基于光谱标记的多光谱遥感图像自适应分类方法

1.一种基于光谱标记的多光谱遥感图像自适应分类方法，包括如下步骤：
(1)输入高分辨率16位多光谱遥感图像，并调整这些遥感图像的数据格式构建光谱矢量SV；
(2)利用光谱矢量完善光谱标记库：
若光谱标记库未建立，则在调整后的遥感图像上人工标记n个光谱矢量，作为不同类别的光谱标记Vi，i＝1，…，n，n为所有可能出现类别的总数，Vi分别对应遥感图像所有可能出现的n个类别，用这些光谱标记构成光谱标记库；
若光谱标记库已建立且类别满足用户需求，则保持原光谱标记库不变；
若光谱标记库已建立但不满足用户需求，则添加光谱标记，即在调整后的遥感图像上选取m个光谱矢量，作为新添加的光谱标记Vi，i＝(n+1)，…，(n+m)，m为新添加类别的总数；
(3)以光谱标记库中的所有光谱标记作为初始聚类中心Pi，i＝1，…，(n+m)；
(4)计算初始聚类中心Pi与聚类后的聚类中心Qi的余弦角差值Δ，当Δ小于阈值δ时，将Qi保存为适合当前遥感图像的光谱标记Uj，并将Qi的类别号Ri保存为Uj的类别号Lj，j＝
1，…，c，δ＝0.2；
(5)以适合当前遥感图像的光谱标记Uj和类别号Lj，对K-Means聚类算法进行初始化，再用该K-Means聚类算法获得遥感图像每个像素对应的类别号，得到分类结果。
2.根据权利要求1所述的基于光谱标记的多光谱遥感图像自适应分类方法，其中所述步骤(1)中光谱矢量SV的构建，按如下步骤进行：
(1a)将多光谱遥感图像g的行数保存为h、列数保存为l、光谱层数保存为p；
(1b)对多光谱遥感图像g各光谱层的图像分别做累计直方图调整，得到调整后的多光谱遥感图像g′：
(1b1)将多光谱遥感图像g中第k光谱层的子图像保存为gk，k＝1，…，p，计算该子图像gk的最小灰度值mink和最大灰度值maxk，并在mink～maxk范围内做子图像gk的累计直方图；
(1b2)将累计直方图2％位置处的灰度值保存为Zmin，将累计直方图98％位置处的 灰度值保存为Zmax，将子图像gk中所有小于Zmin的灰度值用Zmin代替，将子图像gk中所有大于Zmax的灰度值用Zmax代替；
(1b3)将子图像gk在Zmin～Zmax范围内的灰度映射到0～65535灰度值，最后将各层子图像gk按光谱层顺序拼合得到调整后的多光谱遥感图像g′；
(1c)将多光谱遥感图像g′每个像素点在不同光谱层的灰度值构成矢量，即为光谱矢量SV。
3.根据权利要求1所述的基于光谱标记的多光谱遥感图像自适应分类方法，其中所述步骤(2)中人工标记光谱矢量，按如下步骤进行：
(2a)采用真彩色模式显示多光谱图像，对于每个需要添加的类别，都在图像上人工标记一个最具代表性的光谱矢量；
(2b)采用“光谱矢量-类别号”的形式存储光谱标记，类别号1代表建筑，类别号2代表植被，类别号3代表裸地，类别号4代表水体，类别号5代表阴影。
4.根据权利要求1所述的基于光谱标记的多光谱遥感图像自适应分类方法，其中所述步骤(3)采用K-Means聚类算法获得聚类后的聚类中心Qi，以及Qi对应的类别号Ri，按如下步骤进行：
(3a)初始化：选定距离测度为余弦距离，选定收敛系数ζ为0.01，选定最大迭代次数T为
50，选定光谱标记库中的光谱标记为初始聚类中心；
(3b)对调整后的多光谱遥感图像g′的每个光谱矢量，求其到所有中心的距离，并将该光谱矢量归到距离最短的中心所在的类；
(3c)根据余弦距离求每类的中心；
(3d)重复(3b)、(3c)，直到所有中心的偏移都小于收敛系数ζ或达到最大迭代次数T时停止迭代，得到最终的聚类中心Qi和Qi对应的类别号Ri，i＝1，…，(n+m)。
5.根据权利要求1所述的基于光谱标记的多光谱遥感图像自适应分类方法，其中所述步骤(5)中采用K-Means聚类算法获得遥感图像每个像素对应的类别号，按如下步骤进行：
(5a)初始化：选定距离测度为余弦距离，选定收敛系数ζ为0.01，选定最大迭代 次数T为20，选定适合当前遥感图像的光谱标记Uj作为初始聚类中心；
(5b)对调整后的多光谱遥感图像g′的每个光谱矢量，求其到所有中心的距离，并将该光谱矢量归到距离最短的中心所在的类；
(5c)根据余弦距离求每类的中心；
(5d)重复(5b)、(5c),直到所有中心的偏移都小于收敛系数ζ或达到最大迭代次数T时停止迭代，最终得到调整后的多光谱遥感图像g′每个像素点对应的类别号，即分类结果。

基于光谱标记的多光谱遥感图像自适应分类方法\n技术领域\n[0001] 本发明属于图像处理领域，更进一步涉及多光谱遥感图像分类方法，可用于土地覆盖情况分析。\n背景技术\n[0002] 多光谱遥感图像是利用卫星多光谱扫描系统对地扫描获得的高分辨率图像，其丰富的信息量为地物影像计算机识别与分类提供了可能。但由于其光谱维度低，使得土地利用、覆盖信息的提取成为了遥感信息处理的难点问题之一。随着国民经济的快速发展，土地利用状况变化的程度和速度都在加快，迫切需要快速准确的土地利用信息获取方法，即针对土地利用情况对遥感图像进行分类。\n[0003] 现有的多光谱遥感图像分类方法很多，比如：最大似然分类法、最小距离分类法、人工神经网络分类法、决策树分类法等，其中：\n[0004] 最大似然分类法，是遥感影像监督分类最常用的统计方法之一，属于参数化分类方法，与非参数分类方法相比其计算相对简单，实施方便，同时可通过贝叶斯理论与其他先验知识结合，提高地物判别能力。但由于遥感信息统计分布的复杂性和随机性，当特征空间中的密度分布比较离散或当训练样本的选取不够充分、不具代表性等情况下，会导致特征空间中的特征分布不一定服从预先假设的参数化密度分布，因此用最大似然函数估计的密度函数有可能偏离实际分布，导致分类精度下降。\n[0005] 最小距离分类法，其通过定义待分类点到各类的距离，按照距离的不同定义，可以有欧氏距离、余弦角距离、马氏距离等多种实现方式。但最小距离分类法通常只适用于样本散布小的数据，很难在遥感分类中普遍应用，通常仅作为研究分类方法时的一种参考方法。\n[0006] 人工神经网络算法，已经被广泛应用到遥感信息提取过程中，与基于统计的分类算法不同，该算法依赖的是数据本身，不需要假设数据的统计分布。对遥感数据而言，由于地物波谱辐射的复杂性以及获取过程中干扰因素的多样性等原因，获取的地物信息具有模糊性、不确定性等特征，而且数据分布也复杂，蕴涵在遥感数据中的特征很难用常规的统计方法来获取，因此依赖数据本身的人工神经网络分类方法优势突出。但目前在人工神经网络的实际应用中，绝大部分的模型是采用反向传播神经网络和它的变化形式，而该算法具有多次训练结果不稳定、执行速度慢和收敛速率低的缺点。\n[0007] 决策树分类法，作为人工智能遥感信息提取方法之一，具有灵活、直观、清晰的结构和很高的运算效率。在处理多维属性时可确定各种属性，包括相关的环境特征，如几何、纹理以及地形等各种信息的重要程度，并能提取必要的属性进行分类，解决了传统分类方法在处理复杂的多维属性时由于地形和地物过于复杂而导致精度不高的问题。但国内外利用决策树进行研究时大多是基于影像的光谱特征，由于影像本身存在“同物异谱、异物同谱”现象，这种纯粹依赖地物光谱特征的分类方法往往会出现较多的错分、漏分。\n[0008] 综上，现有的多光谱遥感图像分类方法具有分类精度低、执行速度慢、训练数据普遍适用性差等缺点，同时上述分类方法都需要人工设定分类数，难以实现自动分类。\n发明内容\n[0009] 本发明的目的在于针对现有技术的不足，提出一种基于光谱标记的多光谱遥感图像自适应分类方法，以避免人工操作，提高分类精度和分类速度，实现对不同遥感图像的自动分类。\n[0010] 实现本发明目的的技术方案包括如下步骤：\n[0011] (1)输入高分辨率16位多光谱遥感图像，并调整这些遥感图像的数据格式构建光谱矢量SV；\n[0012] (2)利用光谱矢量完善光谱标记库：\n[0013] 若光谱标记库未建立，则在调整后的遥感图像上人工标记n个光谱矢量，作为不同类别的光谱标记Vi,i＝1，…，n，n为所有可能出现类别的总数,Vi分别对应遥感图像所有可能出现的n个类别，用这些光谱标记构成光谱标记库；\n[0014] 若光谱标记库已建立且类别满足用户需求，则保持原光谱标记库不变；\n[0015] 若光谱标记库已建立但不满足用户需求，则添加光谱标记，即在调整后的遥感图像上选取m个光谱矢量，作为新添加的光谱标记Vi,i＝(n+1)，…，(n+m),m为新添加类别的总数；\n[0016] (3)以光谱标记库中的所有光谱标记作为初始聚类中心Pi,i＝1,…，(n+m)，采用K-Means聚类算法获得聚类后的聚类中心Qi，以及Qi对应的类别号Ri，i＝1,…,(n+m)；\n[0017] (4)计算初始聚类中心Pi与聚类后的聚类中心Qi的余弦角差值Δ，当Δ小于阈值δ时，将Qi保存为适合当前遥感图像的光谱标记Uj，并将Qi的类别号Ri保存为Uj的类别号Lj，j＝1,…,c，δ＝0.2；\n[0018] (5)以适合当前遥感图像的光谱标记Uj和类别号Lj，对K-Means聚类算法进行初始化，再用该K-Means聚类算法获得遥感图像每个像素对应的类别号，得到分类结果。\n[0019] 本发明与现有方法相比具有如下优点：\n[0020] 第一，由于本发明以光谱矢量作为基本处理单元，克服了现有计算机视觉算法对遥感光谱信息利用率低的问题，使得本发明提取的信息具有光谱特征，分类精度高。\n[0021] 第二，由于本发明的聚类过程采用K-Means算法，该算法可快速收敛，使得本发明分类速度快。\n[0022] 第三，由于本发明可自适应选择聚类中心与类别号，增强了训练数据的通用性，克服了现有遥感图像分类算法需要对不同遥感数据选取不同选取训练数据的缺陷，避免了人工操作。\n附图说明\n[0023] 图1为本发明的整体流程图；\n[0024] 图2为本发明中用K-Means调整光谱标记的子流程图；\n[0025] 图3为本发明中用K-Means实现分类的子流程图；\n[0026] 图4为本发明针对西安郊区多光谱遥感图像的分类实验效果图；\n[0027] 图5为本发明针对西安电子科技大学新校区的分类实验效果图；\n[0028] 图6为本发明针对西安咸阳机场的分类实验效果图。\n具体实施方式\n[0029] 下面结合附图对本发明实现的步骤作进一步的详细描述。\n[0030] 参照图1，本发明的实现步骤如下：\n[0031] 步骤1，输入多光谱遥感图像g，该多光谱遥感图像的行数为h，列数为l，光谱层数为p,其中h>0,l>0,p≥4，并调整这些遥感图像的数据格式构建光谱矢量SV：\n[0032] (1a)将多光谱遥感图像g的行数保存为h、列数保存为l、光谱层数保存为p；\n[0033] (1b)对多光谱遥感图像g各光谱层的图像分别做累计直方图调整，得到调整后的多光谱遥感图像g′：\n[0034] (1b1)将多光谱遥感图像g中第k光谱层的子图像保存为gk，k＝1,…,p，计算该子图像gk的最小灰度值mink和最大灰度值maxk，并在mink～maxk范围内做子图像gk的累计直方图；\n[0035] (1b2)将累计直方图2％位置处的灰度值保存为Zmin，将累计直方图98％位置处的灰度值保存为Zmax，将子图像gk中所有小于Zmin的灰度值用Zmin代替，将子图像gk中所有大于Zmax的灰度值用Zmax代替；\n[0036] (1b3)将子图像gk在Zmin～Zmax范围内的灰度映射到0～65535灰度值，最后将各层子图像gk按光谱层顺序拼合得到调整后的多光谱遥感图像g′；\n[0037] (1c)将多光谱遥感图像g′每个像素点在不同光谱层的灰度值构成矢量，即为光谱矢量SV。\n[0038] 步骤2，调整数据格式。\n[0039] 对多光谱遥感图像g的每个光谱层分别作累计直方图调整，得到调整后的多光谱遥感图像g′。\n[0040] 步骤3，建立光谱标记库。\n[0041] 光谱标记库中保存着在多光谱遥感图像g′上人工选取的所有光谱标记；\n[0042] 本步骤需要判断光谱标记库是否已经建立，若光谱标记库未建立，则在调整后的遥感图像g′上人工标记光谱矢量，作为不同类别的光谱标记，建立光谱标记库；\n[0043] 若光谱标记库已建立，则判断光谱标记库中光谱标记的所有类别是否满足用户需求，若满足用户要求则保持原光谱标记库不变，若不满足用户需求则人工添加新光谱标记；\n[0044] 所述人工标记光谱矢量，按如下步骤进行：\n[0045] (2a)采用真彩色模式显示多光谱图像，对于每个需要添加的类别，都在图像上人工标记一个最具代表性的光谱矢量；。\n[0046] (2b)采用“光谱矢量-类别号”的形式存储光谱标记，类别号1代表建筑，类别号2代表植被，类别号3代表裸地，类别号4代表水体，类别号5代表阴影。\n[0047] 步骤4，采用K-Means聚类算法调整光谱标记。\n[0048] 光谱标记库中的光谱标记对应的类别和数目不一定适合当前多光谱遥感图像g′，为了得到良好的分类效果需要对光谱标记进行调整，光谱标记的调整方式可采用最大似然法、最小距离法、K-Means聚类法等，本实例采用K-Means聚类法对光谱标记进行调整。\n[0049] 参照图2，本实例通过K-Means聚类按如下方式对光谱标记进行调整：\n[0050] (4a)设置K-Means聚类算法的参数：选定距离测度为余弦距离，选定收敛系数ζ为\n0.01，选定最大迭代次数T为50，选定光谱标记库中的光谱标记Pi为初始聚类中心；\n[0051] (4b)选择多光谱遥感图像g′的第一个光谱矢量作为当前光谱矢量d，设置初始聚类中心Pi作为当前聚类中心Qi；\n[0052] (4c)计算当前光谱矢量d到所有当前聚类中心Qi的距离，并将当前光谱矢量d归到距离最短的中心所在的类，得到当前光谱矢量d对应的类别号；\n[0053] (4d)若当前光谱矢量d不是多光谱遥感图像g′的最后一个光谱矢量，则设置当前光谱矢量d的下一个光谱矢量为当前光谱矢量d，并重复(4c)；\n[0054] (4e)根据余弦距离求每类的当前聚类中心Qi；\n[0055] (4f)重复(4b)到(4e)，直到所有中心的偏移都小于收敛系数ζ或达到最大迭代次数T时停止迭代，得到最终的聚类中心Qi和Qi对应的类别号Ri，i＝1,…,(n+m)；\n[0056] (4g)计算每一个初始聚类中心Pi与每一个聚类后的聚类中心Qi的余弦角差值Δ，当Δ小于阈值δ时，将Qi保存为适合当前遥感图像的光谱标记Uj，并将Qi的类别号Ri保存为Uj的类别号Lj，j＝1,…,c，δ＝0.2。\n[0057] 步骤5，采用调整后的光谱标记Uj和类别号Lj作为少量的监督信息，对多光谱遥感图像进行弱监督分类。\n[0058] 多光谱遥感图像的分类方法有很多，根据监督信息的多少，可分为有监督、半监督、弱监督等分类方式，其中弱监督分类方法可通过决策树、支持向量机、K-Means聚类等算法实现。\n[0059] 参照图3，本实例将调整后的光谱标记Uj和类别号Lj作为少量的监督信息，通过K-Means聚类算法实现弱监督分类，其步骤如下：\n[0060] (5a)设置K-Means聚类算法的参数：选定距离测度为余弦距离，选定收敛系数ζ为\n0.01，选定最大迭代次数T为20，选定适合当前遥感图像的光谱标记Uj和类别号Lj作为初始聚类中心；\n[0061] (5b)选择多光谱遥感图像g′的第一个光谱矢量作为当前光谱矢量d，设置初始聚类中心Uj作为当前聚类中心Yj；\n[0062] (5c)计算当前光谱矢量d到所有当前聚类中心Yj的距离，并将当前光谱矢量d归到距离最短的中心所在的类，得到d对应的类别号；\n[0063] (5d)若当前光谱矢量d不是多光谱遥感图像g′的最后一个光谱矢量，则设置当前光谱矢量d的下一个光谱矢量为当前光谱矢量d，并重复(5c)；\n[0064] (5e)根据余弦距离求每类的当前聚类中心Qi；\n[0065] (5f)重复(5b)到(5e)，直到所有中心的偏移都小于收敛系数ζ或达到最大迭代次数T时停止迭代，得到调整后的多光谱遥感图像g′中每个像素点对应的类别号，即最终分类结果。\n[0066] 本发明的效果可以通过以下仿真实验做进一步的说明。\n[0067] 1.仿真条件\n[0068] 本发明是在中央处理器为Intel(R)Core i5-3470 3.20GHZ、内存8G、WINDOWS 7操作系统上，在C++平台进行的仿真。\n[0069] 2.仿真内容\n[0070] 本发明针对大量多光谱遥感图像进行了仿真实验，这些多光谱遥感图像来自于SPOT-6卫星，有蓝(0.455～0.525μm)、绿(0.530～0.590μm)、红(0.625～0.695μm)、近红外(0.760～0.890μm)四个波段，空间分辨率为2m。\n[0071] 仿真1，用本发明对西安郊区多光谱遥感图像进行分类，仿真结果如图4，其中图4a为西安郊区多光谱遥感图像的原图，图4b为西安郊区多光谱遥感图像的分类效果图；\n[0072] 仿真2，用本发明对西安电子科技大学新校区多光谱遥感图像进行分类，仿真结果如图5，其中图5a为西安电子科技大学新校区多光谱遥感图像的原图，图5b为西安电子科技大学新校区多光谱遥感图像的分类效果图；\n[0073] 仿真3，用本发明对西安咸阳机场多光谱遥感图像进行分类，仿真结果如图6，其中图6a为西安咸阳机场多光谱遥感图像的原图，图6b为西安咸阳机场多光谱遥感图像的分类效果图；\n[0074] 由图4b、图5b、图6b的仿真结果可见，本发明对于多光谱遥感图像的分类效果很好、速度很快，分类时间都小于1秒。本发明对不同多光谱遥感图像的仿真均采用同一光谱标记库，分类过程没有任何人工操作。\n[0075] 综上，本发明可以实现分类精度高、分类速度快的多光谱遥感图像分类，同时避免了分类时的人工操作。