專利名稱：基于上下文關系的多分辨率遙感圖像復合分類方法
技術領域：
本發(fā)明屬于模式識別和計算機視覺領域，也涉及到遙感和農業(yè)領域，具體涉及到 基于上下文關系的多分辨率遙感圖像復合分類方法。
背景技術：
地表覆蓋分類是獲取土地覆蓋和土地利用現(xiàn)狀的基礎技術，在環(huán)境評估、地圖更 新、作物估產等領域有著重要應用價值。近年來遙感數(shù)據(jù)源日益增多，不同空間分辨率的遙 感圖像在不同尺度上給出了更多的地表信息。如何充分利用同一地區(qū)、不同空間覆蓋率的 多種空間分辨率遙感數(shù)據(jù)，進一步提高廣域地表覆蓋分類精度已成為遙感圖像分析的一個 挑戰(zhàn)。對于廣域地表分類問題，一般來講固然使用高分辨率遙感圖像可以得到更為精確 的地表分類結果，但高分辨率遙感數(shù)據(jù)所固有的重訪周期長、覆蓋范圍小、數(shù)據(jù)價格高等諸 多限制，制約了其在大范圍或長期地表監(jiān)測中的實際應用。因此，采用遙感圖像復合分類方 法可以綜合利用多種遙感數(shù)據(jù)在覆蓋范圍以及空間分辨率上的互補性，在保持較大覆蓋范 圍的同時提高綜合分類精度?，F(xiàn)有的多分辨率遙感圖像復合分類方法通過在低空間分辨率 數(shù)據(jù)的大覆蓋范圍中選用若干小覆蓋范圍的高空間分辨率數(shù)據(jù)來指導全局低空間分辨率 數(shù)據(jù)的分類過程，但是由于現(xiàn)有方法在分類過程中假設像元獨立，即在像元級或亞像元級 進行，忽略了像素的空間位置以及像素鄰域地物類別對分類結果的影響，因此分類結果易 受遙感圖像噪聲影響。

發(fā)明內容
為了克服上述現(xiàn)有技術的不足，本發(fā)明的目的在于提供一種基于上下文關系的多 分辨率遙感圖像復合分類方法，本方法綜合利用多分辨率遙感圖像，構建像素間的上下文 關系，考慮了地物分布的空間連續(xù)性，并由條件隨機場模型提供了對多分類特征的支持，從 而解決高精度的廣域低分辨率遙感圖像的分類問題。為了實現(xiàn)上述目的，本發(fā)明采用的技術方案是基于上下文關系的多分辨率遙感圖像復合分類方法，包括以下步驟，步驟一，進行局部訓練區(qū)域內的配準首先，選擇一個或者一個以上同時具有高 低分辨率圖像且包含各類地物類別的局部區(qū)域作為訓練區(qū)域，其次，根據(jù)高低分辨率圖像 的分辨率比例關系對高分辨率圖像進行分辨率整數(shù)倍率調整，使得高低分辨率比例為整數(shù) 倍，最后，對高低分辨率圖像進行局部空間配準；步驟二，對低分辨率圖像進行分類特征提取；步驟三，基于前兩個步驟，在訓練區(qū)域內，利用分類特征進一步建立基于條件隨機 場模型的上下文關系首先，根據(jù)上下文關系構建低分辨率圖像的分類特征序列，作為條件 隨機場模型的輸入觀測隨機序列，其次，高分辨率圖像分類結果降分辨率后生成與分類特 征序列對應的標注序列，最后，通過訓練集獲取條件隨機場模型參數(shù)；
4
步驟四，根據(jù)前三個步驟得到條件隨機場模型后進行全局分類，將訓練好的模型 推廣至整個低分辨率圖像覆蓋區(qū)域，對廣域低分辨率圖像進行分類首先，根據(jù)訓練時的
上下文關系生成對應的低分辨圖像分類特征序列，再根據(jù)公式=和
=利用訓練好的條件隨機場模型參數(shù)獲得像元的各類別
條件概率，最后采用最大條件概率準則進行全局分類得到各像元對應的最終地物類別，其 中，E(Y，X)為條件隨機場的勢函數(shù)，由一元勢函數(shù)&(yi，x)和二元勢函數(shù)fu(ypyi，X)組 成，其中一元勢函數(shù)&(yi，X)表示分類特征與類別標簽的關系，二元勢函數(shù)
權利要求
1.基于上下文關系的多分辨率遙感圖像復合分類方法，包括以下步驟，步驟一，進行局部訓練區(qū)域內的配準首先，選擇一個或者一個以上同時具有高低分辨 率圖像且包含各類地物類別的局部區(qū)域作為訓練區(qū)域，其次，根據(jù)高低分辨率圖像的分辨 率比例關系對高分辨率圖像進行分辨率整數(shù)倍率調整，使得高低分辨率比例為整數(shù)倍，最 后，對高低分辨率圖像進行局部空間配準；步驟二，對低分辨率圖像進行分類特征提?。徊襟E三，基于前兩個步驟，在訓練區(qū)域內，利用分類特征進一步建立基于條件隨機場模 型的上下文關系首先，根據(jù)上下文關系構建低分辨率圖像的分類特征序列，作為條件隨機 場模型的輸入觀測隨機序列，其次，高分辨率圖像分類結果降分辨率后生成與分類特征序 列對應的標注序列，最后，通過訓練集獲取條件隨機場模型參數(shù)；步驟四，根據(jù)前三個步驟得到條件隨機場模型后進行全局分類，將訓練好的模型推 廣至整個低分辨率圖像覆蓋區(qū)域，對廣域低分辨率圖像進行分類首先，根據(jù)訓練時的上下文關系生成對應的低分辨圖像分類特征序列，再根據(jù)公式=和E(Y'X)=Σ Σ w^^s,^) ’利用訓練好的條件隨機場模型參數(shù)獲得像元的各類別/e.S /eJV,ieS條件概率，最后采用最大條件概率準則進行全局分類得到各像元對應的最終地物類別，其 中，E(Y，X)為條件隨機場的勢函數(shù)，由一元勢函數(shù)&(yi，X)和二元勢函數(shù)fu(ypyi，X)組 成，其中一元勢函數(shù)&(yi，X)表示分類特征與類別標簽的關系，二元勢函數(shù)f^ypyyX)表 示遙感圖像中相鄰像元之間的空間上下文關系，人^和Pi分別是勢函數(shù)X)和 gi(yi,X)的權重，ZOO是對所有可能序列的歸一化因子，01) = ^^011)°
2.根據(jù)權利要求1所述的基于上下文關系的多分辨率遙感圖像復合分類方法，其特征 在于，步驟一中的局部空間配準具體是指，首先，匹配預處理，使用Sobel算子對高分辨的航空相片進行邊緣提取，邊緣提取完成 后，進行一次或一次以上的擴散，得到圖像邊界作為進一步的處理對象；其次，進行基于手動匹配的粗匹配，先根據(jù)控制點選擇建議，采用目視觀察的方法在待 配準的高低分辨率圖像上確定6 7組一一對應的控制點，提取其位置坐標，再進行基于手 動粗匹配的幾何變換，接著進行粗匹配后的插值處理；最后，采用全自動匹配模式進行精匹配，在高分辨率圖像中選擇“窗口”區(qū)域，在低分辨 率圖像中選擇“搜索”區(qū)域，搜索區(qū)域可以依照手動匹配時選取的控制點為基礎，自動匹配 的結果就是在原來所取點的附近區(qū)域中找到最佳匹配點，通過位移在搜索區(qū)域內對所有可 能的重疊關系進行相關計算，再將搜索區(qū)域高分辨率圖像通過取平均方法降分辨率至低分 辨率，之后在搜索區(qū)域內移動窗口，計算兩幅圖像塊間的方差，方差最小的點即為最佳匹配 點ο
3.根據(jù)權利要求2所述的基于上下文關系的多分辨率遙感圖像復合分類方法，其特征 在于，所述插值處理為雙向線性插補法進行內插處理。
4.根據(jù)權利要求1所述的基于上下文關系的多分辨率遙感圖像復合分類方法，其特征 在于，步驟二中根據(jù)遙感數(shù)據(jù)格式選擇歸一化植被指數(shù)特征或者增強型植被指數(shù)特征或者 紋理特征或者光譜特征作為分類特征。
5.根據(jù)權利要求1所述的基于上下文關系的多分辨率遙感圖像復合分類方法，其特征 在于，步驟二中采用像元級分類器得到的像元類別信息作為序列分類特征。
6.根據(jù)權利要求1所述的基于上下文關系的多分辨率遙感圖像復合分類方法，其特征 在于，步驟三中條件隨機場模型是指對光譜特征與類別的關系、以及像元間的上下文關系 函數(shù)的建模，令G= (S，E)為一個無向圖，其中S為圖中節(jié)點集合，E是S間的無向邊集合， 輸入序列X是一個可以被觀察的隨機變量序列集合，輸出節(jié)點值Y是一個能夠被模型預測 的隨機變量集合，輸出結點間通過指示依賴關系的無向邊所連接，Y= Iyi I i e S|}，給定X， 且如果每個隨機變量Yi滿足樹XlzA-!,!) = Ρ(Χ υ〃,)，其中，S-{i}表示S中除節(jié)點i 的所有節(jié)點集合，Ni為節(jié)點i的鄰域節(jié)點集合，則(X，Y)構成一個條件隨機場。
7.根據(jù)權利要求1所述的基于上下文關系的多分辨率遙感圖像復合分類方法，其特征 在于，步驟三中獲取條件隨機場模型參數(shù)的方式為，首先對低分辨率像元所對應的NXN高 分辨率像元塊的分類結果進行投票，比例最高的類別作為該低分辨率像元的地物類別，生 成類別標簽；然后生成分類特征序列，與類別標簽組成標定樣本集；再利用梯度下降法對 特征函數(shù)權重進行極大似然法參數(shù)估計。
全文摘要
本發(fā)明為一種基于上下文關系的多分辨率遙感圖像復合分類方法，首先進行局部訓練區(qū)域內的配準，其次對低分辨率圖像進行分類特征提取，然后基于前兩個步驟，在訓練區(qū)域內，利用分類特征進一步建立基于條件隨機場模型的上下文關系，最后根據(jù)前三個步驟得到條件隨機場模型后進行全局分類，將訓練好的模型推廣至整個低分辨率圖像覆蓋區(qū)域，對廣域低分辨率圖像進行分類，本方法綜合利用多分辨率遙感圖像，構建像素間的上下文關系，考慮了地物分布的空間連續(xù)性，并由條件隨機場模型提供了對多分類特征的支持，從而解決高精度的廣域低分辨率遙感圖像的分類問題。
文檔編號G06K9/46GK102110227SQ20101056033
公開日2011年6月29日 申請日期2010年11月24日 優(yōu)先權日2010年11月24日
發(fā)明者孫衛(wèi)東, 王瓊華, 馬洪兵 申請人:清華大學