專利名稱：基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域，也涉及到遙感和農(nóng)業(yè)領(lǐng)域，具體涉及到 基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法。
背景技術(shù)：
地表覆蓋分類是獲取土地覆蓋和土地利用現(xiàn)狀的基礎(chǔ)技術(shù)，在環(huán)境評(píng)估、地圖更 新、作物估產(chǎn)等領(lǐng)域有著重要應(yīng)用價(jià)值。近年來遙感數(shù)據(jù)源日益增多，不同空間分辨率的遙 感圖像在不同尺度上給出了更多的地表信息。如何充分利用同一地區(qū)、不同空間覆蓋率的 多種空間分辨率遙感數(shù)據(jù)，進(jìn)一步提高廣域地表覆蓋分類精度已成為遙感圖像分析的一個(gè) 挑戰(zhàn)。對(duì)于廣域地表分類問題，一般來講固然使用高分辨率遙感圖像可以得到更為精確 的地表分類結(jié)果，但高分辨率遙感數(shù)據(jù)所固有的重訪周期長(zhǎng)、覆蓋范圍小、數(shù)據(jù)價(jià)格高等諸 多限制，制約了其在大范圍或長(zhǎng)期地表監(jiān)測(cè)中的實(shí)際應(yīng)用。因此，采用遙感圖像復(fù)合分類方 法可以綜合利用多種遙感數(shù)據(jù)在覆蓋范圍以及空間分辨率上的互補(bǔ)性，在保持較大覆蓋范 圍的同時(shí)提高綜合分類精度?，F(xiàn)有的多分辨率遙感圖像復(fù)合分類方法通過在低空間分辨率 數(shù)據(jù)的大覆蓋范圍中選用若干小覆蓋范圍的高空間分辨率數(shù)據(jù)來指導(dǎo)全局低空間分辨率 數(shù)據(jù)的分類過程，但是由于現(xiàn)有方法在分類過程中假設(shè)像元獨(dú)立，即在像元級(jí)或亞像元級(jí) 進(jìn)行，忽略了像素的空間位置以及像素鄰域地物類別對(duì)分類結(jié)果的影響，因此分類結(jié)果易 受遙感圖像噪聲影響。

發(fā)明內(nèi)容
為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于上下文關(guān)系的多 分辨率遙感圖像復(fù)合分類方法，本方法綜合利用多分辨率遙感圖像，構(gòu)建像素間的上下文 關(guān)系，考慮了地物分布的空間連續(xù)性，并由條件隨機(jī)場(chǎng)模型提供了對(duì)多分類特征的支持，從 而解決高精度的廣域低分辨率遙感圖像的分類問題。為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，包括以下步驟，步驟一，進(jìn)行局部訓(xùn)練區(qū)域內(nèi)的配準(zhǔn)首先，選擇一個(gè)或者一個(gè)以上同時(shí)具有高 低分辨率圖像且包含各類地物類別的局部區(qū)域作為訓(xùn)練區(qū)域，其次，根據(jù)高低分辨率圖像 的分辨率比例關(guān)系對(duì)高分辨率圖像進(jìn)行分辨率整數(shù)倍率調(diào)整，使得高低分辨率比例為整數(shù) 倍，最后，對(duì)高低分辨率圖像進(jìn)行局部空間配準(zhǔn)；步驟二，對(duì)低分辨率圖像進(jìn)行分類特征提?。徊襟E三，基于前兩個(gè)步驟，在訓(xùn)練區(qū)域內(nèi)，利用分類特征進(jìn)一步建立基于條件隨機(jī) 場(chǎng)模型的上下文關(guān)系首先，根據(jù)上下文關(guān)系構(gòu)建低分辨率圖像的分類特征序列，作為條件 隨機(jī)場(chǎng)模型的輸入觀測(cè)隨機(jī)序列，其次，高分辨率圖像分類結(jié)果降分辨率后生成與分類特 征序列對(duì)應(yīng)的標(biāo)注序列，最后，通過訓(xùn)練集獲取條件隨機(jī)場(chǎng)模型參數(shù)；
4
步驟四，根據(jù)前三個(gè)步驟得到條件隨機(jī)場(chǎng)模型后進(jìn)行全局分類，將訓(xùn)練好的模型 推廣至整個(gè)低分辨率圖像覆蓋區(qū)域，對(duì)廣域低分辨率圖像進(jìn)行分類首先，根據(jù)訓(xùn)練時(shí)的
上下文關(guān)系生成對(duì)應(yīng)的低分辨圖像分類特征序列，再根據(jù)公式=和
=利用訓(xùn)練好的條件隨機(jī)場(chǎng)模型參數(shù)獲得像元的各類別
條件概率，最后采用最大條件概率準(zhǔn)則進(jìn)行全局分類得到各像元對(duì)應(yīng)的最終地物類別，其 中，E(Y，X)為條件隨機(jī)場(chǎng)的勢(shì)函數(shù)，由一元?jiǎng)莺瘮?shù)&(yi，x)和二元?jiǎng)莺瘮?shù)fu(ypyi，X)組 成，其中一元?jiǎng)莺瘮?shù)&(yi，X)表示分類特征與類別標(biāo)簽的關(guān)系，二元?jiǎng)莺瘮?shù)
權(quán)利要求
1.基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，包括以下步驟，步驟一，進(jìn)行局部訓(xùn)練區(qū)域內(nèi)的配準(zhǔn)首先，選擇一個(gè)或者一個(gè)以上同時(shí)具有高低分辨 率圖像且包含各類地物類別的局部區(qū)域作為訓(xùn)練區(qū)域，其次，根據(jù)高低分辨率圖像的分辨 率比例關(guān)系對(duì)高分辨率圖像進(jìn)行分辨率整數(shù)倍率調(diào)整，使得高低分辨率比例為整數(shù)倍，最 后，對(duì)高低分辨率圖像進(jìn)行局部空間配準(zhǔn)；步驟二，對(duì)低分辨率圖像進(jìn)行分類特征提取；步驟三，基于前兩個(gè)步驟，在訓(xùn)練區(qū)域內(nèi)，利用分類特征進(jìn)一步建立基于條件隨機(jī)場(chǎng)模 型的上下文關(guān)系首先，根據(jù)上下文關(guān)系構(gòu)建低分辨率圖像的分類特征序列，作為條件隨機(jī) 場(chǎng)模型的輸入觀測(cè)隨機(jī)序列，其次，高分辨率圖像分類結(jié)果降分辨率后生成與分類特征序 列對(duì)應(yīng)的標(biāo)注序列，最后，通過訓(xùn)練集獲取條件隨機(jī)場(chǎng)模型參數(shù)；步驟四，根據(jù)前三個(gè)步驟得到條件隨機(jī)場(chǎng)模型后進(jìn)行全局分類，將訓(xùn)練好的模型推 廣至整個(gè)低分辨率圖像覆蓋區(qū)域，對(duì)廣域低分辨率圖像進(jìn)行分類首先，根據(jù)訓(xùn)練時(shí)的上下文關(guān)系生成對(duì)應(yīng)的低分辨圖像分類特征序列，再根據(jù)公式=和E(Y'X)=Σ Σ w^^s,^) ’利用訓(xùn)練好的條件隨機(jī)場(chǎng)模型參數(shù)獲得像元的各類別/e.S /eJV,ieS條件概率，最后采用最大條件概率準(zhǔn)則進(jìn)行全局分類得到各像元對(duì)應(yīng)的最終地物類別，其 中，E(Y，X)為條件隨機(jī)場(chǎng)的勢(shì)函數(shù)，由一元?jiǎng)莺瘮?shù)&(yi，X)和二元?jiǎng)莺瘮?shù)fu(ypyi，X)組 成，其中一元?jiǎng)莺瘮?shù)&(yi，X)表示分類特征與類別標(biāo)簽的關(guān)系，二元?jiǎng)莺瘮?shù)f^ypyyX)表 示遙感圖像中相鄰像元之間的空間上下文關(guān)系，人^和Pi分別是勢(shì)函數(shù)X)和 gi(yi,X)的權(quán)重，ZOO是對(duì)所有可能序列的歸一化因子，01) = ^^011)°
2.根據(jù)權(quán)利要求1所述的基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，其特征 在于，步驟一中的局部空間配準(zhǔn)具體是指，首先，匹配預(yù)處理，使用Sobel算子對(duì)高分辨的航空相片進(jìn)行邊緣提取，邊緣提取完成 后，進(jìn)行一次或一次以上的擴(kuò)散，得到圖像邊界作為進(jìn)一步的處理對(duì)象；其次，進(jìn)行基于手動(dòng)匹配的粗匹配，先根據(jù)控制點(diǎn)選擇建議，采用目視觀察的方法在待 配準(zhǔn)的高低分辨率圖像上確定6 7組一一對(duì)應(yīng)的控制點(diǎn)，提取其位置坐標(biāo)，再進(jìn)行基于手 動(dòng)粗匹配的幾何變換，接著進(jìn)行粗匹配后的插值處理；最后，采用全自動(dòng)匹配模式進(jìn)行精匹配，在高分辨率圖像中選擇“窗口”區(qū)域，在低分辨 率圖像中選擇“搜索”區(qū)域，搜索區(qū)域可以依照手動(dòng)匹配時(shí)選取的控制點(diǎn)為基礎(chǔ)，自動(dòng)匹配 的結(jié)果就是在原來所取點(diǎn)的附近區(qū)域中找到最佳匹配點(diǎn)，通過位移在搜索區(qū)域內(nèi)對(duì)所有可 能的重疊關(guān)系進(jìn)行相關(guān)計(jì)算，再將搜索區(qū)域高分辨率圖像通過取平均方法降分辨率至低分 辨率，之后在搜索區(qū)域內(nèi)移動(dòng)窗口，計(jì)算兩幅圖像塊間的方差，方差最小的點(diǎn)即為最佳匹配 點(diǎn)ο
3.根據(jù)權(quán)利要求2所述的基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，其特征 在于，所述插值處理為雙向線性插補(bǔ)法進(jìn)行內(nèi)插處理。
4.根據(jù)權(quán)利要求1所述的基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，其特征 在于，步驟二中根據(jù)遙感數(shù)據(jù)格式選擇歸一化植被指數(shù)特征或者增強(qiáng)型植被指數(shù)特征或者 紋理特征或者光譜特征作為分類特征。
5.根據(jù)權(quán)利要求1所述的基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，其特征 在于，步驟二中采用像元級(jí)分類器得到的像元類別信息作為序列分類特征。
6.根據(jù)權(quán)利要求1所述的基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，其特征 在于，步驟三中條件隨機(jī)場(chǎng)模型是指對(duì)光譜特征與類別的關(guān)系、以及像元間的上下文關(guān)系 函數(shù)的建模，令G= (S，E)為一個(gè)無(wú)向圖，其中S為圖中節(jié)點(diǎn)集合，E是S間的無(wú)向邊集合， 輸入序列X是一個(gè)可以被觀察的隨機(jī)變量序列集合，輸出節(jié)點(diǎn)值Y是一個(gè)能夠被模型預(yù)測(cè) 的隨機(jī)變量集合，輸出結(jié)點(diǎn)間通過指示依賴關(guān)系的無(wú)向邊所連接，Y= Iyi I i e S|}，給定X， 且如果每個(gè)隨機(jī)變量Yi滿足樹XlzA-!,!) = Ρ(Χ υ〃,)，其中，S-{i}表示S中除節(jié)點(diǎn)i 的所有節(jié)點(diǎn)集合，Ni為節(jié)點(diǎn)i的鄰域節(jié)點(diǎn)集合，則(X，Y)構(gòu)成一個(gè)條件隨機(jī)場(chǎng)。
7.根據(jù)權(quán)利要求1所述的基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，其特征 在于，步驟三中獲取條件隨機(jī)場(chǎng)模型參數(shù)的方式為，首先對(duì)低分辨率像元所對(duì)應(yīng)的NXN高 分辨率像元塊的分類結(jié)果進(jìn)行投票，比例最高的類別作為該低分辨率像元的地物類別，生 成類別標(biāo)簽；然后生成分類特征序列，與類別標(biāo)簽組成標(biāo)定樣本集；再利用梯度下降法對(duì) 特征函數(shù)權(quán)重進(jìn)行極大似然法參數(shù)估計(jì)。
全文摘要
本發(fā)明為一種基于上下文關(guān)系的多分辨率遙感圖像復(fù)合分類方法，首先進(jìn)行局部訓(xùn)練區(qū)域內(nèi)的配準(zhǔn)，其次對(duì)低分辨率圖像進(jìn)行分類特征提取，然后基于前兩個(gè)步驟，在訓(xùn)練區(qū)域內(nèi)，利用分類特征進(jìn)一步建立基于條件隨機(jī)場(chǎng)模型的上下文關(guān)系，最后根據(jù)前三個(gè)步驟得到條件隨機(jī)場(chǎng)模型后進(jìn)行全局分類，將訓(xùn)練好的模型推廣至整個(gè)低分辨率圖像覆蓋區(qū)域，對(duì)廣域低分辨率圖像進(jìn)行分類，本方法綜合利用多分辨率遙感圖像，構(gòu)建像素間的上下文關(guān)系，考慮了地物分布的空間連續(xù)性，并由條件隨機(jī)場(chǎng)模型提供了對(duì)多分類特征的支持，從而解決高精度的廣域低分辨率遙感圖像的分類問題。
文檔編號(hào)G06K9/46GK102110227SQ20101056033
公開日2011年6月29日 申請(qǐng)日期2010年11月24日 優(yōu)先權(quán)日2010年11月24日
發(fā)明者孫衛(wèi)東, 王瓊?cè)A, 馬洪兵 申請(qǐng)人:清華大學(xué)