[發明專利]一種基于面向對象的無監督分類的遙感影像自動分類方法

在審

• 申請號: 201010208496.3
• 申請日: 2010-06-24
• 公開（公告）號: CN101930547A
• 公開（公告）日: 2010-12-29
• 發明（設計）人: 余先川;安衛杰
• 申請（專利權）人: 北京師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06T7/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域：

本發明屬于遙感分類識別領域，是一種基于面向對象無監督分類的遙感影像自動分類方法。

背景技術：

遙感影像自動分類是遙感技術應用的一個主要研究方向。目前，無任何先驗知識的自動分類主要利用傳統非監督分類方法：ISODATA、K-Means和模糊C均值聚類(參考對比文件1)。但是傳統的無監督聚類算法是以單個像元作為聚類對象，在影像分類特別是高分辨率遙感影像分類的應用中普遍存在一些問題(參考對比文件2，3)：

1)聚類過程計算量大，收斂速度慢，難以應用于針對(海量)大幅影像的聚類。

2)聚類結果對噪聲比較敏感，產生嚴重的“椒鹽現象”(參考對比文件5)。

3)利用的特征信息非常有限，只利用了像元各波段像素值作為聚類的特征，沒有將影像的紋理特征、形狀特征應用于分類，使得分類精度難于進一步提高(參考對比文件2，4)。

本發明首次提出了一種基于分割單元聚類的遙感影像自動分類方法。首先對遙感影像進行分割，得到一系列空間上相鄰、同質性較好的分割單元，然后對分割單元進行特征提取，得到分割單元的光譜特征、紋理特征、形狀特征、結構特征等多特征信息，進而根據分割單元的特征信息對分割單元進行聚類。最后，通過對聚類結果進行分類后處理(類別合并、錯分類別調整等)得到最終的分類結果。整個過程在無需任何先驗知識條件下實現了對遙感影像自動分類，同時也保證了較高的分類精度和執行效率。

對比文件1：蔡華杰，田金文.基于mean-shift聚類過程的遙感影像自動分類方法.華中科技大學學報(自然科學版).2008，36(11)：1-4

對比文件2：葛春青，張凌寒，楊杰等.基于決策樹規則的面向對象遙感影像分類.遙感應用.2009，102：86-91

對比文件3：鄧湘金，王彥平，彭海良.高分辨率遙感圖像的聚類.電子與信息學報.2003，25(8)：1073-1080

對比文件4：孫曉霞，張繼賢，劉正軍.利用面向對象的分類方法從IKONOS全色影像中提取河流和道路.測繪科學，2006，31(1)：62-63

對比文件5：曹寶，秦其明.面向對象方法在SPOT5遙感圖像分類中的應用.地理與地理信息科學.2006，22(2)：46-49

發明內容：

提出了一種新的面向對象的無監督分類方法(Object?Oriented?Unsupervised?Classification)。具體步驟如下：首先對遙感影像進行分割，得到一系列空間上相鄰、同質性較好的分割單元，然后對分割單元進行特征提取，得到分割單元的光譜特征、紋理特征、形狀特征、結構特征等多特征信息。進而根據分割單元的特征信息對分割單元進行聚類。最后，通過對聚類結果進行分類后處理(類別合并、錯分類別調整等)得到最終的分類結果。

其中面向對象的無監督分類方法的特征在于該方法分為以下四個階段：

1)影像分割：從原始影像中分割出一些空間上相鄰、內部同質性較好的小區域。最好的結果是最大程度的分割出遙感圖像中各個地物。本發明采用分割算法是執行速度相對較快的降水分水嶺分割算法。

2)分割單元的特征提取：對分割單元進行特征信息挖掘，提取出分割單元的光譜特征和紋理特征信息，并由得到的特征量構成標識該分割單元的特征矢量。

3)基于分割單元的聚類：在完成對分割單元特征提取之后，利用分割單元的特征信息，對所有分割單元聚類。由于光譜特征和紋理特征屬于不同量綱，且各個特征量之間有較強相關性，利用歐式距離進行聚類，不能體現出光譜特征和紋理特征的差異性。本發明采用基于馬氏距離的面向對象聚類。

4)分類后處理：主要是對聚類結果進行進一步調整，包括類別合并，錯分類別的調整、類別的顏色調整等。

上述步驟3中基于分割單元的聚類的特征在于：以分割單元作為聚類基本對象，通過特征提取得到分割單元的光譜特征、紋理特征、形狀特征、結構特征等多特征信息，并以此作為聚類的特征。并且考慮到各特征屬于不同量綱，且之間有較強相關性，在聚類過程中基于馬氏距離進行聚類。

本發明提出的面向對象的無監督分類方法是一種能夠保證較高分類精度和執行效率遙的感影像自動分類方法。該方法以分割單元作為聚類對象，從而減少了聚類對象的個數，降低了聚類過程的計算量，提高聚類的速度；而且分割單元包含豐富的語義信息，更易于分類結果解譯和理解，避免了傳統聚類方法中所產生的“椒鹽現象”；從分割單元中可以提取將更多的特征信息，光譜特征、紋理特征，并用于聚類可進一步提高分類的精度。

附圖說明：