针对遥感影像地表覆盖分类的最优分割尺度确定方法

针对遥感影像地表覆盖分类的最优分割尺度确定方法
【技术领域】
[0001] 本发明设及遥感影像的处理方法，特别是针对遥感影像地表覆盖分类的最优分割 尺度确定方法，属于图像处理领域。
【背景技术】
[0002] ±地覆盖指自然营造物和人工建筑物所覆盖的地表诸要素的综合体，包括地表植 被、±壤、湖泊、沼泽湿地及各种建筑物（如道路、房屋等）。±地覆盖是全球环境变化的重 要强迫因子，近些年来受到了越来越多研究者的关注。
[0003] 随着遥感科学技术的发展，遥感影像的分辨率越来越高，该为多种空间尺度上地 表覆盖的制图提供了可行性。遥感影像的分类是地表覆盖制图中的重要环节，决定了地表 覆盖制图的质量。目前，进行遥感影像分类的方法主要分为两大类；（1)面向像素的方法， (2)面向对象的方法。
[0004] 像素是遥感影像的基本单元，利用像素的统计信息进行遥感影像的分类是最简 洁、有效的方法。然而，在中、高尺度的遥感影像中，单个像素对应的地面面积较小。因此受 地面复杂度的影响，利用基于像素的方法进行遥感影像分类会产生大量的'胡椒盐'噪点。 该大大降低了遥感影像分类的精度。
[0005] 为了克服基于像素的方法产生的'胡椒盐'噪点，一种结合地物纹理及空间信息的 分类方法悄然兴起一-面向对象的分类。不同于基于像素的方法，面向对象的方法首先将 遥感影像分割为光谱均质、空间连续的的独立对象，然后将对象进行分类处理。该样可W有 效的去除'胡椒盐'噪点，提高分类精度。然而，影像分割获得的对象的大小取决于影像的 分割尺度参数。较大的分割尺度会导致地物被低分割，相反，较小的分割尺度会导致地物被 过分割。很显然就证明，影像的过分割与低分割都会导致分类精度的降低，参见Liu化Xia F.Assessingobject-basedclassification:advantagesandlimitations[J].Remote SensingLetters, 2010, 1(4): 187-194.。不幸的是，最优尺度的确定往往需要对不同的分 割尺度进行试验，并依靠经验判定最优分割尺度。该不仅需要耗费大量的人力，而且很难保 证获得的最优尺度的准确性。
[0006] 近些年来，众多研究者都致力于解决影像分割最优尺度的选择问题。Lucian Dragut(2009)等提出利用局部方差自动确定图像的最优分割尺度，参见〇1'5阱！^1'16(16 D,LevickS民.ESP:atooltoestimatescaleparameterformultiresolutionimage segmentationofremotelysenseddata[J].InternationalJournalofGeographical InformationScience, 2010, 24巧）：859-871.该方法对于影像上所有的对象使用同一个最 优尺度。然而在大多数情况下，一幅影像中的对象大小各异，将同一分割尺度应用于不同 大小的对象进行分割显然是不合理的。此外，T.Esch(2008)等提出了一种自动确定不同对 象各自最优分割尺度的方法，参见EschT,ThielM,BockM，etal.Improvementofimage segmentationaccuracybasedonmultiscaleoptimizationprocedure[J].Geoscience andRemoteSensingLetters,I邸E, 2008, 5(3) :463-467?但是大量的参数被用于最优尺 度的确定，该导致整个算法变得相当的复杂。同时，对于不同的应用目的而言，即使同一幅 图像也存在不同的最优分割尺度。比如，当把房屋作为需要提取的对象时需要一个相对较 大的尺度，但当把汽车作为需要提取对象时却需要一个相对较小的尺度。因此，我们迫切需 要一种能够自动确定影像中不同对象最优分割尺度的方法。

【发明内容】

[0007] 为此本发明提供了针对遥感影像地表覆盖分类的最优分割尺度确定方法，该方法 可减少或避免前面所提到的问题。
[000引为解决上述问题，本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定 方法，其包括如下步骤：
[0009] 步骤A，遥感影像的多尺度分割与分类；
[0010] 该步骤利用能够生成多尺度分割结果的分割软件获取多尺度的分割结果，并融合 像素级的样本信息计算分割后每个影像对象的平均光谱，并对平均光谱进行分类，获取不 同分割尺度下各对象的分类结果W及后验概率矢量；
[0011] 步骤B，基于滴信息的最优尺度选择；
[0012] 该步骤根据步骤A获得的多尺度的后验概率矢量，对每一个对象按分割尺度递增 的顺序分别计算后验概率的滴，滴的计算公式如下：
[001 引
[0014] 其中Pi表示对象属于第i类的概率，n代表类别个数，选择滴值最小的分割尺度作 为该对象的最优分割尺度，并令最优分割尺度下对象的分类结果作为对象的最终类别。
[0015] 进一步讲，所述步骤A的具体实现方法为：
[0016] 首先对遥感影像进行多个尺度的分割，多分割尺度的选择根据影像的DN值或反 射率的范围确定，分割时，根据图像特征设置形状因子与紧致度因子；
[0017]其次，根据选择的分割尺度范围在分割软件中创建规则集，并按照尺度从大到小 或从小到大的顺序逐级分割；
[0018] 然后，将多尺度分割结果的对象形成编号文件，依次导出为栅格影像，栅格影像中 每个像素对应的值就是所在对象的编号；
[0019] 再然后，根据获得的影像分割后对象的编号文件，W及原始的多波段影像，分别计 算每一个分割尺度下每个对象的平均光谱，获取多尺度的平均光谱数据；
[0020] 最后，从原始的多波段影像中选取训练样本对上述得到的不同尺度下的对象平均 光谱影像分别进行分类，选取的训练样本要求有典型性、随机性；
[0021] 在分类的同时，获取多个尺度下的对象的后验概率矢量，对于某一分割尺度上的 一个对象而言，其后验概率矢量表示如下：
[002引P=化，. .，Pi. . .，P。）
[0023] 其中Pi表示对象属于第i类的概率，n代表类别个数。
[0024] 其中较佳的，所述形状因子设置为0.2,紧致度因子设置为0.5。
[0025] 其中较佳的，分割尺度的选择，是按照尺度的增大，尺度间隔也随之增大的原则进 行。
[0026] 本发明方法通过融合基于像素与面向对象两种方法，并充分利用样本信息进行遥 感影像分类。该方法有效克服了传统的面向像素方法产生大量'胡椒盐'噪点的问题，同时 实现了对象最优尺度的自动选择，为地表覆盖的制图提供了一种行之有效的方法。
[0027] 本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变 得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明 书、权利要求书、W及附图中所特别指出的结构来实现和获得。
【附图说明】
[002引 W下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
[0029] 图1为根据本发明的一个具体实施例的针对遥感影像地表覆盖分类的最优分割 尺度选择算法的流程示意图；
[0030] 图2为本发明提供的方法的原理示意图；
[0031]图3为根据本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法 进行分类，W及利用基于像素方法、不同分割尺度面向对象方法进行分类得到的结果的总 体精度统计图；
[0032]图4为根据本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法 进行分类，W及利用基于像素的方法、最优单尺度面向对象的方法进行分类得到的结果的 总体精度随样本量变化统计图。
【具体实施方式】
[0033] 为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体 实施方式。但本领域的技术人员应该知道，W下实施例并不是对本发明技术方案作的唯一 限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为属于本发 明的保护范围。
[0034]图1为根据本发明的一个具体实施例的针对遥感影像地表覆盖分类的最优分割 尺度确定方法的流程示意图；参照图1所示，下面详细说明根据本发明提供的针对遥感影 像地表覆盖分类的最优分割尺度确定方法的原理，所述方法包括如下两大步骤：
[0035] 步骤A，遥感影像的多尺度分割与分类；
[0036] 步骤B，基于滴信息的最优尺度选择。
[0037] 对于遥感影像而言，在进行本发明处理过程之前，首先需要对影像进行大气纠正， 去除大气影响。同时对于高光谱影像而言，为了减少计算量，本发明建议首先利用主成分分 析（PCA)对高光谱影像进行降维处理。主成分分析（PCA)是公知的方法。
[003引下面分别对步骤A和步骤B予W详细介绍：
[0039] 步骤A，遥感影像多尺度的分割与分类
[0040] 本发明融合了基于像素与面向对象两种方法，对于面向对象的方法而言，首先需 要对遥感影像进行分割处理。因此，本实施例使用eCognition8. 9软件首先对遥感影像进 行多个尺度的分割，实际上eCognition的所有版本都可W，其他分割算法软件如果能够生 成多个尺度的分割结果，同样适用于本方法。经验确定，分割时，形状因子设置为0.2,紧 致度因子设置为0. 5较好。多级分割尺度的选择可w根据影像的DN值或反射率的范围确 定，本实例选择的多级分割尺度为 100、120、140、160、180、200、240、280、320、360、400、46 0、 520、580、640、700、780、860、940、1020、1100该些。从中可W看出尺度间隔随着尺度的增大 而增大，因为随着尺度的增大，对象的面积不断增大，对象间的异质性差异也越来越大，较 小的尺度间隔基本不会改变分割结果，因此本实例选择了不断增大的分割间隔尺度。
[0041] 其次，根据选择的分割尺度范围在eCognition8. 9软件中利用 MRS(multiresolutionsegmentation)算法创建规则集（规则集的创建是eCo即ition软件 的基本功能，具体指不同的分割参数（形状因子、紧致度因子）的设定，并按照尺度从大到 小或从大到小的顺序逐级分割。
[0042] 然后，将多尺度分割结果的对象形成编号文件，依次导出为栅格影像，因此栅格影 像中每个像素对应的值就是所在对象的编号。形成编号文件的过程是eCognition软件本 身的功能，也是公知的方法。
[0043] 再然后，根据上述步骤获得的影像分割后对象的编号文件，W及原始的多波段影 像，分别计算每一个分割尺度下每个对象的平均光谱，获取多尺度的平均光谱数据。平均光 谱的计算就是将对象内部所有像元的光谱取平均值，该个是公知的过程。
[0044] 最后，从原始的多波段影像中选取训练样本对上述得到的不同尺度下的对象平均 光谱影像分别进行分类。训练样本的选择要求选择的样本有典型性、随机性就可W。训练 样本的选择在所有的监督分类中都存在，也是一个公知的过程。
[0045] 极大似然分类器（SVM)或者支持向量机分类器（MLC)都可W用于上述分类过程。 对于高光谱影像，本发明建议使用SVM分类器，因为SVM分类器对高光谱数据具有更好的分 辨能力；对于Landsat等中分辨率影像，本发明建议使用MLC分类器，因为MLC具有更快的 分类速度，有利于提高整体效率。
[0046] 在使用上述分类器进行分类的可W同时获取对象的后验概率矢量（对象对于不 同分类类别的归属概率）。对于某一分割尺度层的一个对象而言，其后验概率矢量可W表示 如下：
[0047] P=化，P2. . .，Pi. . .，P。）
[0048] 其中P康示对象属于第i类的概率，n代表类别个数。对不同分割尺度的所有对 象分别使用上述分类方法，即可获取多尺度的分类结果W及多尺度的后验概率矢量。
[0049] 步骤B，基于滴信息的最优尺度选择
[0050] 根据步骤A所述流程求得的后验概率矢量可得；当对象处于过分割时（即分割尺 度较小时），对象内所包含的像元较少，受对象内'胡椒盐'噪点的影响，对象在分类时的不 确定性增大。当对象处于低分割时（即分割尺度较大时），对象内包含的像元较多。虽然 '胡椒盐'噪点带来的影响可W被忽略，但对象内部不同地物的混合同样增大了对象分类的 不确定性。
[0化1] 基于W上思想，本发明提出了利用滴信息作为衡量对象分类不准确性的标准。根 据步骤A求得的多层后验概率，在不同分割尺度上分别求取对象后验概率矢量的滴值。滴 的计算公式参照如下：
[0化2]
[0053] 其中P康示对象属于第i类的概率，n代表类别个数。当对象处于过分割状态时， '胡椒盐'噪点引起的分类不确定会导致滴值的增大；同样，当对象处于低分割时，多种地物 的混合引起的分类不确定同样会导致滴值的增大。其规律如图2所示。由此可得；当对象 的在某一分割尺度的后验概率矢量具有最小滴值时，其分类稳定性是最高的。因此选择滴 值最小的分割尺度作为该像元所在对象的最优分割尺度。同时W该尺度下的对象分类结果 作为对象的最终分类结果。如上所述，对所有对象实施W上过程，即可得到所有对象的最优 分割尺度W及最终的分类结果。
[0054] 为了更好的说明本发明的技术效果，针对一幅高光谱影像，分别利用本发明提出 的针对遥感影像地表覆盖分类的最优分割尺度确定方法W及单一的基于像素方法和最优 单尺度面向对象方法进行了影像的分类，然后对分类后的结果进行比较。所有分类过程采 用SVM分类器完成，最优单尺度的面向对象分类选择多个尺度的分类结果中精度最高的尺 度。上述对比方法选用的分类训练样本与本发明提供的方法的分类训练样本完全一致。同 时，为了验证该方法的稳定性，本发明在不同的样本量下进行了多次试验。总体样本大小W 1000为间隔从1000个像素增加到10000个像素。同时对每个样本量进行十次实验，每次实 验的样本从参考分类图中随机选取。为减少计算量，在进行本发明提供的方法的处理之前， 首先利用主成分分析算法（PCA)将影像降维处理，并提取前8个波段用于本发明提供的方 法的处理过程。
[0化5] 相比基于像素的方法，通过利用根据本发明提供的针对遥感影像地表覆盖分类的 最优分割尺度选择方法进行遥感影像的分类得到的结果，有效的去除了'胡椒盐'噪点带来 的分类误差；与最优单尺度面向对象的分类结果相比，本发明提供的方法，可W提取出更多 的细节信息，提高了分类的精度。
[0化6]图3为利用本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法 进行分类与基于像素的方法进行分类，W及利用不同分割尺度对高光谱影像进行分类得到 的分类总体精度的统计图，从图中可W看出，本发明提供的方法，相比面向像素的方法W及 单尺度面向对象分类都具有更高的精度。
[0化7]图4为利用本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法 进行不同样本量的实验，与利用基于像素的方法W及最优单尺度方法进行不同样本量的实 验得到的总体分类精度统计图。从图4可W看出，与基于像素的方法相比，本研究提供的方 法的总体在不同样本量的条件下都比基于像素的方法高；与最优单尺度相比，在样本量少 于4000的情况下，本发明提出的方法总体精度略低于最优单尺度的方法，但当样本量大于 4000时，本研究提出的方法总体精度要高于最优单尺度方法。该说明，在样本量不足的条件 下，本发明的提供的方法鲁椿性降低；在样本量充足的条件下，本研究提出的方法是进行影 像分类的有效方法。
[0化引由上述图实例可看出，根据本发明提供的针对遥感影像地表覆盖分类的最优分割 尺度确定可W有效的进行遥感影像的分类。本发明所提供的针对遥感影像地表覆盖分类的 最优分割尺度确定方法有效的结合了基于像素与面向对象两种分类方法，有效的克服了面 向像素产生大量'胡椒盐'噪点的问题，同时实现对象最优尺度的自动选取。为地表覆盖制 图提供了一种行之有效的方法。
[0059] 本领域技术人员应当理解，虽然本发明是按照多个实施例的方式进行描述的，同 时进行了几种方法的横向对比，但是并非每个实施例仅包含一个独立的技术方案。说明书 中如此叙述仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体加W理解， 并将各实施例中所设及的技术方案看作是可W相互组合成不同实施例的方式来理解本发 明的保护范围。
【主权项】
1. 一种针对遥感影像地表覆盖分类的最优分割尺度确定方法，其特征在于，所述方法 包括如下步骤： 步骤A，遥感影像的多尺度分割与分类； 该步骤利用能够生成多尺度分割结果的分割软件获取多尺度的分割结果，并融合像素 级的样本信息计算分割后每个影像对象的平均光谱，并对平均光谱进行分类，获取不同分 割尺度下各对象的分类结果以及后验概率矢量； 步骤B，基于熵信息的最优尺度选择； 该步骤根据步骤A获得的多尺度的后验概率矢量，对每一个对象按分割尺度递增的顺 序分别计算后验概率的熵，熵的计算公式如下：其中？1表示对象属于第i类的概率，η代表类别个数，选择熵值最小的分割尺度作为该 对象的最优分割尺度，并令最优分割尺度下对象的分类结果作为对象的最终类别。2. 根据权利要求1所述的方法，其特征在于，所述步骤A的具体实现方法为： 首先对遥感影像进行多个尺度的分割，多分割尺度的选择根据影像的DN值或反射率 的范围确定，分割时，根据图像特征设置形状因子与紧致度因子； 其次，根据选择的分割尺度范围在分割软件中创建规则集，并按照尺度从大到小或从 小到大的顺序逐级分割； 然后，将多尺度分割结果的对象形成编号文件，依次导出为栅格影像，栅格影像中每个 像素对应的值就是所在对象的编号； 再然后，根据获得的影像分割后对象的编号文件，以及原始的多波段影像，分别计算每 一个分割尺度下每个对象的平均光谱，获取多尺度的平均光谱数据； 最后，从原始的多波段影像中选取训练样本对上述得到的不同尺度下的对象平均光谱 影像分别进行分类，选取的训练样本要求有典型性、随机性； 在分类的同时，获取多个尺度下的对象的后验概率矢量，对于某一分割尺度上的一个 对象而言，其后验概率矢量表示如下： P = (Pp P2…，Pi···，Pn) 其中？1表示对象属于第i类的概率，η代表类别个数。3. 根据权利要求2所述的方法，其特征在于，所述形状因子设置为0. 2,紧致度因子设 置为0. 5。4. 根据权利要求1或2或3所述的方法，其特征在于，分割尺度的选择，按照尺度的增 大，尺度间隔也随之增大的原则进行。
【专利摘要】本发明提供了一种针对遥感影像地表覆盖分类的最优分割尺度确定方法。所述方法包括遥感影像的多尺度分割与分类、基于熵信息的最优尺度选择步骤。该方法通过融合基于像素与面向对象两种分类方法，并充分利用样本信息进行遥感影像分类。该方法有效克服了传统的面向像素方法产生大量‘胡椒盐’噪点的问题，同时实现了对象最优尺度的自动选择，为地表覆盖的制图提供了一种行之有效的方法。
【IPC分类】G06K9/62
【公开号】CN104881677
【申请号】CN201510232524
【发明人】陈学泓, 杨德地, 曹鑫, 陈晋, 崔喜红
【申请人】北京师范大学
【公开日】2015年9月2日
【申请日】2015年5月8日