一种基于形态成分分析的卫星图像场景自动分类方法
【专利摘要】本发明属于遥感数据应用和卫星图像处理【技术领域】，具体为一种基于形态成分分析的卫星图像场景自动分类方法。步骤如下：1）通过独立元分析的方法构造字典矩阵；2）基于形态成分分析理论，对卫星图像进行形态成分分解；3）将卫星图像分解成纹理层和底图层；4）根据最大似然估计的机制，结合纹理层和底图层的特征，对目标图像场景分类的总体概率大小进行定量计算，并以此为依据进行卫星图像场景的自动分类。本发明结合了机器视觉的方法，易于在计算机上实现，采用计算机进行系统的构建，比人工方法更加快速准确，消除了人为的主观因素，降低了成本，具有较高的自动识别精度和识别的稳定性。
【专利说明】一种基于形态成分分析的卫星图像场景自动分类方法
【技术领域】
[0001]本发明属于遥感数据应用和卫星图像处理【技术领域】，特别涉及一种基于形态成分分析的卫星图像场景自动分类方法。
【背景技术】
[0002]在近几十年里，遥感数据应用和卫星图像分析在诸多应用领域中引起了人们广泛地关注，包括矿业、林业、农业、军事、测绘、城市规划、海洋监测以及防灾减灾等。这些应用大多数都可以归结为一种分类问题，即等价于对遥感成像的不同地形地区进行标记。近年来高分辨率卫星图像比以往更加容易和方便地获得，同时卫星图像中包含的极其丰富和有价值的信息使得人们能够比以往更加准确地进行地形测量和地球观测。随着卫星图像空间分辨率日益提高，地球表面上的各种对象及其结构详情都可以被卫星捕获，再通过卫星图像展现在人们眼前。更重要的是，高分辨率的卫星图像使得人们能够对物体和场景类别进行更加详细地鉴别区分，并最终提高卫星图像分类的精度。
[0003]目前，人们已经提出了一些技术手段来解决遥感数据应用领域中卫星图像场景自动分类的问题。最具代表性的一些方法包括:支撑向量机、最邻近分类器、神经网络、边界向量检测、线性判别分析等。尽管人们已经提出了一些分类技术，并取得了一些实际应用成果，然而如何更有效率地分析高分辨率卫星图像，以及如何利用电脑进一步提高卫星图像场景分类的准确性都远没有得到完美解决。现有的高分辨率卫星图像场景分类方法存在以下缺陷。
[0004]对于高分辨率卫星图像来说，场景对象及其结构往往主宰着图像分类的过程。属于不同类别的场景对象对于分类算法可能具有相似的全局响应，而本属于同一类别的场景对象对于同一种分类算法可能具有截然不同的全局响应。由于这种现象的实际存在，基于整幅卫星图像的场景分类方法有时候可能会导致图像分类的错误。
[0005]在前述的卫星图像场景分类方法中，支撑向量机已经从理论上被证明是一种解决高维数据有监督分类问题强有力的工具，并且在实际应用中取得了很好的效果。然而基于支撑向量机的分类方法对于模型的选择异常敏感。更要命的是，由于支撑向量机对于每一种场景类别都需要构建一个复杂的数学模型，这就导致此种方法无法扩展到对成千上万个场景种类进行分类的应用中去。
[0006]最近，非参数化的最邻近分类方法在图像分类领域引起了人们的关注。然而尽管这类方法非常流行，但人们对于如何恰当合适地在高分辨率卫星图像中定义数学意义上“真正的”邻域仍然不甚清楚。因此，此类方法能否得到广泛应用，前景仍不明朗。
[0007]总的来说，收集已经标记过的图像训练样本是相当困难、耗费时间且花费昂贵的，而收集或直接生成未标记过的图像训练样本就简单得多。在遥感领域的应用中，为了获得良好的分类性能与效果，往往需要大量标记过的图像训练样本。不幸的是，无法获得足够多的已标记训练样本是模式分类问题中一个普遍存在的难题。更糟糕的是，缺少足够多的已标记训练样本在遥感数据的相关应用中是一个更加严重的问题，因为在遥感数据的相关应用中，识别并对训练样本进行标记是极其困难和花费昂贵的，有时甚至是无法实现的。总结起来，对于人们获得的包含了惊人信息量的高分辨率卫星图像来说，随着场景自动分类需求的日益提高，大多数已有的分类算法已经不能胜任了。
[0008]目前对卫星图像训练样本的标记，多采用人工目视结合专家经验知识的方法。许多的人为因素导致了对卫星图像训练样本的错误识别和标记，并且人工识别和标记方法也存在着比较明显的不确定性。
【发明内容】
[0009]为了克服现有人工对卫星图像训练样本进行识别和标记方法的不足，本发明提供了一种基于形态成分分析的卫星图像场景自动分类方法，该方法结合了机器视觉的方法，易于在计算机上实现，具有较高的自动识别精度和识别的稳定性，能有效应对现有高分辨率卫星图像分类应用中遇到的挑战。
[0010]本发明提供一种基于形态成分分析的卫星图像场景自动分类方法，其通过独立元分析的方法构造在形态成分分析中所使用的字典矩阵，在此基础上，基于形态成分分析理论，将卫星图像分解成纹理层和底图层。这里的卫星图像分解方法被设计成一个迭代的过程，使得它方便计算机编程实现。最后根据最大似然估计的机制，结合来自纹理层和底图层这两层各自的特征，计算出对目标图像进行场景分类的总体概率大小。具体步骤如下:
步骤一:采用独立元分析构造字典矩阵
通过对一幅需要进行场景分类的卫星图像进行独立元分析，获得一组独立的基底，构造出用于形态成分分析的字典矩阵D ;
步骤二:对卫星图像进行形态成分分解
根据实际卫星图像数据通过迭代法对卫星图像进行分解得到P个形态成分:
【权利要求】
1.一种基于形态成分分析的卫星图像场景自动分类方法，其特征在于首先通过独立元分析的方法构造在形态成分分析中所使用的字典矩阵；在此基础上，基于形态成分分析理论，对卫星图像进行形态成分分解，并将卫星图像分解成纹理层和底图层；再根据最大似然估计的机制，结合来自纹理层和底图层这两层各自的特征，对目标图像场景分类的总体概率大小进行定量计算，并以此为依据进行卫星图像场景的自动分类；具体包括如下步骤:步骤一:采用独立元分析构造字典矩阵通过对一幅需要进行场景分类的卫星图像进行独立元分析，获得一组独立的基底，构造出用于形态成分分析的字典矩阵D ； 步骤二:对卫星图像进行形态成分分解 根据实际卫星图像数据通过迭代法经过的迭代次数对卫星图像进行分解得到产个形态成分_ ; Ik-—I,'.-,jp (1)参数数据准备 根据实际卫星图像数据，设定相关参数，包括:卫星图像字典矩阵:D = [Dy, DP],迭代次数美ereti_，终止阈值=Imin以及阈值更新方案； (2)初始化过程 初始化解:对于任意的,xf = O ； 初始化残差:r'A) = y 表示观测到的线性混合图像； 初始化阈值?令k* =MAX||dtky||,并且设SAw = MaxisfeIL ; (3)主循环过程
从f = 1 到t = Niteration ;
1.JAk = 1 到fe =P ； 1.1.计算边际残差= + xk ； 1.2.通过限定阈值来更新第々个形态成分的系数；其中，符号7&0表示对形态成分限定阈值2的过程，在限定刚性阈值的过程中，如果M > I，那么THλ(?) =w,否则THa(U) = O ,在限定柔性阈值的过程中,
2.更新残差:
3.根据给定的阈值更新方案来更新阈值 如果满足条件< Imin ,就停止迭代过程； (4)输出结果 输出对卫星图像进行分解得到的形态成分
【文档编号】G06T7/00GK103955712SQ201410218429
【公开日】2014年7月30日 申请日期:2014年5月22日 优先权日:2014年5月22日
【发明者】余翀 申请人:复旦大学