本發(fā)明涉及遙感圖像處理領(lǐng)域，尤其涉及一種特征提取的遙感圖像分類方法

背景技術(shù)：

二十世紀(jì)末以來，面向?qū)ο蠓治龅男畔⑻崛〖夹g(shù)不斷發(fā)展，面向?qū)ο蟮姆诸愔饾u成為高分辨率遙感圖像分析的主流。面向?qū)ο蠓诸惙椒ǖ幕舅悸肥鞘紫葘b感圖像進(jìn)行分割，其次對分割得到的圖像區(qū)域進(jìn)行特征提取，利用提取到的特征對遙感圖像進(jìn)行分類。

對象特征是指在不加入任何知識的情況下，基于對象本身具有的信息提取出的某些屬性，包括圖層值、形狀、紋理、層次和專題屬性。其中圖層值、形狀、紋理三類特征以及上下文信息在圖像處理和分析中比較常見。

k-t變換(即纓帽變換)，是根據(jù)多光譜遙感中土壤、植被等信息在多維光譜空間中信息分布結(jié)構(gòu)對圖像做的經(jīng)驗性線性正交變換，相當(dāng)于旋轉(zhuǎn)數(shù)據(jù)的坐標(biāo)空間，使坐標(biāo)軸指向與地物密切相關(guān)的方向，特別是與植物生長過程和土壤有關(guān)，k-t變換既可以幫助實現(xiàn)信息壓縮，又可以幫助解譯地物，具有重要的實際意義。

高分辨率遙感圖像的分辨率越來越高，圖像中存在著豐富的紋理信息，將紋理特征用于高分辨遙感圖像分類中具有重要的意義。lbp算子，局部二值模式(localbinarypatterns,lbp)，是機(jī)器視覺領(lǐng)域中用于描述圖像局部紋理特征的算子,具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點。它的基本思想是：以中心像素的灰度值為閾值，對中心像素周圍鄰域中的像素進(jìn)行門限化處理后構(gòu)成描述局部紋理模式的二進(jìn)制鏈碼，得到圖像中各像素對應(yīng)的lbp鏈碼值，則可以得到關(guān)于鏈碼值的一個直方圖，并用來描述圖像的紋理特征。

在遙感圖像中，由于煤堆和煤矸石區(qū)域在光譜特征上相似，形狀特征上沒有規(guī)律，僅使用圖像的光譜特征錯分率高，而形狀特征可用性不大，所以現(xiàn)在還沒有一種較好的方法可以在遙感圖像中區(qū)分煤堆和煤矸石區(qū)域的方法。

技術(shù)實現(xiàn)要素：

本發(fā)明的發(fā)明目的在于：針對上述存在的問題，提供一種區(qū)分高分辨率遙感圖像上的煤堆和煤矸石區(qū)域的方法。

本發(fā)明的一種遙感圖像中區(qū)分煤礦區(qū)的煤堆和煤矸石區(qū)域的方法，包括下列步驟：

s1：確定待處理的遙感圖像中的煤礦區(qū)：

s101：通過分水嶺法對待處理的遙感圖像進(jìn)行圖像分割，得到初始分割區(qū)域；再通過分形網(wǎng)絡(luò)演化法對初始分割區(qū)域進(jìn)行合并，得到所述遙感圖像的圖像塊；

s102：對步驟s101得到的圖像塊進(jìn)行水體區(qū)、非水體區(qū)的分類處理：

提取圖像塊的水體特征；

將圖像塊的水體特征作為水體區(qū)svm分類器的輸入，得到各圖像塊關(guān)于水體區(qū)、非水體區(qū)的分類結(jié)果；

其中水體區(qū)svm分類器的訓(xùn)練數(shù)據(jù)為：帶有第一類別標(biāo)簽的遙感圖像的圖像塊的水體特征，所述第一類別標(biāo)簽包括水體區(qū)、非水體區(qū)；

圖像塊的水體特征為：計算圖像塊的各像素點的歸一化水體指數(shù)，由圖像塊所有像素點的歸一化水體指數(shù)的均值得到圖像塊的水體特征，其中歸一化水體指數(shù)green表示綠波段光譜值，nir表示近紅外波段光譜值；

s103：對分類結(jié)果為非水體區(qū)的圖像塊進(jìn)行植被區(qū)、非植被區(qū)的分類處理：

提取圖像塊的植被特征；

將分類結(jié)果為非水體區(qū)的圖像塊的植被特征作為植被區(qū)svm分類器的輸入，得到各圖像塊關(guān)于植被區(qū)、非植被區(qū)的分類結(jié)果；

其中植被區(qū)svm分類器的訓(xùn)練數(shù)據(jù)為：帶有第二類別標(biāo)簽的遙感圖像的圖像塊的植被特征，所述第二類別標(biāo)簽包括植被區(qū)、非植被區(qū)；

圖像塊的植被特征為：計算圖像塊的各像素點的歸一化植被指數(shù)，由圖像塊所有像素點的歸一化植被指數(shù)的均值得到圖像塊的植被特征，其中歸一化植被指數(shù)nir表示近紅外波段光譜值，r表示紅波段光譜值；

s104：對分類結(jié)果為非植被區(qū)的圖像塊進(jìn)行居民區(qū)、非居民區(qū)的分類處理：

提取圖像塊的居民區(qū)特征；

將分類結(jié)果為非植被區(qū)的圖像塊的居民區(qū)特征作為居民區(qū)svm分類器的輸入，得到各圖像塊關(guān)于居民區(qū)、非居民區(qū)的分類結(jié)果；

其中居民區(qū)svm分類器訓(xùn)練數(shù)據(jù)為：帶有第三類別標(biāo)簽的遙感圖像的圖像塊的植被特征，所述第三類別標(biāo)簽包括居民區(qū)、非居民區(qū)；

圖像塊的居民區(qū)特征為：計算圖像塊的各像素點的紅、綠、藍(lán)三個波段的光譜值的方差δ，由圖像塊所有像素點的方差δ的均值得到圖像塊的居民區(qū)特征；

s105：對分類結(jié)果為非居民區(qū)的圖像塊進(jìn)行裸地、非裸地的分類處理：

提取圖像塊的裸地特征；

將分類結(jié)果為非居民區(qū)的圖像塊的裸地特征作為裸地svm分類器的輸入，得到各圖像塊關(guān)于裸地、非裸地的分類結(jié)果；

其中裸地svm分類器的訓(xùn)練數(shù)據(jù)為：帶有第四類別標(biāo)簽的遙感圖像的圖像塊的植被特征，所述第四類別標(biāo)簽包括裸地、非裸地；

圖像塊的裸地特征為：計算圖像塊的各像素點的鐵氧指數(shù)，由圖像塊所有像素點的鐵氧指數(shù)的均值得到圖像塊的裸地特征，其中鐵氧指數(shù)為：r表示遙感圖像的紅波段光譜值，green表示遙感圖像的綠波段光譜值；

s106：對分類結(jié)果為非裸地的圖像塊進(jìn)行煤礦區(qū)、非煤礦區(qū)的分類處理：

提取圖像塊的煤礦區(qū)特征；

將分類結(jié)果為非裸地的圖像塊的煤礦區(qū)特征作為煤礦區(qū)svm分類器的輸入，得到各圖像塊關(guān)于煤礦區(qū)、非煤礦區(qū)的分類結(jié)果；

所述煤礦區(qū)svm分類器的訓(xùn)練數(shù)據(jù)為：帶有第五類別標(biāo)簽的遙感圖像的圖像塊的植被特征，所述第五類別標(biāo)簽包括煤礦區(qū)、非煤礦區(qū)，其中煤礦區(qū)包括煤矸石區(qū)域、煤堆區(qū)域；

圖像塊的煤礦區(qū)特征為：計算圖像塊的光譜特征a，對光譜特征a進(jìn)行k-t變換，得到變換后的光譜特征kt＝a*k，將kt作為圖像塊的煤礦區(qū)特征；

其中圖像塊的光譜特征a包括圖像塊的藍(lán)色波段光譜值、綠色波段光譜值、紅色波段光譜值、近紅外波段光譜值，各圖像塊的光譜值均為圖像塊的所有像素點的對應(yīng)光譜值的均值；變換矩陣

s2：對分類結(jié)果為煤礦區(qū)的圖像塊進(jìn)行煤矸石區(qū)域、煤堆區(qū)域的分類處理：

提取圖像塊的紋理特征；

將分類結(jié)果為煤礦區(qū)的圖像塊的紋理特征作為第二煤礦區(qū)svm分類器的輸入，得到各圖像塊關(guān)于煤矸石區(qū)域、煤堆區(qū)域的分類結(jié)果；

所述第二煤礦區(qū)svm分類器的訓(xùn)練數(shù)據(jù)為：帶有第六類別標(biāo)簽的遙感圖像的圖像塊的紋理特征，所述第六類別標(biāo)簽包括煤矸石區(qū)域、煤堆區(qū)域。

進(jìn)一步的，步驟s2中，提取圖像塊的紋理特征具體為：采用半徑為1、鄰域為8的旋轉(zhuǎn)不變lbp模式計算圖像塊的各像素點的lbp值；對的10個lbp值升序排列，將第三個lbp值記為s^*；將lbp值等于s^*的像素點占圖像塊的總像素點的比例作為圖像塊的紋理特征。本發(fā)明的有益效果在于：首先提出了一種具有可行性的對煤礦區(qū)進(jìn)行分類的方法，即在待處理的遙感圖像中查找煤礦區(qū)，然后基于紋理特征，對煤礦區(qū)進(jìn)行煤堆和煤矸石的區(qū)域分離，實現(xiàn)對高分辨率遙感圖像上礦山標(biāo)志地物的自動提取處理。

附圖說明

圖1是本發(fā)明的具體實施流程圖。

圖2是決策樹結(jié)構(gòu)圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合實施方式和附圖，對本發(fā)明作進(jìn)一步地詳細(xì)描述。

參見圖1，本發(fā)明的一種遙感圖像中區(qū)分煤礦區(qū)煤堆和煤矸石區(qū)域的方法，包括下列步驟：

s1：確定待處理的遙感圖像中的煤礦區(qū)：

首先通過分水嶺法對待處理的遙感圖像進(jìn)行圖像分割，得到初始分割區(qū)域，然后利用fnea法(分形網(wǎng)絡(luò)演化法)合并初始分割區(qū)域得到待處理的遙感圖像的圖像塊；再對各圖像塊利用決策樹的判決方式，首先進(jìn)行水體區(qū)/非水體區(qū)的分類判決，然后對屬于非水體的圖像塊進(jìn)行植被區(qū)/非植被區(qū)的分類判決，接著對屬于非植被區(qū)的圖像塊進(jìn)行居民區(qū)/非居民區(qū)分類判決，以及對屬于非居民區(qū)的圖像塊進(jìn)行裸地/非裸地的分類判決，再對屬于非裸地的圖像塊進(jìn)行煤礦區(qū)/非煤礦區(qū)的分類判決，如圖2所示。在分類判決時，基于訓(xùn)練好的svm(支持向量機(jī))分類器來進(jìn)行分類判決處理。各svm分類則是基于已知類別的訓(xùn)練樣本進(jìn)行訓(xùn)練得到，訓(xùn)練和分類識別時提取的特征信息一致。

在水體區(qū)/非水體區(qū)的分類判決時，輸入svm分類器的特征信息為：歸一化水體指數(shù)

在植被區(qū)/非植被區(qū)的分類判決時，輸入svm分類器的特征信息為：歸一化植被指數(shù)

在居民區(qū)/非居民區(qū)分類判決時，輸入svm分類器的特征信息為：遙感圖像紅、綠、藍(lán)三個波段的光譜值的方差δ；

在裸地/非裸地的分類判決時，輸入svm分類器的特征信息為：

上述分類判決時出現(xiàn)的green表示綠波段光譜值，nir表示近紅外波段光譜值，r表示紅波段光譜值。

在煤礦區(qū)/非煤礦區(qū)的分類判決時，輸入svm分類器的特征信息為：對圖像塊的光譜特征a進(jìn)行k-t變換后得到四個特征，即由kt＝a*k得到k-t變換后的光譜特征kt，再將kt的四個特征作為輸入到對應(yīng)的svm分類器的特征信息。

其中a＝[b；g；r；nir]，b、g、r、nir分別表示圖像塊的藍(lán)色波段光譜值、綠色波段光譜值、紅色波段光譜值、近紅外波段光譜值；變換矩陣

在提取各圖像塊的對應(yīng)特征信息時，首先提取各像素點的特征信息(ndwi、ndvi、δ、鐵氧指數(shù)、光譜值)，再由圖像塊的所有像素點的對應(yīng)特征信息的均值得到圖像塊的特征信息。

s2：對煤礦區(qū)進(jìn)行煤矸石區(qū)域、煤堆區(qū)域的區(qū)分處理：

提取分類結(jié)果為煤礦區(qū)的圖像塊的紋理特征，并將紋理特征輸入用于區(qū)分煤矸石、煤堆的svm分類器中，得到各圖像塊的分類結(jié)果；然后由同一分類結(jié)果的圖像塊得到煤礦區(qū)中的煤矸石區(qū)域、煤堆區(qū)域；其中該svm分類器的訓(xùn)練數(shù)據(jù)為：已區(qū)分煤矸石區(qū)域、煤堆區(qū)域的圖像塊的紋理特征。

本具體實施方式中，在提取圖像塊的紋理特征提取時，采用具有一致性旋轉(zhuǎn)不變性的lbp模式即：

其中，

上述表達(dá)式中，p表示領(lǐng)域元素個數(shù)，r表示半徑，即距離中心像素點的距離，函數(shù)sign(x)為符號函數(shù)，若x大于0，則sign(x)＝1，否則sign(x)＝0；gc代表中心像素值，gp-1、gp、g0均代表中心像素周圍的像素值，即像素值的下標(biāo)為像素點標(biāo)識符，其中c表示中心像素點，其他則表示中心像素點c的領(lǐng)域像素點。優(yōu)選的為即半徑為1，領(lǐng)域為8個元素的形式，將產(chǎn)生p+2即10個lbp值，將這10個不同取值的lbp值從小到大依次編號為0～9，將lbp值標(biāo)簽為2的像素點個數(shù)與圖像塊總像素點個數(shù)的比例作為圖像塊的紋理特征。

綜上，本發(fā)明在此引入了一種區(qū)分高分辨率遙感圖像上的煤堆和煤矸石區(qū)域的方法，利用決策樹逐級分類，采用k-t變換對煤礦區(qū)進(jìn)行提取，效果好；再利用lbp算子，發(fā)現(xiàn)了一種合適的紋理特征，較適合分出煤堆和煤矸石區(qū)域，在一定程度上提供了一種分煤礦區(qū)上煤堆和煤矸石區(qū)域的可行方案，且運(yùn)算簡便、快捷。

以上所述，僅為本發(fā)明的具體實施方式，本說明書中所公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換；所公開的所有特征、或所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以任何方式組合。