本發(fā)明涉及影像提取技術(shù)領(lǐng)域，更具體的，涉及一種對高分辨率影像的地物提取方法及裝置。

背景技術(shù)：

近些年來，一些關(guān)于光譜-空間特征的研究被深入開展，dellacqua利用高分辨率高光譜數(shù)據(jù)對城市分類的空間分析算法進(jìn)行了首次的評估，實驗結(jié)果證明了相比于單純的光譜分析方法，利用該空間分析的方法具有更好的效果。benediktsson針對高空間分辨率的城市高光譜數(shù)據(jù)的分類，提出了擴(kuò)展形態(tài)學(xué)序列(emp)，將高光譜影像進(jìn)行主成分變換后的影像作為形態(tài)學(xué)序列構(gòu)建的基本影像，然后將光譜的主成分和其形成的emp應(yīng)用到神經(jīng)網(wǎng)絡(luò)分類器中。由于原來的方法沒有充分考慮數(shù)據(jù)中的光譜信息，fauvel通過將高光譜信息和emp結(jié)合形成特征向量從而改進(jìn)了這個方法。huangandzhang通過意大利北部的帕維亞市的高空間分辨率的高光譜影像，對城市測繪的空間方法進(jìn)行了比較研究，利用不同的光譜-空間特征對地物進(jìn)行提取和分類，其中涉及形態(tài)學(xué)序列(mps)，灰度共生矩陣(glcm)，像元形狀指數(shù)(psi)，面向?qū)ο蟮幕诜中尉W(wǎng)絡(luò)的分類，和多尺度的均值漂移算法，結(jié)果顯示結(jié)合光譜-空間特征可以有效的改善純光譜分類的精度。

盡管可以利用各種各樣的空間信息對高分辨率數(shù)據(jù)進(jìn)行處理，但是很難找到一個最佳的特征對不同的影像進(jìn)行處理，解決該問題的傳統(tǒng)的方法是利用特征疊加(vectorstacking，vs)，即將提取的各個特征進(jìn)行疊加組合，然后利用分類器進(jìn)行分類。實驗證實該方法可以有效的通過構(gòu)建多特征空間的方法來增強(qiáng)相似對象的可分離性。該方法經(jīng)常和支持向量機(jī)分類器(svm)一起使用，因為在輸入數(shù)據(jù)的的分布上，svm不需要對事先的假設(shè)進(jìn)行約束，可以對不同特征設(shè)置相應(yīng)的權(quán)重，同時也可以很好解決維數(shù)過高的問題。盡管研究顯示對于多特征融合來說，vs-svm方法是一個可行的方法，但是它也存在一些缺點(diǎn)：隨著空間特征的不斷增加，當(dāng)空間特征在所有特征空間中占據(jù)主導(dǎo)地位時，會在一定程度上淹沒光譜特征，從而導(dǎo)致識別的誤差。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種對高分辨率影像的地物提取方法及裝置，首先分別建立三類光譜-空間特征，然后利用支持向量機(jī)的概率融合光譜-空間特征的分類模型對待提取的高分辨率影像進(jìn)行分類，從而完成對待提取的高分辨率影像的地物提取，提高了高分辨率影像的地物提取精度。

具體技術(shù)方案如下：

一種對高分辨率影像的地物提取方法，所述方法包括：

對待提取的高分辨率影像進(jìn)行預(yù)處理，得到所述高分辨率影像的光譜特征影像spectralnmf；

建立所述待提取的高分辨率影像的三類多尺度特征影像：光譜特征的多尺度形態(tài)學(xué)特征影像地物延展特征的多尺度形態(tài)學(xué)特征影像和地表下墊面物理特征的多尺度形態(tài)學(xué)特征影像

根據(jù)所述待提取的高分辨率影像的所述光譜特征影像spectralnmf和所述三類多尺度特征影像，定義所述待提取的高分辨率影像的三類光譜-空間特征：光譜-光譜特征的多尺度形態(tài)學(xué)特征光譜-地物延展特征的多尺度形態(tài)學(xué)特征和光譜-地表下墊面物理特征的多尺度形態(tài)學(xué)特征

基于所述待提取的高分辨率影像的三類光譜-空間特征和預(yù)先建立的支持向量機(jī)的概率融合光譜-空間特征的分類模型，對所述待提取的高分辨率影像進(jìn)行地物分類，并依據(jù)地物分類結(jié)果完成對所述待提取的高分辨率影像的地物提取。

優(yōu)選的，所述對待提取的高分辨率影像進(jìn)行預(yù)處理，得到所述高分辨率影像的光譜特征影像spectralnmf，包括：

獲取所述待提取的高分辨率影像的多個光譜波段；

對多個所述光譜波段進(jìn)行降噪處理，得到降噪后的多個光譜波段；

利用非負(fù)矩陣分解nmf變換對多個所述降噪后的光譜波段進(jìn)行降維處理，得到所述高分辨率影像的光譜特征影像spectralnmf。

優(yōu)選的，所述建立所述待提取的高分辨率影像的三類多尺度特征影像：光譜特征的多尺度形態(tài)學(xué)特征影像地物延展特征的多尺度形態(tài)學(xué)特征影像和地表下墊面物理特征的多尺度形態(tài)學(xué)特征影像包括：

利用線性光譜混合模型對所述待提取的高分辨率影像的地表下墊面物理特征進(jìn)行提取，得到所述待提取的高分辨率影像的地表下墊面物理特征，所述地表下墊面包括高反照度地物，低反照度地物、植被和土壤；

構(gòu)造像元相似性函數(shù)sim(t,θ,w)，根據(jù)所述像元相似性函數(shù)sim(t,θ,w)得到所述待提取的高分辨率影像在各個延伸方向的地物延展特征，其中，t為像元相似性的閾值，θ為延伸方向，中心像元向外延伸的四個延伸方向θ分別為：0°，45°，90°和135°，w為窗口尺寸；

以所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征為基礎(chǔ)，利用形態(tài)學(xué)算子分別建立所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特征地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征

優(yōu)選的，所述以所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征為基礎(chǔ)，利用形態(tài)學(xué)算子分別建立所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特征地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征包括：

分別對所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征進(jìn)行基于ofc算子的白帽變換，得到所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征的多尺度形態(tài)學(xué)序列其中，(d,s)表示結(jié)構(gòu)體，d表示角度，s表示距離；

對每一組結(jié)構(gòu)體(d,s)對應(yīng)的形態(tài)學(xué)序列依次進(jìn)行差分處理：其中，δs為形態(tài)學(xué)序列的距離間隔，s∈(smin,smax)，得到每一個所述多尺度形態(tài)學(xué)序列對應(yīng)的多尺度差分形態(tài)學(xué)序列，即得到所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特征地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征

優(yōu)選的，所述基于所述待提取的高分辨率影像的三類光譜-空間特征和預(yù)先建立的支持向量機(jī)的概率融合光譜-空間特征的分類模型，對所述待提取的高分辨率影像進(jìn)行分類，包括：

基于每類所述光譜-空間特征，分別利用支持向量機(jī)分類器對所述待提取的高分辨率影像進(jìn)行分類，得到每類所述光譜-空間特征對應(yīng)的地物分類結(jié)果；

基于像素的概率融合，將每類所述光譜-空間特征對應(yīng)的地物分類結(jié)果進(jìn)行整合，通過最大后驗概率確定所述待提取的高分辨率影像的最終地物分類結(jié)果：其中，f為所述光譜-空間特征總數(shù)，為光譜-空間特征f對應(yīng)的支持向量機(jī)分類類別k的概率輸出結(jié)果中像素x的概率值，sf(x)為概率值的權(quán)重。

一種對高分辨率影像的地物提取裝置，包括：

預(yù)處理單元，用于對待提取的高分辨率影像進(jìn)行預(yù)處理，得到所述高分辨率影像的光譜特征影像spectralnmf；

建立單元，用于建立所述待提取的高分辨率影像的三類多尺度特征影像：光譜特征的多尺度形態(tài)學(xué)特征影像地物延展特征的多尺度形態(tài)學(xué)特征影像和地表下墊面物理特征的多尺度形態(tài)學(xué)特征影像

定義單元，用于根據(jù)所述待提取的高分辨率影像的所述光譜特征影像spectralnmf和所述三類多尺度特征影像，定義所述待提取的高分辨率影像的三類光譜-空間特征：光譜-光譜特征的多尺度形態(tài)學(xué)特征光譜-地物延展特征的多尺度形態(tài)學(xué)特征和光譜-地表下墊面物理特征的多尺度形態(tài)學(xué)特征

分類單元，用于基于所述待提取的高分辨率影像的三類光譜-空間特征和預(yù)先建立的支持向量機(jī)的概率融合光譜-空間特征的分類模型，對所述待提取的高分辨率影像進(jìn)行地物分類，并依據(jù)地物分類結(jié)果完成對所述待提取的高分辨率影像的地物提取。

優(yōu)選的，所述預(yù)處理單元包括：

獲取子單元，用于獲取所述待提取的高分辨率影像的多個光譜波段；

降噪子單元，用于對多個所述光譜波段進(jìn)行降噪處理，得到降噪后的多個光譜波段；

降維子單元，用于利用非負(fù)矩陣分解nmf變換對多個所述降噪后的光譜波段進(jìn)行降維處理，得到所述高分辨率影像的光譜特征影像spectralnmf。

優(yōu)選的，所述建立單元包括：

提取子單元，用于利用線性光譜混合模型對所述待提取的高分辨率影像的地表下墊面物理特征進(jìn)行提取，得到所述待提取的高分辨率影像的地表下墊面物理特征，所述地表下墊面包括高反照度地物，低反照度地物、植被和土壤；

構(gòu)造子單元，用于構(gòu)造像元相似性函數(shù)sim(t,θ,w)，根據(jù)所述像元相似性函數(shù)sim(t,θ,w)得到所述待提取的高分辨率影像在各個延伸方向的地物延展特征，其中，t為像元相似性的閾值，θ為延伸方向，中心像元向外延伸的四個延伸方向θ分別為：0°，45°，90°和135°，w為窗口尺寸；

建立子單元，用于以所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征為基礎(chǔ)，利用形態(tài)學(xué)算子分別建立所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特征地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征

優(yōu)選的，所述建立子單元包括：

變換子單元，用于分別對所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征進(jìn)行基于ofc算子的白帽變換，得到所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征的多尺度形態(tài)學(xué)序列其中，(d,s)表示結(jié)構(gòu)體，d表示角度，s表示距離；

差分子單元，用于對每一組結(jié)構(gòu)體(d,s)對應(yīng)的形態(tài)學(xué)序列依次進(jìn)行差分處理：其中，δs為形態(tài)學(xué)序列的距離間隔，s∈(smin,smax)，得到每一個所述多尺度形態(tài)學(xué)序列對應(yīng)的多尺度差分形態(tài)學(xué)序列，即得到所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特征地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征

優(yōu)選的，所述分類單元包括：

分類子單元，用于基于每類所述光譜-空間特征，分別利用支持向量機(jī)分類器對所述待提取的高分辨率影像進(jìn)行分類，得到每類所述光譜-空間特征對應(yīng)的地物分類結(jié)果；

確定子單元，用于基于像素的概率融合，將每類所述光譜-空間特征對應(yīng)的地物分類結(jié)果進(jìn)行整合，通過最大后驗概率確定所述待提取的高分辨率影像的最終地物分類結(jié)果：其中，f為所述光譜-空間特征總數(shù)，為光譜-空間特征f對應(yīng)的支持向量機(jī)分類類別k的概率輸出結(jié)果中像素x的概率值，sf(x)為概率值的權(quán)重。

相對于現(xiàn)有技術(shù)，本發(fā)明的有益效果如下：

本發(fā)明提供的對高分辨率影像的地物提取方法及裝置，根據(jù)待提取的高分辨率影像的光譜特征影像spectralnmf和三類多尺度特征影像，定義了待提取的高分辨率影像的三類光譜-空間特征：光譜-光譜特征的多尺度形態(tài)學(xué)特征、光譜-地物延展特征的多尺度形態(tài)學(xué)特征和光譜-地表下墊面物理特征的多尺度形態(tài)學(xué)特征，該三類光譜-空間特征能很好的區(qū)分不同種類的地物，利用支持向量機(jī)的概率融合光譜-空間特征的分類模型進(jìn)行分類，首先將三類光譜-空間特征利用支持向量機(jī)進(jìn)行初步的分類，然后將分類結(jié)果利用概率融合的方法進(jìn)一步對地物進(jìn)行區(qū)分，從而提高了對高分辨率影像的地物提取精度。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例公開的一種對高分辨率影像的地物提取方法流程圖；

圖2為本發(fā)明實施例公開的一種對高分辨率影像的地物提取方法流程圖；

圖3為本發(fā)明實施例公開的一種對高分辨率影像的地物提取裝置結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

請參閱圖1，本實施例公開了一種對高分辨率影像的地物提取方法，具體包括以下步驟：

s101：對待提取的高分辨率影像進(jìn)行預(yù)處理，得到所述高分辨率影像的光譜特征影像spectralnmf；

具體的，s101的一種優(yōu)選的實施方式如下：

獲取所述待提取的高分辨率影像的多個光譜波段；

對多個所述光譜波段進(jìn)行降噪處理，得到降噪后的多個光譜波段；

利用非負(fù)矩陣分解nmf變換對多個所述降噪后的光譜波段進(jìn)行降維處理，得到所述高分辨率影像的光譜特征影像spectralnmf。

需要說明的是，用戶可以根據(jù)實際情況選擇利用主成分分析pca變化或非負(fù)矩陣分解nmf變換對多個所述光譜波段進(jìn)行降維處理，也可以選擇其他降維方法對多個所述光譜波段進(jìn)行降維處理。

還需要說明的是，所述特定地物包括：道路、陰影、建筑物、植被、水體、裸地和草地等。

s102：建立所述待提取的高分辨率影像的三類多尺度特征影像：光譜特征的多尺度形態(tài)學(xué)特征影像地物延展特征的多尺度形態(tài)學(xué)特征影像和地表下墊面物理特征的多尺度形態(tài)學(xué)特征影像

s103：根據(jù)所述待提取的高分辨率影像的所述光譜特征影像spectralnmf和所述三類多尺度特征影像，定義所述待提取的高分辨率影像的三類光譜-空間特征：光譜-光譜特征的多尺度形態(tài)學(xué)特征光譜-地物延展特征的多尺度形態(tài)學(xué)特征和光譜-地表下墊面物理特征的多尺度形態(tài)學(xué)特征

s104：基于所述待提取的高分辨率影像的三類光譜-空間特征和預(yù)先建立的支持向量機(jī)的概率融合光譜-空間特征的分類模型，對所述待提取的高分辨率影像進(jìn)行地物分類，并依據(jù)地物分類結(jié)果完成對所述待提取的高分辨率影像的地物提取。

具體的，s104的具體執(zhí)行過程如下：

基于每類所述光譜-空間特征，分別利用支持向量機(jī)分類器對所述待提取的高分辨率影像進(jìn)行分類，得到每類所述光譜-空間特征對應(yīng)的地物分類結(jié)果；

基于像素的概率融合，將每類所述光譜-空間特征對應(yīng)的地物分類結(jié)果進(jìn)行整合，通過最大后驗概率確定所述待提取的高分辨率影像的最終地物分類結(jié)果：其中，f為所述光譜-空間特征總數(shù)，為光譜-空間特征f對應(yīng)的支持向量機(jī)分類類別k的概率輸出結(jié)果中像素x的概率值，sf(x)為概率值的權(quán)重。

需要說明的，請參閱圖2，s102的具體執(zhí)行過程如下：

s202：利用線性光譜混合模型對所述待提取的高分辨率影像的地表下墊面物理特征進(jìn)行提取，得到所述待提取的高分辨率影像的地表下墊面物理特征，所述地表下墊面包括高反照度地物，低反照度地物、植被和土壤；

具體的，在線性光譜混合模型(linearspectralmixturemodel，lsmm)中，利用2～6個端元描述一個影像中的單個像元的組成，每一個端元便是一個單純的土地覆蓋類型，我們將多光譜遙感圖像中的端元類型定義為高反照度地物、低反照度地物、植被、土壤四類端元，線性光譜混合模型(lsmm)通過以下公式表達(dá)：

式中：riλ為第λ波段像元i的光譜反射率，fki為對應(yīng)于像元i的第k個基本端元所占的分量值，ckλ為第k個基本端元在第λ波段的光譜反射率，εiλ為殘余誤差值(即光譜的非模型化部分)；n為基本端元的數(shù)目，m為可用波段數(shù)，波段數(shù)應(yīng)大于基本端元的數(shù)目(n≤m+1)，以便利用最小二乘求解。

評價模型用殘差εiλ或均方根誤差rms表示

該模型從混合像元riλ中分離和提取各基本端元的平均光譜響應(yīng)ckλ，通過求解線性方程來反解端元在像元中所占的面積比例fki，從而將所有像元分解成這些基本端元的分量。這些求解后的端元具有明確的物理意義，對應(yīng)著高反照度地物、低反照度地物、植被、土壤四類土地覆蓋類型。

s202：構(gòu)造像元相似性函數(shù)sim(t,θ,w)，根據(jù)所述像元相似性函數(shù)sim(t,θ,w)得到所述待提取的高分辨率影像在各個延伸方向的地物延展特征，其中，t為像元相似性的閾值，θ為延伸方向，中心像元向外延伸的四個延伸方向θ分別為：0°，45°，90°和135°，w為窗口尺寸；

具體的，光譜角是對地物光譜波形相似性的一種度量，通過計算測試光譜(像元光譜)與參考光譜間的角度來確定兩者之間的相似性。參考光譜可以是實驗室光譜或者野外測定的光譜或從影像中提取的像元光譜。對于兩個光譜向量x和y，光譜角的計算公式如下：

通過計算測試光譜與參考光譜間矢量的夾角，根據(jù)夾角的大小來確定光譜的相似程度。夾角越小，說明兩光譜越相似。

延展特征的計算我們以θ＝0°為例說明：設(shè)圖中窗口大小為w×w，像元o(i,j)為中心像元，它的初始延伸值l＝0，當(dāng)像元o(i,j)與主方向相鄰像元o(i,j+1)的光譜角小于或等于某一設(shè)定的閾值t時，認(rèn)為這兩個像元光譜性質(zhì)相似，這時延伸值加1，并且以o(i,j+1)為新的起點(diǎn)，繼續(xù)求延伸性；否則分別計算像元o(i-1,j+1)，o(i+1,j+1)與o(i,j)的相似性，若其中的一點(diǎn)與起點(diǎn)的光譜角小于或等于設(shè)定的某一閾值時，則以該點(diǎn)為起點(diǎn)繼續(xù)計算，直至窗口邊界處結(jié)束；否則結(jié)束該方向的計算。然后，在0°的反方向上重復(fù)上述計算，得到延伸值l-,將0°方向延伸值l和反方向值l-相加作為0°方向延展特征，相似的方法可以計算45°、90°和135°方向的延伸值。記0°、45°、90°和135°四個方向的延伸值為{l⁰，l⁴⁵，l⁹⁰，l¹³⁵}，則像元o(i,j)的延展特征為：

elong1(i,j)＝mean({l⁰,l⁴⁵,l⁹⁰,l¹³⁵})

elong2(i,j)＝max({l⁰,l⁴⁵,l⁹⁰,l¹³⁵})

elong3(i,j)＝min({l⁰,l⁴⁵,l⁹⁰,l¹³⁵})

本實施例根據(jù)地物在空間上的延展性的不同，構(gòu)建了一個新的地物特征：地物延展特征。通過試驗證實了該特征可以很好地區(qū)分那些延展性存在很大差異的地物。

s203：以所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征為基礎(chǔ)，利用形態(tài)學(xué)算子分別建立所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特征地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征

具體的，s203的具體執(zhí)行過程如下：

分別對所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征進(jìn)行基于ofc算子的白帽變換，得到所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征的多尺度形態(tài)學(xué)序列其中，(d,s)表示結(jié)構(gòu)體，d表示角度，s表示距離；

需要說明的是，由于白帽變換可以提取影像中明亮的結(jié)構(gòu)和移除黑暗的結(jié)構(gòu)，因此將這兩幅影像相減可以得到比所定義的結(jié)構(gòu)元素小，同時又比周圍相鄰區(qū)域亮的區(qū)域?；趏fc算子的白帽變換(w-th)定義如下：

為利用線性結(jié)構(gòu)元素對影像g進(jìn)行閉重建之后所得到的圖像，ofc^g(d,s)為利用線性結(jié)構(gòu)元素對進(jìn)行開重建后得到的圖像。

對每一組結(jié)構(gòu)體(d,s)對應(yīng)的形態(tài)學(xué)序列依次進(jìn)行差分處理：其中，δs為形態(tài)學(xué)序列的距離間隔，s∈(smin,smax)，得到每一個所述多尺度形態(tài)學(xué)序列對應(yīng)的多尺度差分形態(tài)學(xué)序列，即得到所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征

可以理解的是，每一組結(jié)構(gòu)體對應(yīng)一個尺度，若每個尺度對應(yīng)的形態(tài)學(xué)序列中有n幅影像，經(jīng)過差分處理后，得到的形態(tài)學(xué)序列中有n-1幅影像，最終組成多尺度差分形態(tài)學(xué)序列經(jīng)過差分處理更能體現(xiàn)影像的多尺度形態(tài)，能更好的區(qū)分地物。

本實施例提供的對高分辨率影像的地物提取方法，根據(jù)待提取的高分辨率影像的光譜特征影像spectralnmf和三類多尺度特征影像，定義了待提取的高分辨率影像的三類光譜-空間特征：光譜-光譜特征的多尺度形態(tài)學(xué)特征、光譜-地物延展特征的多尺度形態(tài)學(xué)特征和光譜-地表下墊面物理特征的多尺度形態(tài)學(xué)特征，該三類光譜-空間特征能很好的區(qū)分不同種類的地物，利用支持向量機(jī)的概率融合光譜-空間特征的分類模型進(jìn)行分類，首先將三類光譜-空間特征利用支持向量機(jī)進(jìn)行初步的分類，然后將分類結(jié)果利用概率融合的方法進(jìn)一步對地物進(jìn)行區(qū)分，從而提高了對高分辨率影像的地物提取精度。

為了更加充分的說明本實施例所提供的對高分辨影像的地物提取方法所帶來的有益效果，提供以下實驗數(shù)據(jù)以供參考。

實驗選取2002年7月8日rosis航空光學(xué)傳感器拍攝的pavia大學(xué)管理學(xué)院影像進(jìn)行測試，波段范圍涵蓋了可見光和近紅外，大致范圍為0.43um-0.86um，圖像的大小為610像素×340像素，總共有103個波段，空間分辨率為1.3米。實驗中的影像和地面參考數(shù)據(jù)由pavia大學(xué)gamba教授提供。訓(xùn)練樣本和測試樣本個數(shù)見表1。

表1pavia大學(xué)影像的訓(xùn)練樣本和測試樣本

表2不同光譜數(shù)據(jù)集對土地覆蓋的分類精度統(tǒng)計表

對于該類高分辨率高光譜圖像來說，我們通常對其進(jìn)行降維，然后再提取影像的特征。我們采用非負(fù)矩陣分解nmf變換，經(jīng)過nmf變換的波段數(shù)為3的光譜數(shù)據(jù)。從表中可以看出，nmf的分類精度(oa＝78.36％)很接近103維的高光譜數(shù)據(jù)的分類精度(oa＝79.12％)，這說明將nmf作為該試驗區(qū)域的光譜特征是合理，可行的。

我們將支持向量機(jī)的概率融合光譜-空間特征的分類模型應(yīng)用到本實驗。本實驗的具體的參數(shù)設(shè)置為：地物空間延展特征聚類數(shù)k＝20，窗口大小為17*17，光譜特征的多尺度形態(tài)學(xué)特征，地物空間延展特征的多尺度形態(tài)學(xué)特征，地表下墊面物理特征的多尺度形態(tài)學(xué)特征的結(jié)構(gòu)元素大小s＝{2,4,6,8,10}，方向d＝{45,90,135,180}。

我們利用不同的方法對地物進(jìn)行分類：(1)考慮第一類光譜-空間特征利用svm分類；(2)考慮第二類光譜-空間特征利用svm分類；(3)考慮第三類光譜-空間特征利用svm分類；(4)單純考慮光譜特征利用svm分類；(5)將三類空間特征與光譜特征疊加利用svm分類；(6)利用支持向量機(jī)的概率融合光譜-空間特征的地物分類模型分類。

為了驗證本模型的準(zhǔn)確性，我們對六種方法的分類結(jié)果進(jìn)行了精度評定，評定結(jié)果見表3。

表3不同方法的分類精度評定表

從表3中可以看出，spec-svm分類總體精度遠(yuǎn)低于其他聯(lián)合光譜-空間特征的分類總體精度，說明影像的空間特征可以明顯提高分類的精度。sdspe-svm，sdelo-svm，sdfra-svm分類的總體精度分別為81.14％，84.51％，87.20％，利用vs-svm模型分類的總體精度為90.73％，表明利用傳統(tǒng)的vs-svm的方法可以提高分類的準(zhǔn)確率，并且對于瀝青房屋，道路，磚房屋，碎石房屋，裸地等光譜相似而很難區(qū)分的地物的提取的精度也明顯提高。利用支持向量機(jī)的概率融合光譜-空間特征的地物分類模型(p-fusion-svm)的分類總體精度為93.35％，較vs-svm方法精度提高了2.62％，并且對于特定地物---建筑物的提取精度也得到了提高：碎石房屋提取精度提高了0.14％，金屬房屋精度保持不變，瀝青房屋提高1.7％，磚房屋提高了1.3％。從而證明了該支持向量機(jī)的概率融合光譜-空間特征的地物分類模型具有很好的分類精度，具有很好的可行性和合理性。

基于上述實施例公開的一種對高分辨率影像的地物提取方法，請參閱圖3，本實施例對應(yīng)公開了一種對高分辨率影像的地物提取裝置，包括：

預(yù)處理單元101，用于對待提取的高分辨率影像進(jìn)行預(yù)處理，得到所述高分辨率影像的光譜特征影像spectralnmf；

建立單元102，用于建立所述待提取的高分辨率影像的三類多尺度特征影像：光譜特征的多尺度形態(tài)學(xué)特征影像地物延展特征的多尺度形態(tài)學(xué)特征影像和地表下墊面物理特征的多尺度形態(tài)學(xué)特征影像

定義單元103，用于根據(jù)所述待提取的高分辨率影像的所述光譜特征影像spectralnmf和所述三類多尺度特征影像，定義所述待提取的高分辨率影像的三類光譜-空間特征：光譜-光譜特征的多尺度形態(tài)學(xué)特征光譜-地物延展特征的多尺度形態(tài)學(xué)特征和光譜-地表下墊面物理特征的多尺度形態(tài)學(xué)特征

分類單元104，用于基于所述待提取的高分辨率影像的三類光譜-空間特征和預(yù)先建立的支持向量機(jī)的概率融合光譜-空間特征的分類模型，對所述待提取的高分辨率影像進(jìn)行地物分類，并依據(jù)地物分類結(jié)果完成對所述待提取的高分辨率影像的地物提取。

具體的，所述預(yù)處理單元101包括：

獲取子單元，用于獲取所述待提取的高分辨率影像的多個光譜波段；

降噪子單元，用于對多個所述光譜波段進(jìn)行降噪處理，得到降噪后的多個光譜波段；

降維子單元，用于利用非負(fù)矩陣分解nmf變換對多個所述降噪后的光譜波段進(jìn)行降維處理，得到所述高分辨率影像的光譜特征影像spectralnmf。

具體的，所述建立單元102包括：

提取子單元，用于利用線性光譜混合模型對所述待提取的高分辨率影像的地表下墊面物理特征進(jìn)行提取，得到所述待提取的高分辨率影像的地表下墊面物理特征，所述地表下墊面包括高反照度地物，低反照度地物、植被和土壤；

構(gòu)造子單元，用于構(gòu)造像元相似性函數(shù)sim(t,θ,w)，根據(jù)所述像元相似性函數(shù)sim(t,θ,w)得到所述待提取的高分辨率影像在各個延伸方向的地物延展特征，其中，t為像元相似性的閾值，θ為延伸方向，中心像元向外延伸的四個延伸方向θ分別為：0°，45°，90°和135°，w為窗口尺寸；

建立子單元，用于以所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征為基礎(chǔ)，利用形態(tài)學(xué)算子分別建立所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特征地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征

所述建立子單元包括：

變換子單元，用于分別對所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征進(jìn)行基于ofc算子的白帽變換，得到所述待提取的高分辨率影像的光譜特征、地物延展特征和地表下墊面物理特征的多尺度形態(tài)學(xué)序列其中，(d,s)表示結(jié)構(gòu)體，d表示角度，s表示距離；

差分子單元，用于對每一組結(jié)構(gòu)體(d,s)對應(yīng)的形態(tài)學(xué)序列依次進(jìn)行差分處理：其中，δs為形態(tài)學(xué)序列的距離間隔，s∈(smin,smax)，得到每一個所述多尺度形態(tài)學(xué)序列對應(yīng)的多尺度差分形態(tài)學(xué)序列，即得到所述待提取的高分辨率影像的光譜特征的多尺度形態(tài)學(xué)特征地物延展特征的多尺度形態(tài)學(xué)特征和地表下墊面物理特征的多尺度形態(tài)學(xué)特征

具體的，所述分類單元104包括：

分類子單元，用于基于每類所述光譜-空間特征，分別利用支持向量機(jī)分類器對所述待提取的高分辨率影像進(jìn)行分類，得到每類所述光譜-空間特征對應(yīng)的地物分類結(jié)果；

確定子單元，用于基于像素的概率融合，將每類所述光譜-空間特征對應(yīng)的地物分類結(jié)果進(jìn)行整合，通過最大后驗概率確定所述待提取的高分辨率影像的最終地物分類結(jié)果：其中，f為所述光譜-空間特征總數(shù)，為光譜-空間特征f對應(yīng)的支持向量機(jī)分類類別k的概率輸出結(jié)果中像素x的概率值，sf(x)為概率值的權(quán)重。

本實施例提供的對高分辨率影像的地物提取裝置，根據(jù)待提取的高分辨率影像的光譜特征影像spectralnmf和三類多尺度特征影像，定義了待提取的高分辨率影像的三類光譜-空間特征：光譜-光譜特征的多尺度形態(tài)學(xué)特征、光譜-地物延展特征的多尺度形態(tài)學(xué)特征和光譜-地表下墊面物理特征的多尺度形態(tài)學(xué)特征，該三類光譜-空間特征能很好的區(qū)分不同種類的地物，利用支持向量機(jī)的概率融合光譜-空間特征的分類模型進(jìn)行分類，首先將三類光譜-空間特征利用支持向量機(jī)進(jìn)行初步的分類，然后將分類結(jié)果利用概率融合的方法進(jìn)一步對地物進(jìn)行區(qū)分，從而提高了對高分辨率影像的地物提取精度。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。