[發明專利]一種基于紋理基元的遙感圖像分類方法

有效

• 申請號: 201410301138.5
• 申請日: 2014-06-26
• 公開（公告）號: CN104102928B
• 公開（公告）日: 2017-11-24
• 發明（設計）人: 楊衛東;劉婧婷;孫向東;王梓鑒;鄒臘梅;曹治國;黎云;吳洋
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 華中科技大學專利中心42201
• 代理人: 梁鵬

1.一種基于紋理基元的遙感圖像分類方法，其特征在于，包括以下步驟：

步驟(1)選取N類地物的多個遙感圖像塊并分為第一訓練集和第二訓練集；

步驟(2)對所述第一訓練集中屬于第i類地物的每個遙感圖像塊，提取其每個像素的n×n鄰域，其中i＝1,2,…,N，計算鄰域內每個像素的灰度值與中心像素灰度值的差值，所述差值經正向偏移后，按行重新排列得到n²-1維的鄰域特征向量，所述第i類地物所有遙感圖像塊的鄰域特征向量組成所述第i類地物的鄰域特征向量集合；

步驟(3)對所述第i類地物的所述鄰域特征向量集合進行k-means聚類，得到的聚類中心作為所述第i類地物的紋理基元；

步驟(4)對所述第一訓練集中所述N類地物的所有遙感圖像塊重復執行所述步驟(2)和步驟(3)，得到所述N類地物中每一類地物的紋理基元，組成紋理基元字典；

步驟(5)按照所述步驟(2)提取所述第二訓練集中每個遙感圖像塊的每個像素的鄰域特征向量，將得到的每個鄰域特征向量與所述紋理基元字典中的紋理基元逐一進行比較，用距離其最近的紋理基元標記各鄰域特征向量，統計標記后各紋理基元出現的頻數；

步驟(6)對所述第二訓練集中每個遙感圖像塊的每個中心像素的灰度值進行分箱處理，得到各個箱子-紋理基元值對的頻數；

步驟(7)統計所述第二訓練集中每個遙感圖像塊的中心像素-紋理基元二維聯合分布，得到所述第二訓練集中每個遙感圖像塊的紋理模型；

步驟(8)對所述第二訓練集中所述N類地物的所有遙感圖像塊重復執行所述步驟(5)～步驟(7)，得到所述N類地物的紋理模型，形成各類地物的紋理模型庫；

步驟(9)將待分類的遙感圖像塊劃分成多個超像素；

步驟(10)對每個超像素依次執行所述步驟(5)和步驟(6)，得到各個箱子-紋理基元值對的頻數；

步驟(11)對每個超像素的箱子-紋理基元值對的頻數進行拉普拉斯校準，統計每個超像素的中心像素-紋理基元二維聯合分布，得到每個超像素的紋理模型；

步驟(12)使用最近鄰分類器，將每個超像素的紋理模型與所述紋理模型庫中已知類別屬性的紋理模型逐一進行比較、分類，進而實現對所述待分類的遙感圖像塊的分類。

2.如權利要求1所述的方法，其特征在于，所述步驟(5)中，鄰域特征向量與紋理基元之間的距離用歐氏距離d表示：

d＝||V-T||²

其中，V表示鄰域特征向量，T表示紋理基元。

3.如權利要求1所述的方法，其特征在于，所述步驟(6)中使用等寬分箱法對每個中心像素的灰度值進行所述分箱處理，統計每個紋理基元在中心像素灰度級上的分布頻數，得到各個箱子-紋理基元值對的頻數。

4.如權利要求1-3中任一項所述的方法，其特征在于，所述步驟(7)中根據各個箱子-紋理基元值對的頻數，得到每個箱子-紋理基元值對的頻率，所有箱子-紋理基元值對的頻率組成了中心像素-紋理基元的二維聯合分布。

5.如權利要求1-3中任一項所述的方法，其特征在于，所述步驟(9)中的超像素個數K是依據所述第二訓練集中每個遙感圖像塊所含的像素數S進行劃分的，即：

K=S′S]]>

其中，S′是所述待分類的遙感圖像塊所含的像素個數。

6.如權利要求1-3中任一項所述的方法，其特征在于，步驟(12)中將每個超像素的紋理模型f_s(bin,texton)與所述紋理模型庫中已知類別屬性的紋理模型f_m(bin,texton)逐一進行比較，模型之間的距離使用χ²統計來度量，即：

χ2(fs,fm)=12ΣtextonΣbin[fs(bin,texton)-fm(bin,texton)]2fs(bin,texton)+fm(bin,texton)]]>

根據χ²統計比較結果，將每一超像素標記為所述紋理模型庫中距其最近的紋理模型所屬的類別。