本發(fā)明涉及一種并行智能化面向?qū)ο蠓诸惙椒?，屬于遙感影像分類方法領(lǐng)域。

背景技術(shù)：

從處理單元上區(qū)分遙感影像分類算法，主要包括兩大類：基于像素的分類方法和基于對(duì)象的分類方法。地物的分類精度取決于混合像元數(shù)目與類別內(nèi)部光譜變異兩個(gè)因素：空間分辨率的提高，造成紋理均一的地物混合像元數(shù)減少，提高分類的精度；而對(duì)于光譜空間，其異質(zhì)性大的地物類別內(nèi)部的光譜響應(yīng)變異增大，從而導(dǎo)致類別可分性降低。高空間分辨率遙感是未來(lái)的發(fā)展趨勢(shì)，其遙感影像信息豐富，含有多種信息特征，而基于像素的分類方法只能從單一光譜特征入手，已不能滿足分類的精度，同時(shí)產(chǎn)生的椒鹽效應(yīng)會(huì)降低分類效果。因此，針對(duì)高空間分辨率遙感影像的地物分類，不僅需要考慮遙感影像的光譜特征，還需綜合考慮其空間特征。

基于對(duì)象的分類處理單元不再是單個(gè)像元，而是由若干個(gè)像元組成的類內(nèi)同質(zhì)性最大且類間異質(zhì)性最大的“同質(zhì)”像元群，即目標(biāo)對(duì)象。以對(duì)象為處理單元，將遙感影像的光譜特征和空間特征作為對(duì)象屬性聯(lián)合參與分類算法，更加符合人類目視判讀的依據(jù)，提高分類結(jié)果精度。影像對(duì)象的生成源于影像分割，面向?qū)ο蠓诸惖牡谝徊绞菍⒂跋穹指畛梢粋€(gè)個(gè)“同質(zhì)”對(duì)象，影像分割的優(yōu)劣直接影響分類結(jié)果的精度。常用于面向?qū)ο蠓诸愔械挠跋穹指罘椒ㄖ饕卸喑叨确指?、分水嶺分割、均值飄移分割、區(qū)域生成分割。這些分割算法雖然得到較好的實(shí)驗(yàn)結(jié)果，但在分割參數(shù)設(shè)置方面仍需要通過(guò)人工交互進(jìn)行大量試驗(yàn)，效率低下，且依賴操作人員的專業(yè)水平，沒(méi)有統(tǒng)一合理的定量分割評(píng)價(jià)標(biāo)準(zhǔn)，未能達(dá)到實(shí)用化階段。因此，需要一種高效的自我優(yōu)化的改進(jìn)算法，完成分割參數(shù)自動(dòng)化確定，同時(shí)結(jié)合并行處理技術(shù)，提高面向?qū)ο蠓诸惣夹g(shù)的智能化和并行化程度。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有面向?qū)ο蠓诸惙椒ù嬖诘姆诸惥冗^(guò)度依賴處理人員專業(yè)水平、質(zhì)量標(biāo)準(zhǔn)難以保障不統(tǒng)一及處理效率低的問(wèn)題，本發(fā)明提出了一種并行智能化面向?qū)ο蠓诸惙椒ǎ丛诓⑿协h(huán)境支持下，依據(jù)定量化分類精度評(píng)價(jià)，自動(dòng)化確定最優(yōu)分割參數(shù)的智能化面向?qū)ο蠓椒ā?/p>

本發(fā)明的技術(shù)解決方案為：針對(duì)高分辨率遙感影像，首先設(shè)置空間域參數(shù)和顏色域參數(shù)對(duì)遙感影像執(zhí)行meanshift(均值漂移)分割，之后結(jié)合分類樣本數(shù)據(jù)對(duì)分割后的影像進(jìn)行svm(supportvectormachine支持向量機(jī))影像分類，最后利用驗(yàn)證樣本進(jìn)行定化量的分類精度評(píng)價(jià)，計(jì)算混淆矩陣和評(píng)價(jià)參數(shù)kappa。并且以一定的步長(zhǎng)s逐步改變分割參數(shù)，繼續(xù)執(zhí)行上述步驟，在得到一系列的評(píng)價(jià)參數(shù)中，通過(guò)統(tǒng)計(jì)分析得到最優(yōu)評(píng)價(jià)參數(shù)kappa值和其對(duì)應(yīng)的最優(yōu)分割參數(shù)，繼而得到最優(yōu)的分類結(jié)果。這是一個(gè)以定量化分類精度為最高，決定最優(yōu)分類結(jié)果的思想流程，同時(shí)利用mpi(messagepassinginterface)并行運(yùn)算規(guī)則，將計(jì)算一系列的kappa值的過(guò)程分布式處理，縮短整體算法執(zhí)行時(shí)間，提高運(yùn)行效率。

一種并行智能化面向?qū)ο蠓诸惙椒?，具體包括以下步驟：

(1)讀入高分辨率遙感影像數(shù)據(jù)；

(2)確定meanshift分割參數(shù)變化集qsr及分割影像集ims：包括，空間域帶寬參數(shù)hs和顏色域帶寬參數(shù)hr的變化集為qs和qr，以及變化步長(zhǎng)steps和stepr，利用高斯核函數(shù)執(zhí)行meanshift分割算法對(duì)高分辨率數(shù)據(jù)進(jìn)行分割，形成分割影像集ims；

(3)確定分類類別數(shù)目，并讀入訓(xùn)練樣本sc，利用svm分類算法對(duì)步驟(2)中的分割結(jié)果進(jìn)行分類，得到分類影像集isvm；

(4)依據(jù)步驟(3)中的分類影像集isvm與驗(yàn)證樣本vc計(jì)算混淆矩陣，并計(jì)算kappa系數(shù)，形成kappa系數(shù)集ksr；

(5)選擇數(shù)據(jù)處理并行模式，并設(shè)置使用線程數(shù)t；

(6)對(duì)kappa系數(shù)集ksr和空間域帶寬hs，顏色域帶寬hr進(jìn)行函數(shù)關(guān)系分析，計(jì)算出最大值kappamax對(duì)應(yīng)的hsk和hrk，以及對(duì)應(yīng)的分類結(jié)果。

其中，步驟(1)中所述的高分辨率遙影響感數(shù)據(jù)為三波段，并按紅、綠、藍(lán)波段順序組合的真彩色影像數(shù)據(jù)；

其中，步驟(2)中的meanshift分割，主要依賴于二維核函數(shù)

式中knormal(x)為高斯函數(shù)，x^s是空間域中位置向量，x^r是顏色域色度向量；hs，hr分別是空間域帶寬和顏色域帶寬，且hs∈qs，hr∈qr，qsr＝qs∪qr，兩個(gè)帶寬參數(shù)hs，hr的變化決定meanshift分割結(jié)果，分割參數(shù)變化集qsr與分割影像集ims為一一對(duì)應(yīng)，c是標(biāo)準(zhǔn)化常量，使得二維核函數(shù)表達(dá)式的積分為1。

其中，步驟(3)中所述的svm分類在步驟(2)的分割影像集ims的基礎(chǔ)上執(zhí)行，核心是確定最優(yōu)分類面函數(shù)svm(x)＝sgn(ω·x+b)，其中ω和b是決定分類面函數(shù)的兩個(gè)參數(shù)。主要流程分為以下幾步：

a.高維映射：將分割影像集ims中的一個(gè)影像imsi和訓(xùn)練樣本sc，通過(guò)徑向基函數(shù)(radialbasisfunction)進(jìn)行高維映射，其中徑向基函數(shù)rbf的數(shù)學(xué)表達(dá)如下：

式中s、t分別表示訓(xùn)練樣本特征向量,為特征向量分布方差；

b.對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)得到最優(yōu)分類面：通過(guò)訓(xùn)練樣本學(xué)習(xí)計(jì)算得到ω和b，從而確定了最優(yōu)分類面svm(x)；

c.對(duì)分割影像imsi進(jìn)行分類提?。簩⑵涮卣飨蛄看胱顑?yōu)分類面方程svm(x)，區(qū)分類別，得到分類影像isvmi；

d.對(duì)應(yīng)于分割影像集ims則有一一對(duì)應(yīng)的分類影像集isvm。

其中步驟(4)中kappa是評(píng)價(jià)分類結(jié)果是否可信的一種度量，計(jì)算基礎(chǔ)依賴于混淆矩陣，主要計(jì)算表達(dá)式為：

式中，k為混淆矩陣行數(shù)，xii為遙感類別和地面參考類別為i的樣本點(diǎn)數(shù)，xi+和x+i分別為混淆矩陣中第i行和第i列的和，n為總樣本個(gè)數(shù)；在此基礎(chǔ)上，首先結(jié)合驗(yàn)證樣本vc和分類影像集isvm中每個(gè)分類影像isvmi生成對(duì)應(yīng)的混淆矩陣mconi，再次利用上述計(jì)算表達(dá)式，計(jì)算kappa值，最后得到kappa系數(shù)集ksr，可知ksr與isvm、ims、qsr一一對(duì)應(yīng)；

其中，步驟(5)是并行處理策略，經(jīng)過(guò)以上四個(gè)步驟可知，從高分辨率影像數(shù)據(jù)至kappa系數(shù)集ksr是一套面向?qū)ο蠓诸惣熬榷吭u(píng)價(jià)的流程(如圖1)，由于除了改變參數(shù)集qsr中分割參數(shù)之hs和hr外，上述子流程與子流程之間并沒(méi)有交集，條件滿足并行處理要求：每個(gè)子線程ti單獨(dú)運(yùn)行上述流程，得到kappa系數(shù)ki，最后再合并形成kappa系數(shù)集ksr，完成整個(gè)處理過(guò)程(如圖2)。設(shè)置使用線程數(shù)為t，串行總運(yùn)算量為m，則并行加速比為式中m＝(length(qs))/steps×(length(qr))/stepr，length(qr)＝rc-rf，sc和sf、rc和rf分別是分割參數(shù)變化集qs和qr的上限和下限,steps，stepr分別為分割參數(shù)hs和hr的變化步長(zhǎng)；

其中，步驟(6)中kappa系數(shù)集ksr可以看作變量hs和hr的值集，即由式kappa＝k(hs,hr)表示，由于函數(shù)解析式k(x)無(wú)法獲知，通過(guò)實(shí)驗(yàn)數(shù)據(jù)，結(jié)合統(tǒng)計(jì)分析比對(duì)，得到最大kappamax和其對(duì)應(yīng)的hsk和hrk，以及從影像分類集isvm對(duì)應(yīng)的最佳分類影像結(jié)果isvmax。

本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：克服傳統(tǒng)面向?qū)ο蠓诸愡^(guò)程中需要大量人工交互參數(shù)調(diào)整、處理效率低下等局限，本方法利用定量化分類評(píng)價(jià)系數(shù)kappa和mpi并行處理機(jī)制實(shí)現(xiàn)高效智能化面向?qū)ο蠓诸?。它具有以下?yōu)點(diǎn)：(1)以最優(yōu)化定量評(píng)價(jià)參數(shù)為收斂準(zhǔn)則，自我反饋式確定最優(yōu)分類中參數(shù)，從而脫離傳統(tǒng)面向?qū)ο蠓诸愔型ㄟ^(guò)人工交互式參數(shù)調(diào)整模式，減少操作人員的專業(yè)水平依賴；(2)分類結(jié)果以定量化精度評(píng)價(jià)最高為目標(biāo)，具有統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)；(3)在整個(gè)處理過(guò)程中融入mpi并行處理機(jī)制，完成并行高效的分布式處理，提高方法的整體效率。

附圖說(shuō)明

圖1為本發(fā)明中面向?qū)ο蠓诸惣熬榷吭u(píng)價(jià)算法流程圖。

圖2為并行化面向?qū)ο蠓诸惛倪M(jìn)算法流程。

圖3為分辨率為0.5米的都江堰航拍真彩色遙感數(shù)據(jù)。

圖4(a)為285組實(shí)驗(yàn)結(jié)果中kappa系數(shù)與分割參數(shù)hr的變化曲線。

圖4(b)為285組實(shí)驗(yàn)結(jié)果中kappa系數(shù)與分割參數(shù)hs變化曲線。

圖5(a)為經(jīng)統(tǒng)計(jì)分析后，kappa系數(shù)與分割參數(shù)hr的變化曲線。

圖5(b)為經(jīng)統(tǒng)計(jì)分析后，kappa系數(shù)與分割參數(shù)hs變化曲線。

圖6(a)為最佳分割二值圖。

圖6(b)為最佳影像分割圖，圖6(c)為最優(yōu)分類結(jié)果圖。

具體實(shí)施方式

為了更好的說(shuō)明本發(fā)明涉及的面向?qū)ο蠓诸惙椒?，利用分辨率?.5米的都江堰航拍遙感數(shù)據(jù)進(jìn)行汶川地震震害信息分類提取。本發(fā)明一種并行智能化面向?qū)ο蠓诸惙椒ǎ唧w實(shí)現(xiàn)步驟如下：

(1)讀入高分辨率遙感影像數(shù)據(jù)：讀入汶川地震震后都江堰航空遙感數(shù)據(jù)，空間分辨率為0.5米，波段順序?yàn)榧t、綠、藍(lán)的真彩色影像(如圖3)。

(2)根據(jù)meanshift遙感分割中核函數(shù)中參數(shù)的具體含義：

hs代表計(jì)算meanshift向量時(shí)空間域中窗口大小，而hr為顏色域中窗口大小。而經(jīng)過(guò)實(shí)驗(yàn)初步確定當(dāng)hr為90時(shí)，實(shí)驗(yàn)區(qū)影像幾乎被分割為一個(gè)類別，所以hr下限從1開始，所以設(shè)置hr的值域qr設(shè)為[1,90]，即rc＝1，rf＝90，當(dāng)hr＝1時(shí)步長(zhǎng)stepr設(shè)置為4，取其它值時(shí)步長(zhǎng)stepr設(shè)置為5；而根據(jù)影像的分辨率為0.5米和影像中建筑物實(shí)際尺寸，則hs以建筑物尺寸對(duì)應(yīng)窗口大小或略小于該值為上限，即hs的值域qs設(shè)為[5,19]，即sc＝5，sf＝19，變化步長(zhǎng)steps＝1，這樣對(duì)原始數(shù)據(jù)執(zhí)行meanshift分割之后，生成影像分割集ims即有285組分割結(jié)果；

(3)確定分類類別數(shù)目，并選擇訓(xùn)練樣本，依據(jù)實(shí)地參考，確定分類類別數(shù)目c＝6(分別為陰影、道路、植被、水體、完好建筑物和倒塌建筑物)，訓(xùn)練樣本sc和測(cè)試樣本vc根據(jù)實(shí)地驗(yàn)證和人工目視相結(jié)合方式確定。對(duì)第(2)步生成的影像分割集ims逐一進(jìn)行svm分類，生成分類影像集isvm，其維度和影像分割集一樣，即有285組分類結(jié)果；

(4)對(duì)第(3)步結(jié)果分類影像集isvm加入驗(yàn)證樣本vc，利用混淆矩陣算法，并逐一計(jì)算kappa系數(shù)得到ki，經(jīng)過(guò)285次循環(huán)計(jì)算得到kappa系數(shù)集ksr；

(5)實(shí)驗(yàn)步驟(2)～(4)中存在互不相關(guān)且可獨(dú)立運(yùn)行的285次流程化運(yùn)算，并行實(shí)驗(yàn)使用分布式計(jì)算一共節(jié)點(diǎn)有15個(gè)，每個(gè)節(jié)點(diǎn)有8個(gè)雙核cpu，所以為最大化利用計(jì)算能力，共開辟線程數(shù)t＝15*8*2＝240個(gè)，并行運(yùn)行時(shí)間和加速比如下表1(實(shí)驗(yàn)串行運(yùn)算和并行運(yùn)算的運(yùn)行時(shí)間與加速比)列出：

表1

(6)結(jié)合285組實(shí)驗(yàn)結(jié)果得到的kappa系數(shù)集ksr，與對(duì)應(yīng)的分割參數(shù)hs和hr，進(jìn)行統(tǒng)計(jì)分析，找到最大kappa值對(duì)應(yīng)的最優(yōu)參數(shù)，從而尋找最優(yōu)分類結(jié)果。首先從實(shí)驗(yàn)數(shù)據(jù)中分別取列出了hs分別為5、10、15、19和hr分別為5、20、60、90時(shí)的部分實(shí)驗(yàn)分類結(jié)果，同時(shí)圖中對(duì)應(yīng)的kappa值列表于下表2(實(shí)驗(yàn)區(qū)部分分類結(jié)果kappa值)：

表2

此表反應(yīng)出hr的取值對(duì)分類精度有較大影響，當(dāng)hs較小(hs≤15)時(shí)，kappa值隨hr增加而增大，隨著hr不斷增大，而過(guò)大的值(hr≥60)造成嚴(yán)重錯(cuò)分結(jié)果；當(dāng)hr較小(hr≤20)時(shí)，kappa值對(duì)hs的變化不敏感；隨著hr的增大(hr≥60)，kappa隨hs增大而增大，但總體分類精度相對(duì)較低。為得到精確結(jié)果，綜合實(shí)驗(yàn)得到的所有結(jié)果，求當(dāng)hs分別為5到19區(qū)間內(nèi)定值時(shí)，得到kappa與hr的變化曲線(如圖4(a)所示)；當(dāng)hr固定取1到90之間定值時(shí)，kappa與hs的變化曲線(如圖4(b)所示)。從圖中可分析得知，kappa值隨變量hr和hs的變化得到的規(guī)律滿足上述結(jié)論。kappa值對(duì)hr變量敏感，隨著hr的增加呈現(xiàn)先增后漲規(guī)律并在hr＝20時(shí)達(dá)到峰值，而當(dāng)hr≥50時(shí)，kappa值的變化受到hs的影響，呈現(xiàn)較大的起伏性；kappa值隨著hs的變化無(wú)規(guī)律可循，當(dāng)hr≤60時(shí)，hs的增加對(duì)kappa沒(méi)有影響，當(dāng)hr≥60時(shí)，kappa值隨著hs的遞增變化起伏較大，沒(méi)有規(guī)律。

對(duì)圖4(a)中的kappa曲線求得平均kappa系數(shù)值隨著hr變化的曲線(圖5(a))，可以看到當(dāng)hr＝20時(shí)平均kappa系數(shù)達(dá)到最高點(diǎn)(圖中虛線的交叉點(diǎn))，而由前面的定性分析可知kappa系數(shù)主要受hr的變化影響，所以hr＝20是kappa最大的必要條件。圖5(b)顯示當(dāng)hr＝20時(shí)kappa系數(shù)隨著變量hs的變化情況，可以得出kappa對(duì)hs變化不敏感。由于hs的增大會(huì)導(dǎo)致運(yùn)算時(shí)間的大量消耗，雖然對(duì)結(jié)果可以起到一定的平滑改善，但較大的hs是不可取的。為此取hs變化的中數(shù)(圖中虛線交叉點(diǎn))作為最優(yōu)kappa的另一條件。即根據(jù)實(shí)驗(yàn)區(qū)得到最優(yōu)分割參數(shù)組合為hs＝12，hr＝20。利用參數(shù)組合得到最佳分割結(jié)果和分類結(jié)果如圖6(a)，圖6(b)和6(c)所示。

從利用本發(fā)明方法可以得出根據(jù)最優(yōu)分類評(píng)價(jià)參數(shù)kappa可自動(dòng)確定最優(yōu)分割參數(shù)組合為hs＝12，hr＝20，達(dá)到智能化確定參數(shù)目標(biāo)，且在整個(gè)285組實(shí)驗(yàn)中得到最高kappa值為0.73。通過(guò)使用并行策略，改進(jìn)并行方法的加速比為16.47，時(shí)間由串行時(shí)的3.13個(gè)小時(shí)縮短至11分鐘左右，很大程度上提高了程序運(yùn)算的效率，完成并行化算法處理。