专利名称：一种遥感图像分类方法及装置的制作方法
技术领域：
本发明涉及图像处理技术，尤其涉及一种遥感图像分类方法及装置。
背景技术：
目前，遥感图像分类是获取遥感图像内部信息的一种重要手段。遥感图像分类的 目的是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息，按 照设定的规则或算法划分为不同的类别。遥感图像分类中两种传统方式为，硬分类方法和软分类方法。硬分类方法(hard classifications)是一种像元级的图像分类方法，它在分 类过程中把遥感图像简单的看成都是由纯净像元组成，将每一个像元分为单一的土地覆 盖类别。硬分类方法根据人工参与程度分为非监督分类和监督分类。Support vector machines (SVM，支撑向量机)是Vapnik等人在1995提出的一种学习方法，是一种硬分类方 法，因其易用、稳定和具有相对较高的精度而得到广泛的应用。硬分类过程中面临的最大难题是“混合像元”现象，由于遥感图像的数据结构是具 有一定大小、面积的栅格像元，因此无论遥感卫星的分辨率达到多高，栅格图像如何细化， 一个像元所覆盖的地理特征或地理现象都不只是一种类型，而是多种地物共同作用的结 果。因此，混合像元的存在是使用硬分类的传统像元级遥感分类精度难以达到使用要求的 主要原因。为了提高遥感应用的精度，就必须解决混合像元的分解问题，使遥感应用由像元 级达到亚像元级。软分类方法(soft classifications)是一种亚像元级的图像分类方法，针对遥感 图像中的混合像元现象，根据光谱组成信息等，计算出每一个混合像元内的土地覆盖类别 组成百分比。Linear spectral mixture modeling(LSMM，线性光谱混合模型)是一种软分 类方法，能够很好的解决光谱混合问题，因此它被广泛的应用于提取混合像元各个组成部 分的丰度。软分类过程中面临的主要问题是对于纯净目标区域分类不准确的问题，由于软分 类方法在整个分类过程中将图像中的所有像元全部当作混合像元来分解，因此产生的分类 结果都是以丰度的形式表达，对于纯净区域的像元也同样使用百分比的形式，所以容易造 成分类误差。
发明内容
本发明实施例提供一种遥感图像分类方法及装置，以提高遥感图像的分类精度。一种遥感图像分类方法，包括通过设置合适的阈值，将遥感图像划分为目标地物纯净区域、目标地物混合区域 和非目标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像 元中包括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区域；使用硬分类方法对所述目标地物纯净区域和所述非目标地物区域进行分类，获得 目标地物纯净区域分类结果和非目标地物区域分类结果，使用软分类方法对所述目标地物 混合区域进行分类，获得目标地物混合区域分类结果；结合所述目标地物纯净区域分类结果、所述目标地物混合区域分类结果和所述非 目标地物区域分类结果，获得所述遥感图像的分类结果。相应的，一种遥感图像分类装置，包括区域划分单元，用于将遥感图像划分为目标地物纯净区域、目标地物混合区域和 非目标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元 中包括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目 标地物区域。分类单元，用于使用硬分类方法对所 述目标地物纯净区域和所述非目标地物区域 进行分类，使用软分类方法对所述目标地物混合区域进行分类；分类结果确定单元，用于结合所述目标地物纯净区域、所述目标地物混合区域和 所述非目标地物区域的分类结果，获得所述遥感图像的分类结果。本发明实施例提供一种遥感图像分类方法及装置，根据目标地物的覆盖情况，对 遥感图像进行目标地物分布区域的划分，划分出目标地物纯净区域、目标地物混合区域和 非目标地物区域，然后对目标地物纯净区域和非目标地物区域使用硬分类算法进行分类， 对目标地物混合区域使用软分类算法进行分类，再将各区域的分类结果结合起来作为遥感 图像分类结果。由于对纯净区域和混合区域各采取了合适的分类方法进行分类，进而提高 了遥感图像的分类精度。
图1为本发明实施例提供的遥感图像分类方法流程图；图2为本发明实施例提供的Tl值和T2值确定方法流程图；图3为本发明实施例提供的训练样本选择方法流程图；图4为本发明实施例提供的遥感图像分类装置结构示意图；图5为现有技术中使用硬分类方法的分类结果示意图；图6为现有技术中使用软分类方法的分类结果示意图；图7为本发明实施例中使用本发明实施例提供的遥感图像分类方法的分类结果 示意图。
具体实施例方式本发明实施例提供一种遥感图像分类方法及装置，根据目标地物的覆盖情况，对 遥感图像进行目标地物分布区域的划分，划分出目标地物纯净区域、目标地物混合区域和 非目标地物区域，然后对目标地物纯净区域和非目标地物区域使用硬分类算法进行分类， 对目标地物混合区域使用软分类算法进行分类，再将各区域的分类结果结合起来作为遥感 图像分类结果。由于对纯净区域和混合区域各采取了合适的分类方法进行分类，进而提高 遥感图像的分类精度。
如图1所示，本发明实施例提供的遥感图像分类方法，包括 步骤S101、将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地 物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包括部 分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区 域；步骤S102、使用硬分类方法对目标地物纯净区域和非目标地物区域进行分类，使 用软分类方法对目标地物混合区域进行分类；步骤S103、结合目标地物纯净区域、目标地物混合区域和非目标地物区域的分类 结果，获得遥感图像的分类结果。由于在步骤SlOl中，将遥感图像划分成了目标地物纯净区域、目标地物混合区域 和非目标地物区域三个区域，并在步骤S102中采用了合适的分类方法分别对各个区域进 行分类，进而提高了分类精度。在步骤SlOl中，将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目 标地物区域三个区域，在具体划分时，可以通过目视的方法进行人为的划分，也可以通过预 先设定的规则进行划分，本发明实施例提供一种划分方法，预先设定非目标地物阈值Tl以 及目标地物阈值T2，并认为像元值小于Tl的像元属于非目标地物区域，像元值大于T2的 像元属于目标地物纯净区域，像元值介于Tl和T2之间的像元属于目标地物混合区域。具 体的当像元的像元值小于预先设定的非目标地物阈值Tl时，确定像元属于非目标地物 区域；当像元的像元值大于预先设定的目标地物阈值T2时，确定像元属于目标地物纯净区 域；当像元的像元值大于或等于预先设定的非目标地物阈值Tl并且小于或等于预先设定 的目标地物阈值T2时，确定像元属于目标地物混合区域。或者也可以当像元的像元值小于 或等于预先设定的非目标地物阈值Tl时，确定像元属于非目标地物区域；当像元的像元值 大于或等于预先设定的目标地物阈值T2时，确定像元属于目标地物纯净区域；当像元的像 元值大于预先设定的非目标地物阈值Tl并且小于预先设定的目标地物阈值T2时，确定像 元属于目标地物混合区域。其中，Tl和T2可以根据经验进行设定，且0 < Tl < T2 < 1，像 元值为像元为目标地物的概率值。由于每个遥感图像都有自身的地域特点，若单纯的根据经验值设定Tl和T2则可 能会对区域划分的精确度有一定影响，当根据每个遥感图像自身的特点来设定Tl和T2的 值时，则会进一步提高区域划分的精度，进而进一步提高遥感图像的分类精度。本发明实施例相应提供一种确定非目标地物阈值Tl和目标地物阈值T2的方法， 如图2所示，包括步骤S201、确定对遥感图像进行硬分类后的图像C，以及确定遥感图像中每个像 元的像元值；步骤S202、遍历图像C，当第t个像元的硬分类值为0且以该像元为中心的m*m个 像元的硬分类值总和不为0，则认为该像元为非目标地物的边缘像元，当第t个像元的硬分 类值为1且以该像元为中心的m*m个像元的硬分类值总和不为m*m，则认为该像元为目标
地物的边缘像元，其中，t = 1,2,3......s，s为遥感图像中的总像元个数，m为大于1的奇
数；步骤S203、确定Tl值为遥感图像中所有非目标地物的边缘像元的像元均值，确定T2值为遥感图像中所有目标地物的边缘像元的像元均值，其中，像元均值为像元值的平均
值。 在步骤S202中，当m为奇数时，可以唯一确定一个中心像元，以该中心像元的硬分 类值和以该像元为中心的m*m个像元的硬分类值总和来确定这个中心像元是否为非目标 地物的边缘像元或目标地物的边缘像元。m的值可以根据遥感图像的实际情况来设定，当遥 感图像本身较大，且其中的地物覆盖均勻、地物面积较大时，可以将m设置的较大，当遥感 图像本身较小，且地物覆盖变化较多时，则可以将m设置的较小，通常情况下3彡m彡9较 好，对于一般的遥感图像，将m值设置为3时，所确定出的Tl值和T2值可以对遥感图像进 行较佳的区域划分。具体的，以m为3的情况距离进行说明在计算Tl和T2时，首先对遥感图像进行 硬分类，获取硬分类后的图像C和图像R。其中，图像C为目标地物01值图像，0值代表非 目标地物，1值代表目标地物，图像R为目标地物规则图像，像元的像元值代表该像元归属 目标地物的概率，在图像C中，像元为目标地物时，该像元的硬分类值为1，像元为非目标地 物时，该像元的硬分类值为0。以3X3大小的窗口遍历图像C，如果第t个像元作为3X3大小的窗口的中心(t =l，2，3...s，s为图像C中的总像元个数)满足公式(1)，则认为该第t个像元为非目标 地物的边缘像元，遍历完成后，记录所有非目标地物的边缘像元，计算图像R中，所有非目 标地物的边缘像元的像元均值，即Tl ；Wcenter = 0
9 (1 )YjWx^O
x=l如果第t个像元作为3X3大小的窗口的中心满足公式(2)，则认为该第t个像元 属于目标地物的边缘E’t，遍历完成后，记录E’Ji置中的所有像元，计算图像R中，在目标 地物的边缘E’ t位置中所有像元的像元均值，即T2 ；Wcenter = 1
9 (2 )YjWx
x=l式(1)、⑵中WCmtCT表示3X3大小的窗口的中心像元的硬分类值；WX表示3X3 窗口中的9个像元中的第χ个像元的硬分类值。根据遥感图像的成像原理，目标地物混合区域中的像元一般分布在目标地物与其 他地物的边界地区，因此利用上述方法能够快速准确的划分目标地物分布区域。在本发明实施例中，硬分类方法可以采用支撑向量机分类方法，软分类方法可以 采用线性光谱混合模型分类方法，当然，本领域技术人员可以根据实际情况采用其它的硬 分类方法和软分类方法，例如最大似然分类法和非线性混合光谱模型法。下面简单介绍一下本发明实施例所使用的支撑向量机分类方法和线性光谱混合 模型分类方法支撑向量机这种硬分类方法最初是从二元分类器发展而来，本发明实施例采用根 据支撑向量机二元分类器概率输出估计多类概率的方法。假设所需分类的区域可分为N 类，对任意i，j两类生成SVM 二元分类器，共可生成Ν(Ν-1)/2个二元分类器。每一个二元分类器可以估计某像元属于第i类的条件概率rij = P(y= i |y = i or j)。因此满 足
权利要求
1.一种遥感图像分类方法，其特征在于，包括将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目标地物区域三个区 域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包括部分目标地物的 区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地物区域；使用硬分类方法对所述目标地物纯净区域和所述非目标地物区域进行分类，获得目标 地物纯净区域分类结果和非目标地物区域分类结果，使用软分类方法对所述目标地物混合 区域进行分类，获得目标地物混合区域分类结果；结合所述目标地物纯净区域分类结果、所述目标地物混合区域分类结果和所述非目标 地物区域分类结果，获得所述遥感图像的分类结果。
2.如权利要求1所述的方法，其特征在于，所述将遥感图像划分为目标地物纯净区域、 目标地物混合区域和非目标地物区域三个区域，具体包括当像元的像元值小于预先设定的非目标地物阈值Tl时，确定所述像元属于非目标地 物区域；当像元的像元值大于预先设定的目标地物阈值T2时，确定所述像元属于目标地物纯 净区域；当像元的像元值大于或等于预先设定的非目标地物阈值Tl并且小于或等于预先设定 的目标地物阈值T2时，确定所述像元属于目标地物混合区域，其中0 < Tl < T2 < 1，所述 像元值为所述像元为目标地物的概率值。
3.如权利要求1所述的方法，其特征在于，所述将遥感图像划分为目标地物纯净区域、 目标地物混合区域和非目标地物区域三个区域，具体包括当像元的像元值小于或等于预先设定的非目标地物阈值Tl时，确定所述像元属于非 目标地物区域；当像元的像元值大于或等于预先设定的目标地物阈值T2时，确定所述像元属于目标 地物纯净区域；当像元的像元值大于预先设定的非目标地物阈值Tl并且小于预先设定的目标地物阈 值T2时，确定所述像元属于目标地物混合区域，其中0 < Tl < T2 < 1，所述像元值为所述 像元为目标地物的概率值。
4.如权利要求2或3所述的方法，其特征在于，所述非目标地物阈值Tl和所述目标地 物阈值T2的设定方法包括确定对所述遥感图像进行硬分类后的图像C，以及确定所述遥感图像中每个像元的像 元值；遍历所述图像C，当第t个像元的硬分类值为0且以该像元为中心的m*m个像元的硬分 类值总和不为0，则认为该像元为非目标地物的边缘像元，当第t个像元的硬分类值为1且 以该像元为中心的m*m个像元的硬分类值总和不为m*m，则认为该像元为目标地物的边缘像元，其中，t = 1，2，3......s，所述s为所述遥感图像中的总像元个数，所述m为大于1的奇数；确定所述Tl值为所述遥感图像中所有非目标地物的边缘像元的像元均值，确定所述 T2值为所述遥感图像中所有目标地物的边缘像元的像元均值。
5.如权利要求4所述的方法，其特征在于，所述m值为3。
6.如权利要求1所述的方法，其特征在于，所述硬分类方法为支撑向量机分类方法；所 述软分类方法为线性光谱混合模型分类方法。
7.如权利要求1所述的方法，其特征在于，所述将遥感图像划分为目标地物纯净区域、 目标地物混合区域和非目标地物区域三个区域之前，还包括确定所述遥感图像中每个地物类型的训练样本。
8.如权利要求7所述的方法，其特征在于，所述确定所述遥感图像中每个地物类型的 训练样本，具体包括通过非监督分类方法将所述遥感图像中的地物类别分为预先设定的类别数；对比所述非监督分类结果与所述遥感图像，确定每一类别的地物类型；对所述遥感图像中确定为纯净地物的区域进行赋值，剔除难以判定的区域并建立初步 训练样本集；在所述初步训练样本集中，针对每一种地物类型，随机选择设定数量的像元作为该地 物类型的训练样本。
9.一种遥感图像分类装置，其特征在于，包括区域划分单元，用于将遥感图像划分为目标地物纯净区域、目标地物混合区域和非目 标地物区域三个区域，其中，像元中仅包括目标地物的区域为目标地物纯净区域，像元中包 括部分目标地物的区域为目标地物混合区域，像元中仅包括非目标地物的区域为非目标地 物区域；分类单元，用于使用硬分类方法对所述目标地物纯净区域和所述非目标地物区域进行 分类，使用软分类方法对所述目标地物混合区域进行分类；分类结果确定单元，用于结合所述目标地物纯净区域、所述目标地物混合区域和所述 非目标地物区域的分类结果，获得所述遥感图像的分类结果。
10.如权利要求9所述的装置，其特征在于，还包括训练样本确定单元，用于确定所述遥感图像中每个地物类型的训练样本。
全文摘要
本发明公开了一种遥感图像分类方法及装置，涉及图像处理技术，根据目标地物的覆盖情况，对遥感图像进行目标地物分布区域的划分，划分出目标地物纯净区域、目标地物混合区域和非目标地物区域，然后对目标地物纯净区域和非目标地物区域使用硬分类算法进行分类，对目标地物混合区域使用软分类算法进行分类，再将各区域的分类结果结合起来作为遥感图像分类结果。由于对纯净区域和混合区域各采取了合适的分类方法进行分类，进而提高遥感图像的分类精度。根据本发明，能够有效解决混合像元问题，并且充分结合了传统的硬分类方法和软分类方法各自的优势，大幅提高图像分类精度。
文档编号G06K9/62GK102073867SQ201010608160
公开日2011年5月25日 申请日期2010年12月27日 优先权日2010年12月27日
发明者何浩, 张锦水, 朱文泉, 潘耀忠, 胡潭高 申请人:北京天合数维科技有限公司, 北京师范大学