本发明取小 于1(T5)，迭代停止，则得到固定当前均值为叫，...m。时的权重和方差估计结果。
[0035] S3 ;构建基于ka卵a系数的质量评价模型；
[0036] kappa系数是一种评价整体精度的度量指标，它可W作为样本的分类结果与真实 的地物类型的一致性检验。其公式如下：
[0037]
[0038] 令Pk是通过S2计算出的类别权重，作为先验概率，且有= 1;Pkk表示真 实情况下属于第k类，也被正确归为第k类的像素比例；Phdd代表实际不属于第k类，而被 误分为第k类的像素比例。利用Pk、PkkW及Pi^dd，可将Kappa系数改写成为与分类结果直 接相关的、各部分意义明确的新形式，如下所示：
[0039]
[0040] 由上式可知，Ka卵a系数的预估依赖于Pk、PkkW及Pkwd的求解。
[0041] 由于高斯分布是常见的分布形态，该里假设各类地物特征均服从多维高斯分布。 对于一维特征，设y1，^2, . . ? y2<w<yC分别为各类的均值；0 1，0 2. . . 0C 为对应各类的标准差；Pl，P2，. .p。为对应各类的先验概率；函数o(X)表示标准正态分布的 累积分布函数；hj. (1《j<C)表示第j类与第j+1类间的分类决策面，则任选k= 1，2. .C， Pkk和Pkadd可表示成：
[0044] 因此，基于不同的决策方法得到不同的分界面hj.(l《j<C)，Pkk和Pkwd的值随之 变化。本发明基于最小距离准则。
[0045] 最小距离准则是一种常见的分类 准则。它利用不同类别间地物属性相差较 大，而同一类别内地物属性相差较小的原则，根据像素或对象到各类中屯、的距离进行分 类。若像素或对象到某一类的类中屯、距离最小，则该像素或者对象则被标记为此类。例 如，对于灰度图像而言，若Xi为任意一个像素，yj(j= 1，2, ..C)为第j类的中屯、，且
，则Xi被分类第t类。
[0046] 基于上述正态分布的假设，根据最小距离分类准则下，第j类与第j+1类的分界面 可表不为：
[0047]
[0048] 则对不同的k，利用概率理论，（式3)、（式4)可计算如下：
[0049] ①若k=l，
[0化5](式2)即可作为面向图像分类的图像质量评价模型，（式5)~（式7)为各类均 服从正态分布下的图像质量评价模型具体计算方法。当分类准则和分类特征确定时，一幅 图像的分类性能完全可W根据（式5)计算Kappa系数进行推估.
【附图说明】
[0化6] 图1 ;本发明方法的基本流程图。
[0化7] 图2 ;实验数据
[005引图3 ;德国KOB地区的数据，从中截取田地、林地和城区S种地物类型，构建 200*600大小的图片
[0059] 图4是本发明中基于均值约束GMM估计结果与GMM估计结果（灰度特征）比较 图；
[0060] 图5是本发明与基于最小距离分类的真实kappa系数计算结果比较图。
【具体实施方式】
[0061] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及示例性实 施例，对本发明进行进一步详细说明。如图1所示，本发明的具体过程为：
[0062] (1)提取纹理特征：对输入的大小为600X200的遥感图像进行基于灰度共生矩阵 的纹理提取，本实施例开窗大小为取21X21。
[0063] 似获得均值初值对原始遥感图像，W图像中地物类别为标准（本实施例图像类 别C取3)，选取各个类别图像采样，统计出灰度共生矩阵，计算各个特征的均值和方差，选 择灰度特征为本实施例的特征，作为GMM估计均值初值。
[0064] 做固定均值的GMM参数估计；初始参数值0°={a1，32,33,nil，nvnv51，52， 63} = {0. 33,0. 33,0. 33,65. 6，14. 8，117. 75,20. 4,7. ：M，61.39}，利用参数值日H十算后验 概率Pj.(x)，j=l，2，..C，t为迭代次数。固定均值，计算各参数（权重、协方差）：
[00化]均值为Uj.，方差为Sj.的高斯分布的概率密度函数为；
[0071] 重复计算0J山和各参数，若II0neW-0II<CC为误差值（根据精度需求 选取，本实施例取于1(T5)，迭代停止，则得到当前均值为{mi，m2,1%} = {65. 6,14. 8,117. 7引 时的其他参数估计结果切，32, 33, 51，52,63} = {0.2992,0. 3022,0. 3985, 21. 45, 7. 82， 63. 00}
[0072] (4)图像分类精度指标kappa系数计算；由得到的相应均值的权重和方差计算出 相应的kappa系数，
[0073]
[0074] 计算得到当前图像的kappa系数为0.56。
【主权项】
1. 一种基于特征分布的遥感图像质量评价方法，其特征在于包括如下步骤： (1) 获取遥感图像，由图像肉眼直观取得图像的地物类别数C; (2) 对图像中各类地物分别采样，根据样本，生成灰度共生矩阵；根据共生矩阵，计算 出各类地物的样本特征，包括能量、对比度、逆差矩、熵和相关性； (3) 计算各类地物样本特征的均值和方差，作为参数估计的初始参数值，进行高斯混合 模型参数估计，得到遥感图像各类地物的类别权重a k、协方差〇k，k= 1，2, ···(：； (4) 计算图像分类精度指标系数kappa，包括下述子步骤： (4.1)建立分类决策面比其中，(j = 1，2, .. C)为均值，是第j类地物相应的高斯空间的中心； (4. 2)计算 Pkk、Pkadd: 若k = 1，则式中，Φ为高斯分布函数；Pk是通过步骤（3)计算出的类别权重；Pkk表示真实情况下 属于第k类，也被正确归为第k类的像素比例；Pkadd代表实际不属于第k类，而被误分为第 k类的像素比例； (4. 3)计算分类精度指标kappa:2. 根据权利要求1所述的方法，其特征在于，所述步骤（3)中进行高斯混合模型参数 估计包括如下子步骤： (2· 1)设当前图像中每类均值分别为叫，· · .mc，则令初始参数值为Θ ° = {ai，· · ·，ac， S1,... δ。};其中ai，...，ac为每类地物的类别权重，该权重由用户根据图像地 C 物先验分布确定，如无先验知识，就默认为平均分布Ai= 1/C，满足=1 ; δ i，. . . δ。为 /-I 特征值方差，C为类别数；g(x，μ ^ δ ρ为高斯分布的概率密度函数：式中，Uj为均值，δ j为方差； (2. 2)令 μ ., = m .,，j = 1，2· · C，迭代计算N为样本中各类地物的像素个数；X是代表像素的变量，f^_(X)表示当前像素属于第j 类的后验概率； 按（式1) _(式3)迭代计算，直至达预定迭代精度ζ，迭代停止，得到固定均值为!1^时 的类别权重％和方差的估计结果。3.根据权利要求2所述的方法，其特征在于，所述步骤（2. 2)中，迭代停止条件为： I θt+1- θ 11 I〈 ζ， 其中，St是第t次迭代结果，t为迭代次数，II II表示求欧氏距离，预定迭代精度ζ 为10-5-10-6,根据计算精度和收敛速度综合权衡。
【专利摘要】本发明公开了一种基于特征分布的遥感图像质量评价方法，包括以下步骤：对输入的遥感图像中每一类别采样，提取灰度及特征；计算特征样本中每类的均值与方差，作为基于高斯模型的EM估计(GMM估计)的初始值，进行高斯混合模型GMM估计；依据GMM估计得到的各个类别特征的方差以及权重，通过构造的基于kappa系数的质量评价模型，计算出表征遥感图像质量的kappa系数。本发明在评价遥感图像质量评价时，充分利用了遥感图像的图像特征，并利用图像分类的方法对评价方法进行验证，因此能够有效的对图像质量做出客观的评价。本发明提出的固定均值高斯混合模型GMM，收敛性更好。
【IPC分类】G06T7/40, G06T7/00
【公开号】CN104881867
【申请号】CN201510243039
【发明人】田岩, 张慧敏, 阮崇武, 许毅平
【申请人】华中科技大学
【公开日】2015年9月2日
【申请日】2015年5月13日