本發(fā)明涉及遙感圖像分類技術(shù)，具體的說，涉及一種針對(duì)高分辨率多光譜遙感圖像的地表覆蓋分類技術(shù)。

背景技術(shù)：

遙感影像分類是利用計(jì)算機(jī)通過對(duì)遙感影像中的各類地物的光譜信息和空間信息進(jìn)行分析，選擇特征，將影像中每個(gè)像元按照某種規(guī)則或算法劃分為不同的類別的過程。遙感分類是從遙感圖像上獲取信息的重要手段，是遙感技術(shù)應(yīng)用中的熱點(diǎn)研究方向，每年都會(huì)有新的分類方法被提出。

地表覆蓋(landcover)是指地球表面各種物質(zhì)類型及其自然屬性與特征的綜合體。由于其空間分布直接影響著地球表面的物質(zhì)和能量循環(huán)過程，且時(shí)間變化綜合地反映著人類活動(dòng)和氣候變化對(duì)自然環(huán)境的影響，近年來國(guó)際社會(huì)一直致力于利用空間遙感技術(shù)研究全球地表覆蓋及其變化。迄今僅有美國(guó)和歐盟完成了空間分辨率為1公里和300米的全球地表覆蓋數(shù)據(jù)產(chǎn)品，但其總體精度較低，分類體系和時(shí)空分辨率均難以有效滿足全球變化與地球系統(tǒng)研究的需求。我國(guó)目前很多機(jī)構(gòu)都在開展利用高分辨率遙感衛(wèi)星數(shù)據(jù)進(jìn)行地表覆蓋制圖的研究。例如國(guó)家基礎(chǔ)地理信息中心牽頭的863重點(diǎn)項(xiàng)目“全球地表覆蓋遙感制圖與關(guān)鍵技術(shù)研究”首次以30米空間分辨率的多光譜衛(wèi)星圖像制作了全球地表覆蓋分類圖，在地表覆蓋分類工程化制圖方面積累了經(jīng)驗(yàn)。

dlg(digitallinegraphic)數(shù)字規(guī)劃地圖是保存地圖要素的矢量數(shù)據(jù)集，我國(guó)的dlg數(shù)據(jù)庫(kù)基本以《1∶2.5萬、1∶5萬、1∶10萬地形圖圖式》(gb12342-90)為標(biāo)準(zhǔn)制作，dlg數(shù)據(jù)庫(kù)中的基本元素是點(diǎn)、線、面，最基本的顯示也是點(diǎn)、線、有色或無色填充面，其要素內(nèi)容參照矢量地形數(shù)據(jù)生產(chǎn)技術(shù)規(guī)定。其中1∶5萬dlg數(shù)據(jù)庫(kù)是我國(guó)迄今為止現(xiàn)勢(shì)性最強(qiáng)、功能最完備、最具權(quán)威性的國(guó)家級(jí)數(shù)字地形圖數(shù)據(jù)庫(kù)，它包含了政區(qū)、水系、居民地、交通、測(cè)量控制點(diǎn)、地貌等要素內(nèi)容以及它們的屬性信息，1∶5萬dlg數(shù)據(jù)庫(kù)是以1∶5萬地形圖為主要數(shù)據(jù)源，選取相對(duì)主要的要素內(nèi)容，應(yīng)用spot衛(wèi)星影像、航空影像、車載gps采集的國(guó)省道數(shù)據(jù)、地名數(shù)據(jù)成果等方法來對(duì)數(shù)據(jù)內(nèi)容進(jìn)行更新。1∶5萬地形圖是進(jìn)行工程項(xiàng)目可行性研究和規(guī)劃不可缺少的基礎(chǔ)圖件，是編制更小比例尺地形圖或?qū)ｎ}地圖的基礎(chǔ)資料。利用1∶5萬dlg數(shù)據(jù)庫(kù)進(jìn)行地表覆蓋分類具有成本低、成圖周期短、工作效率高等優(yōu)勢(shì)。

目前大區(qū)域的地表覆蓋分類制圖過程仍然是需要復(fù)雜的人機(jī)交互，工作量大，如何提高遙感分類的自動(dòng)化程度、提高地表覆蓋分類制圖的工作效率成為遙感分類方法的研究的一個(gè)課題，尤其是近年來國(guó)產(chǎn)高分辨率遙感衛(wèi)星的發(fā)射進(jìn)入井噴期，面臨對(duì)海量遙感數(shù)據(jù)進(jìn)行工程化處理的情況下，有關(guān)提高遙感地表覆蓋分類工作效率的研究變得非常迫切。本發(fā)明的出發(fā)點(diǎn)是利用歷史積累的dlg數(shù)據(jù)庫(kù)提高對(duì)高分辨率遙感圖像地表覆蓋分類的效率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)遙感地表覆蓋分類應(yīng)用，提供一種dlg數(shù)據(jù)輔助分類技術(shù)，特別是對(duì)于中國(guó)高分辨率全國(guó)地表覆蓋數(shù)據(jù)產(chǎn)品的生產(chǎn)，提供一種有效利用歷史dlg數(shù)據(jù)輔助地表覆蓋分類的技術(shù)流程。本技術(shù)基于現(xiàn)有的遙感圖像分割與分類算法，根據(jù)目前中國(guó)對(duì)生產(chǎn)高分辨率地表覆蓋數(shù)據(jù)產(chǎn)品的需求、現(xiàn)有dlg數(shù)據(jù)積累、以及近年來國(guó)產(chǎn)高分辨率多光譜遙感影像數(shù)據(jù)大量獲取的現(xiàn)狀定制的地表覆蓋分類算法流程。

本發(fā)明的基本思路為：將高分辨率多光譜遙感圖像作為地表覆蓋分類的對(duì)象，將同區(qū)域的最新dlg數(shù)據(jù)作為分類的輔助數(shù)據(jù)，首先對(duì)待分類圖像進(jìn)行超像素分割，劃分成大量斑塊，并根據(jù)待分類的類別特性選取dlg數(shù)據(jù)中的多邊形面狀要素，根據(jù)這些多邊形將待分類圖像的斑塊劃分為多邊形內(nèi)的已確定類別斑塊區(qū)域與多邊形外的未確定類別斑塊區(qū)域兩部分，然后在已確定類別區(qū)域內(nèi)自動(dòng)選取待分類各類別樣本斑塊，并利用支持向量機(jī)分類方法(svm)對(duì)樣本進(jìn)行訓(xùn)練獲取分類預(yù)測(cè)模型，最后利用訓(xùn)練得到的預(yù)測(cè)模型對(duì)未確定類別區(qū)域的斑塊進(jìn)行分類，得到地表覆蓋分類結(jié)果。

所述的高分辨率多光譜遙感圖像，數(shù)據(jù)獲取的平臺(tái)可以是衛(wèi)星、無人機(jī)，空間分辨率優(yōu)于30米，波段至少包含r、g、b三個(gè)波段。同區(qū)域的dlg數(shù)據(jù)要求至少覆蓋待分類圖像地理覆蓋區(qū)域的一半，并且包含的多邊形面狀要素覆蓋所有待分類類別。待分類圖像獲取時(shí)間與dlg數(shù)據(jù)制圖時(shí)間盡量接近，兩者相差年份過大，則需要檢查地表覆蓋變化區(qū)域的大小，保證dlg數(shù)據(jù)已確定類別的多邊形面狀區(qū)域內(nèi)對(duì)應(yīng)的待分類圖像區(qū)域類別是對(duì)應(yīng)的。

本發(fā)明的技術(shù)方案提供的將dlg數(shù)據(jù)用于高分辨率遙感圖像地表覆蓋分類的方法，其特征在于包括以下實(shí)施步驟：

a對(duì)待分類圖像進(jìn)行分割，并對(duì)分割斑塊編號(hào)，計(jì)算待分類圖像的紋理矩陣，統(tǒng)計(jì)分割斑塊的光譜與紋理特征向量作為分類樣本；

b同區(qū)域dlg數(shù)據(jù)多邊形面狀要素與地表覆蓋分類類別對(duì)應(yīng)，矢量數(shù)據(jù)轉(zhuǎn)柵格圖像；

c根據(jù)dlg柵格圖像與分割圖像將分類樣本劃分為訓(xùn)練樣本與待分類樣本兩類；

d采用支持向量機(jī)分類(svm)方法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，樣本篩選與參數(shù)優(yōu)選；

e利用訓(xùn)練得到的svm模型對(duì)待分類樣本進(jìn)行分類，保留概率高的分類樣本，低概率分類樣本保持待分類類別；

f對(duì)剩余待分類樣本賦予鄰接斑塊的類別，輸出最終地表覆蓋分類圖。

上述實(shí)施步驟的特征在于：

步驟a中所述對(duì)待分類圖像進(jìn)行分割，采用slic(simplelineariterativeclustering)超像素分割算法，并采用層次區(qū)域合并(hierarchicalstepwiseregionmerging)算法對(duì)分割斑塊進(jìn)行整合；所述計(jì)算待分類圖像的紋理矩陣，指通過先計(jì)算灰度共生矩陣，再在灰度共生矩陣的基礎(chǔ)上計(jì)算由能量、熵、對(duì)比度三個(gè)特征量所表示的紋理特征；所述統(tǒng)計(jì)分割斑塊的光譜與紋理特征向量作為分類樣本，是統(tǒng)計(jì)斑塊內(nèi)所有像素對(duì)應(yīng)到原始待分類圖像的每個(gè)波段的平均像素值與紋理圖像的能量、熵、對(duì)比度平均值構(gòu)成的超像素向量。

步驟b中所述的同區(qū)域dlg數(shù)據(jù)多邊形面狀要素與地表覆蓋分類類別對(duì)應(yīng)，是根據(jù)dlg數(shù)據(jù)具體的要素類別與地表覆蓋分類的類別體系確定；所述的矢量數(shù)據(jù)轉(zhuǎn)柵格圖像，是將dlg矢量數(shù)據(jù)轉(zhuǎn)化為和待分類圖像像素尺寸、分辨率、地圖投影一致的柵格圖像，對(duì)有對(duì)應(yīng)類別的多邊形面狀要素，多邊形區(qū)域內(nèi)像素值設(shè)為地表覆蓋分類類別值，對(duì)未確定類別的多邊形區(qū)域外，像素值設(shè)為背景值，一般設(shè)為0。

步驟c中所述的根據(jù)dlg柵格圖像與分割圖像將分類樣本劃分為訓(xùn)練樣本與待分類樣本兩類，具體實(shí)現(xiàn)是統(tǒng)計(jì)每個(gè)分割斑塊內(nèi)對(duì)應(yīng)到dlg柵格圖像中的不同類別所含的像素個(gè)數(shù)，如果超過半數(shù)的像素對(duì)應(yīng)到某一類別，則將該斑塊對(duì)應(yīng)的樣本劃分為該類別，并作為訓(xùn)練樣本，否則該樣本劃分為待分類樣本。

步驟d中所述的采用支持向量機(jī)分類(svm)方法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，使用臺(tái)灣大學(xué)林智仁等開發(fā)svm模式識(shí)別與回歸軟件包libsvm，采用c-svc分類，核函數(shù)采用rbf核；所述樣本篩選與參數(shù)優(yōu)選，具體實(shí)現(xiàn)是首先對(duì)歸一化到[1-，1]的訓(xùn)練樣本進(jìn)行第一次訓(xùn)練，得到一個(gè)svm模型；然后利用該svm模型對(duì)歸一化訓(xùn)練樣本進(jìn)行分類，并輸出每個(gè)訓(xùn)練樣本對(duì)于各分類類別的隸屬度，也就是概率，樣本篩選是去除隸屬于最高概率類別的值低于一定閾值的樣本，閾值取值范圍[0.5，0.7]；最后對(duì)篩選后的樣本再次進(jìn)行訓(xùn)練，并采用交叉驗(yàn)證選擇最佳參數(shù)c與g，使得訓(xùn)練的svm模型對(duì)篩選后的樣本分類精度盡量高，比較第一次訓(xùn)練與優(yōu)選參數(shù)c與g后得到的訓(xùn)練模型，選擇精度較高的分類模型作為最終分類模型。

步驟e中所述的保留概率高的分類樣本，采用的閾值范圍為[0.5，0.7]，具體閾值范圍根據(jù)待分類樣本分類結(jié)果的概率分布進(jìn)行調(diào)整，使得剩余的待分類樣本數(shù)量不超過分類前所有待分類樣本的四分之一的條件下，閾值取值盡量高。

步驟f中所述的對(duì)剩余待分類樣本賦予鄰接斑塊的類別，具體是對(duì)所有剩余待分類樣本對(duì)應(yīng)分割斑塊，查找否與已確定類別的斑塊鄰接，若有則將鄰接邊緣像素最多的斑塊所在類別賦予待分類類別的斑塊，循環(huán)直到所有待分類類別斑塊都有確定類別；所述的輸出最終地表覆蓋分類圖，所有像素都有確定的類別值，符合地表覆蓋分類數(shù)據(jù)產(chǎn)品特性。

本發(fā)明與現(xiàn)有技術(shù)相比有如下特點(diǎn)：本發(fā)明提供了一種將dlg數(shù)據(jù)用于高分辨率遙感圖像地表覆蓋分類的解決方案，通過將dlg數(shù)據(jù)中的多邊形面狀要素對(duì)應(yīng)到地表覆蓋分類體系中的部分類別，利用超像素分割得到的斑塊作為分類樣本的統(tǒng)計(jì)單元，樣本向量針對(duì)高分辨率多光譜遙感圖像的特征，結(jié)合了光譜信息與紋理信息，采用svm分類方法對(duì)已確定類別樣本進(jìn)行訓(xùn)練，并用訓(xùn)練的模型對(duì)未確定類別樣本進(jìn)行分類。本方案利用我國(guó)現(xiàn)有豐富的dlg歷史數(shù)據(jù)源，服務(wù)于當(dāng)前我國(guó)高分辨率遙感地表覆蓋分類制圖需求，有著明確的技術(shù)開發(fā)需求與迫切性。本發(fā)明算法自動(dòng)化程度高，處理過程無需過多人機(jī)交互，用戶僅需在分類結(jié)果上進(jìn)行進(jìn)一步的修編獲得最終的地表覆蓋分類產(chǎn)品，極大地提高了工程化生產(chǎn)全國(guó)地表覆蓋分類產(chǎn)品的效率。本發(fā)明涉及的關(guān)鍵分類步驟采用成熟的libsvm軟件包實(shí)現(xiàn)，具有較高的穩(wěn)定性與適用性。對(duì)于高分辨率遙感圖像地表覆蓋分類產(chǎn)品的生產(chǎn)提供了關(guān)鍵的技術(shù)支撐。

附圖說明：

圖1是將dlg數(shù)據(jù)用于高分辨率遙感圖像地表覆蓋分類的流程圖；

圖2是dlg數(shù)據(jù)多邊形面狀要素與分類類別對(duì)應(yīng)并柵格化的圖像示意圖；

圖3是超分辨率分割結(jié)果與合并結(jié)果示意圖；

圖4是層次區(qū)域合并示意圖；

圖5是地表覆蓋分類結(jié)果圖像示意圖。

具體實(shí)施方式：

本發(fā)明實(shí)現(xiàn)將dlg數(shù)據(jù)用于高分辨率遙感圖像地表覆蓋分類的流程如圖1所示，現(xiàn)結(jié)合附圖對(duì)其具體實(shí)施方式進(jìn)行描述。附圖1所示的流程中，數(shù)據(jù)單元編號(hào)從a到j(luò)，處理單元編號(hào)從1到9。各部分具體實(shí)施細(xì)節(jié)如下：

數(shù)據(jù)單元a.dlg矢量數(shù)據(jù)，要求至少覆蓋待分類圖像地理覆蓋區(qū)域的一半，并且包含的多邊形面狀要素覆蓋所有待分類類別。

數(shù)據(jù)單元b.高分辨率多光譜圖像，數(shù)據(jù)獲取的平臺(tái)可以是衛(wèi)星、無人機(jī)，空間分辨率優(yōu)于30米，波段至少包含r、g、b三個(gè)波段，如果包含近紅外波段，則可以進(jìn)一步計(jì)算歸一化植被指數(shù)(ndvi)作為植被類別判斷參考。

處理單元1.類別對(duì)應(yīng)，是根據(jù)dlg數(shù)據(jù)具體的要素類別與地表覆蓋分類的類別體系確定，例如dlg數(shù)據(jù)中的某河流、某湖泊多邊形面狀要素劃分到地表覆蓋分類體系中的水體，dlg數(shù)據(jù)中的某工廠、某道路多邊形面狀要素劃分到地表覆蓋分類體系中的建筑區(qū)，等等。

處理單元2.矢量轉(zhuǎn)柵格，依據(jù)待分類圖像。是根據(jù)待分類圖像的地理范圍、分辨率、地圖投影，將dlg矢量數(shù)據(jù)轉(zhuǎn)化為和待分類圖像像素尺寸一致的柵格圖像，對(duì)有對(duì)應(yīng)類別的多邊形面狀要素，多邊形區(qū)域內(nèi)像素值設(shè)為地表覆蓋分類類別值，對(duì)未確定類別的多邊形區(qū)域外，像素值設(shè)為背景值，一般為0值。dlg矢量數(shù)據(jù)轉(zhuǎn)轉(zhuǎn)柵格圖像可根據(jù)dlg數(shù)據(jù)中面狀要素與地表覆蓋分類類別的對(duì)應(yīng)關(guān)系編寫專門的代碼完成，實(shí)現(xiàn)數(shù)據(jù)的批量轉(zhuǎn)換。同時(shí)考慮到工程生產(chǎn)中dlg數(shù)據(jù)的復(fù)雜性與地表覆蓋的多樣性，很多情況下需要對(duì)dlg數(shù)據(jù)中的面狀要素進(jìn)行人工篩選，只將部分符合地表覆蓋分類的面狀要素對(duì)應(yīng)到地表覆蓋分類的類別，這種情況下可以利用商業(yè)的地理信息系統(tǒng)軟件arcgis完成靈活的dlg要素篩選與矢量柵格化轉(zhuǎn)換。dlg數(shù)據(jù)多邊形面狀要素與分類類別對(duì)應(yīng)并柵格化的圖像示意圖見圖2，其中柵格化后的dlg圖像中黑色部分為待分類區(qū)域。

數(shù)據(jù)單元e.dlg柵格圖。通過矢量轉(zhuǎn)柵格得到的結(jié)果圖像，圖像中待分類的區(qū)域像素值為0，已分類的區(qū)域像素值為具體的類別值，保存為外部臨時(shí)文件，數(shù)據(jù)存儲(chǔ)格式為byte型的8位柵格tif圖像，像素尺寸、地理坐標(biāo)與地圖投影與原始待分類圖像相同。

處理單元3.超像素分割，對(duì)于待分類的高分辨率多光譜遙感圖像進(jìn)行分割、合并、編號(hào)處理，形成編號(hào)的斑塊數(shù)據(jù)，后續(xù)的分類操作將以超像素代表的斑塊為待分類的樣本。

超像素概念是2003年xiaofengren提出和發(fā)展起來的圖像分割技術(shù)，是指具有相似顏色、紋理等特征的像素構(gòu)成的不規(guī)則像素塊。它利用像素之間特征的相似性將像素分組，用少量的超像素代替所有像素來表達(dá)圖片特征，降低了圖像后處理的復(fù)雜度，目前已經(jīng)廣泛用于圖像分割、姿勢(shì)估計(jì)、目標(biāo)跟蹤、目標(biāo)識(shí)別等計(jì)算機(jī)視覺應(yīng)用。常見的超像素分割方法有turbopixel、slic(simplelineariterativeclustering)、ncut、graph-based、watershed(marker-basedwatershed)、meanshift等等。這里采用slic算法，理由是相比其他的超像素分割方法，slic在運(yùn)行速度、生成超像素的緊湊度、輪廓保持方面都比較理想，且參數(shù)設(shè)置簡(jiǎn)單。

基于slic算法的思想，整個(gè)分割、合并、編號(hào)處理具體實(shí)現(xiàn)的步驟如下：

1.slic超像素分割。首先初始化種子點(diǎn)：按照設(shè)定的超像素平均尺寸大小，在圖像內(nèi)均勻的分配種子點(diǎn)。假設(shè)超像素期望尺寸為k個(gè)像素，則對(duì)于長(zhǎng)m像素、寬n像素的圖像，網(wǎng)格化種子點(diǎn)的布置數(shù)量為(m/k)×(n/k)。然后擾亂種子點(diǎn)(perturbseeds)，在種子點(diǎn)的n×n(n＝3)鄰域內(nèi)計(jì)算所有像素點(diǎn)的梯度值，將種子點(diǎn)移到該鄰域內(nèi)梯度最小的地方。這樣可以避免種子點(diǎn)落在梯度較大的輪廓邊界上，以免影響后續(xù)聚類效果。在每個(gè)種子點(diǎn)周圍的鄰域內(nèi)為每個(gè)像素點(diǎn)分配類標(biāo)簽。若期望的超像素尺寸為k×k，則搜索范圍為2k×2k。之后計(jì)算距離度量，包括顏色距離和空間距離，對(duì)于每個(gè)搜索到的像素點(diǎn)，分別計(jì)算它和該種子點(diǎn)的距離。距離計(jì)算公式如下：

其中，dc為顏色距離，ds為空間距離，s為類內(nèi)最大空間距離，可取值s＝sqrt(n/k)，c為最大顏色距離，取值為固定常數(shù)，取值范圍[1，40]，一般取10。由于每個(gè)像素點(diǎn)都會(huì)被多個(gè)種子點(diǎn)搜索到，所以每個(gè)像素點(diǎn)都會(huì)有一個(gè)與周圍種子點(diǎn)的距離，取最小值對(duì)應(yīng)的種子點(diǎn)作為該像素點(diǎn)的聚類中心。分割過程需要迭代優(yōu)化，理論上上述步驟不斷迭代直到誤差收斂，統(tǒng)計(jì)上10次迭代對(duì)絕大部分圖片都可以得到較理想效果，所以一般迭代次數(shù)取10。最后對(duì)分割的結(jié)果進(jìn)行粗合并。經(jīng)過上述計(jì)算得到的結(jié)果會(huì)出現(xiàn)多連通、超像素尺寸過小，單個(gè)超像素被切割成多個(gè)不連續(xù)超像素等情況，通過粗合并解決這些問題。遍歷所有超像素，將不連續(xù)的超像素、尺寸過小超像素重新分配給鄰近的超像素，遍歷過的像素點(diǎn)分配給相應(yīng)的標(biāo)簽，直到所有點(diǎn)處理完畢為止。

2.超像素合并。超像素合并是實(shí)現(xiàn)比較精細(xì)的分割重要方法，尤其是對(duì)于遙感圖像分類，超像素合并可以slic分割結(jié)果中將零散的、相鄰的、鄰接部分不存在邊界的超像素斑塊合并，這對(duì)于后續(xù)分類結(jié)果的精度提升是非常重要的。這里采用層次區(qū)域合并(hierarchicalstepwiseregionmerging)算法，層次區(qū)域合并精合并前后比較參見圖3。層次區(qū)域合并采用k.harris的經(jīng)典方法(k.harris，1998ieeetip，hybridimagesegmentationusingwatershedandfastregionmerging)，先構(gòu)建區(qū)域鄰接圖，根據(jù)區(qū)域鄰接關(guān)系構(gòu)建的區(qū)域鄰接圖示例見圖4。對(duì)于相鄰的兩個(gè)斑塊區(qū)域，鄰接邊的權(quán)重計(jì)算公式為：

其中ni與nj表示斑塊i與斑塊j的像素?cái)?shù)量，與為斑塊每個(gè)波段的平均像素值。計(jì)算所有斑塊鄰接邊的權(quán)重dij后，便可通過分析每次區(qū)域合并對(duì)整個(gè)圖像誤差的影響決定每個(gè)鄰接邊是否進(jìn)行合并。

每次斑塊合并都會(huì)導(dǎo)致整圖的誤差增加，何時(shí)終止區(qū)域合并過程對(duì)于后續(xù)斑塊分類影響非常大，這里將終止合并的閾值作為關(guān)鍵的設(shè)置參數(shù)，對(duì)于不同影像的精確分割，如果對(duì)最終的分割合并結(jié)果不滿意，則需要手動(dòng)設(shè)置合并閾值的大小。為了方便該閾值的設(shè)定，我們采用的方法是設(shè)計(jì)專門的分割用戶交互軟件圖像顯示界面，用戶通過鼠標(biāo)拖拽閾值設(shè)定滑塊鍵，對(duì)整幅圖像局部區(qū)域進(jìn)行快速的分割結(jié)果預(yù)覽，根據(jù)預(yù)覽結(jié)果決定閾值參數(shù)的數(shù)值。

3.斑塊編號(hào)。斑塊編號(hào)是對(duì)分割合并后的每個(gè)斑塊所有像素賦予一個(gè)連續(xù)的整數(shù)值的過程，斑塊編號(hào)的目的是便于后續(xù)分類標(biāo)記編程實(shí)現(xiàn)。斑塊編號(hào)從300開始，編號(hào)順序從左到右，從上到下。例如一幅圖像被分割為1234個(gè)斑塊，則斑塊編號(hào)后，斑塊編號(hào)的最小值為300，最大值為1533，編號(hào)為300的斑塊里所有像素的值為300。

由于遙感圖像像素尺寸通常較大，長(zhǎng)寬普遍超過1萬個(gè)像素，對(duì)遙感圖像的處理一般不會(huì)將整個(gè)圖像全部讀入內(nèi)存處理，而是采用分塊處理的方式，將圖像按照一定的塊大小，比如2048×2048像素，分成網(wǎng)格，按照從左到右，從上到下的順序分塊處理。slic超像素分割與超像素合并的計(jì)算便是以分塊為單位處理的，而斑塊編號(hào)則是對(duì)整幅圖像進(jìn)行的。

在后續(xù)的分類中，將像素值超過300的斑塊作為待分類斑塊，確定類別的斑塊則賦予具體的類別值，由于分類結(jié)果圖像采用byte型8位數(shù)據(jù)存儲(chǔ)，數(shù)值不超過255，所以確定類別的斑塊像素值不會(huì)與待分類類別編號(hào)沖突。

數(shù)據(jù)單元c.分割圖像。通過slic超像素分割、超像素合并與斑塊編號(hào)得到的結(jié)果圖像，保存為外部臨時(shí)文件，數(shù)據(jù)存儲(chǔ)格式為int型的32位柵格tif圖像，像素尺寸、地理坐標(biāo)與地圖投影與原始待分類圖像相同。

處理單元4.計(jì)算紋理。通過灰度共生矩陣(gray-levelco-occurrencematrix)灰度的空間相關(guān)特性描述紋理，具體包括能量、熵、對(duì)比度。

首先將多波段的待分類遙感圖像轉(zhuǎn)化為單波段灰度圖像，采用固定參數(shù)，將r、g、b三個(gè)波段乘上固定的轉(zhuǎn)換系數(shù)并相加得到，公式為r×0.299+g×0.587+b×0.114。

在灰度圖像上計(jì)算灰度共生矩陣，該矩陣定義為像素對(duì)的聯(lián)合分布概率，它反映圖像灰度在相鄰的方向、相鄰間隔、變化幅度的綜合信息，以及相同的灰度級(jí)像素之間的位置分布特征，是計(jì)算紋理特征的基礎(chǔ)。設(shè)f(x，y)為一幅數(shù)字圖像，其大小為m×n，灰度級(jí)別為ng，這里采用16個(gè)灰度級(jí)別，則滿足一定空間關(guān)系的灰度共生矩陣為：

g(i，j)＝#(x1，y1)，(x2，y2)∈m×n|f(x1，y1)＝i，f(x2，y2)＝j(luò)}

其中#(x)表示集合x中的元素個(gè)數(shù)，g為ng×ng的矩陣，若(x1，y1)與(x2，y2)間距離為d，兩者與坐標(biāo)橫軸的夾角為θ，則可以得到各種間距及角度的灰度共生矩陣(i，j，d，θ)。其中元素(i，j)的值表示一個(gè)灰度為i，另一個(gè)灰度為j的兩個(gè)相距為d的像素對(duì)在角的方向上出現(xiàn)的次數(shù)。這里d取9，θ取定義水平方向的0值。

在計(jì)算得到灰度共生矩陣之后，便可在此基礎(chǔ)上計(jì)算紋理特征量，這里包括能量、熵、對(duì)比度。

能量是灰度共生矩陣各元素值的平方和，是對(duì)圖像紋理的灰度變化穩(wěn)定程度的度量，反應(yīng)了圖像灰度分布均勻程度和紋理粗細(xì)度。能量值大表明當(dāng)前紋理是一種規(guī)則變化較為穩(wěn)定的紋理。計(jì)算公式：

熵是圖像包含信息量的隨機(jī)性度量。當(dāng)共生矩陣中所有值均相等或者像素值表現(xiàn)出最大的隨機(jī)性時(shí)，熵最大；因此熵值表明了圖像灰度分布的復(fù)雜程度，熵值越大，圖像越復(fù)雜。計(jì)算公式：

對(duì)比度度量矩陣的值是如何分布和圖像中局部變化的多少，反應(yīng)了圖像的清晰度和紋理的溝紋深淺。紋理的溝紋越深，反差越大，效果清晰；反之，對(duì)比值小，則溝紋淺，效果模糊。計(jì)算公式：

數(shù)據(jù)單元d.紋理圖像。通過計(jì)算紋理得到的結(jié)果圖像，包含記錄能量、熵、對(duì)比度的三個(gè)波段，保存為外部臨時(shí)文件，數(shù)據(jù)存儲(chǔ)格式為float型的32位柵格tif圖像，像素尺寸、地理坐標(biāo)與地圖投影與原始待分類圖像相同。

處理單元5.計(jì)算斑塊樣本。在本發(fā)明中，分類的樣本通過統(tǒng)計(jì)每個(gè)編號(hào)斑塊的特征值獲得，是一種自定義的超像素向量值，該值由像素的光譜信息與紋理信息共同組成。斑塊樣本的具體計(jì)算方式是利用數(shù)據(jù)單元c編號(hào)的分割圖像，將每個(gè)斑塊對(duì)應(yīng)到原始待分類圖像與數(shù)據(jù)單元d的紋理圖像中，統(tǒng)計(jì)斑塊內(nèi)所有像素對(duì)應(yīng)到原始待分類圖像的每個(gè)波段的平均像素值與紋理圖像的能量、熵、對(duì)比度平均值。斑塊樣本值，即斑塊的超像素向量，作為后續(xù)分類的樣本。超像素向量包含元素的個(gè)數(shù)等于原始待分類圖像波段數(shù)與紋理圖像波段數(shù)的和。

斑塊樣本的具體實(shí)現(xiàn)方法是：首先定義一個(gè)存儲(chǔ)斑塊樣本的數(shù)據(jù)結(jié)構(gòu)，包括斑塊樣本的編號(hào)、分類類別、斑塊所含像素?cái)?shù)量、斑塊對(duì)應(yīng)到原始待分類圖像中各波段的像素平均值、斑塊對(duì)應(yīng)到紋理圖像中各波段的平均值；然后申請(qǐng)一個(gè)存儲(chǔ)該數(shù)據(jù)結(jié)構(gòu)的數(shù)組，數(shù)組所含元素的個(gè)數(shù)為分割斑塊的總數(shù)；最后通過統(tǒng)計(jì)所有斑塊的編號(hào)、像素?cái)?shù)目、各波段光譜均值與紋理均值，完成斑塊樣本的初始化。由于數(shù)據(jù)單元c的分割圖像每個(gè)斑塊都有不同的編號(hào)，且編號(hào)即像素值，所以對(duì)斑塊樣本的初始化統(tǒng)計(jì)可簡(jiǎn)單地通過同時(shí)對(duì)分割圖像、原始待分類圖像與紋理圖像進(jìn)行一遍逐像素遍歷即可。遍歷后得到每個(gè)斑塊樣本的像素?cái)?shù)目、各波段光譜累計(jì)值與紋理累計(jì)值，再對(duì)斑塊樣本數(shù)組進(jìn)行一遍遍歷，將各斑塊各波段光譜累計(jì)值與紋理累計(jì)值除以像素?cái)?shù)目，得到各波段光譜與紋理的均值。

數(shù)據(jù)單元f.樣本數(shù)據(jù)。通過計(jì)算斑塊樣本得到的數(shù)組，包含斑塊樣本的編號(hào)、分類類別、斑塊所含像素?cái)?shù)量、斑塊對(duì)應(yīng)到原始待分類圖像中各波段的像素平均值、斑塊對(duì)應(yīng)到紋理圖像中各波段的平均值信息，保存在內(nèi)存中。

處理單元6.劃分樣本。根據(jù)數(shù)據(jù)單元e.dlg柵格圖與數(shù)據(jù)單元c.分割圖像，將數(shù)據(jù)單元f.樣本數(shù)據(jù)劃分為已分類與待分類兩個(gè)類別，并按照后續(xù)分類的需求，將已分類與待分類兩個(gè)類別的樣本按照固定格式輸出到外部文件。

劃分樣本的具體實(shí)現(xiàn)過程是：首先根據(jù)待分類類別數(shù)定義一個(gè)存儲(chǔ)數(shù)據(jù)結(jié)構(gòu)，包括斑塊樣本的編號(hào)與每個(gè)分類類別所包含的像素?cái)?shù)目；然后申請(qǐng)一個(gè)存儲(chǔ)該數(shù)據(jù)結(jié)構(gòu)的數(shù)組，數(shù)組所含元素的個(gè)數(shù)為分割斑塊的總數(shù)；最后通過統(tǒng)計(jì)所有斑塊的中每個(gè)分類類別所包含的像素?cái)?shù)目，將所含像素?cái)?shù)量最多的類別作為該編號(hào)下樣本的分類類別，賦值給數(shù)據(jù)單元f.樣本數(shù)據(jù)中對(duì)應(yīng)編號(hào)的樣本。由于數(shù)據(jù)單元c的分割圖像每個(gè)斑塊都有不同的編號(hào)，且編號(hào)即像素值，可逐像素對(duì)應(yīng)到數(shù)據(jù)單元e.dlg柵格圖像中，根據(jù)dlg柵格圖像的像素值確定像素對(duì)應(yīng)類別，所以劃分樣本可簡(jiǎn)單地通過同時(shí)對(duì)分割圖像與dlg柵格圖像進(jìn)行一遍逐像素遍歷即可。遍歷后得到每個(gè)斑塊樣本所含各分類類別的像素?cái)?shù)目，再對(duì)斑塊樣本數(shù)組進(jìn)行一遍遍歷，得到包含像素?cái)?shù)量最多的類別值。

數(shù)據(jù)單元g.訓(xùn)練樣本。通過劃分樣本得到的已分類樣本，分類類別編號(hào)為實(shí)際類別值，數(shù)值小于255，按照后續(xù)分類處理的輸入要求，按照固定格式保存的外部文件，存儲(chǔ)文件類型為txt。

數(shù)據(jù)單元h.待分類樣本。通過劃分樣本得到的待分類樣本，類別編號(hào)保持與數(shù)據(jù)單元f.樣本數(shù)據(jù)相同，即為數(shù)據(jù)單元c.分割圖像對(duì)應(yīng)斑塊的編號(hào)值，數(shù)值大于300，按照后續(xù)分類處理的輸入要求，按照固定格式保存的外部文件，存儲(chǔ)文件類型為txt。

處理單元7.svm模型訓(xùn)練。包含參數(shù)優(yōu)選與樣本篩選兩部分，采用的工具是libsvm。

libsvm是臺(tái)灣大學(xué)林智仁(chih-jenlin)博士等開發(fā)設(shè)計(jì)的一個(gè)操作簡(jiǎn)單、易于使用、快速有效的通用svm軟件包，可以解決分類問題(c-svc、n-svc)、回歸問題(e-svr、n-svr)以及分布估計(jì)(one-class-svm)等問題，提供了線性、多項(xiàng)式、徑向基和s形函數(shù)四種常用的核函數(shù)供選擇，可以有效地解決多類問題、交叉驗(yàn)證選擇參數(shù)、對(duì)不平衡樣本加權(quán)、多類問題的概率估計(jì)等。libsvm是一個(gè)開源的軟件包，可以從網(wǎng)站http：//www.csie.ntu.edu.tw/～cjlin/處獲得。軟件包不僅包含libsvm的c++語言的算法源代碼，還包含python、java、r、matlab、perl、ruby、labview以及c#.net等各種語言的接口，可以在windows或unix平臺(tái)下使用。利用libsvm下載包中的c++源代碼可編譯生成可執(zhí)行文件，包括：對(duì)訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)進(jìn)行縮放操作的svmscale.exe，進(jìn)行支持向量機(jī)訓(xùn)練的svmtrain.exe，以及根據(jù)已獲得的支持向量機(jī)模型對(duì)數(shù)據(jù)集進(jìn)行預(yù)測(cè)的svmpredict.exe。

libsvm使用的一般步驟是：首先，利用svmscale.exe將數(shù)據(jù)歸一化到[-1，1]；然后，采用交叉驗(yàn)證選擇最佳參數(shù)c與g；采用最佳參數(shù)c與g對(duì)整個(gè)訓(xùn)練集進(jìn)行訓(xùn)練獲取支持向量機(jī)模型；最后，利用獲取的模型進(jìn)行測(cè)試與預(yù)測(cè)。

這里使用libsvm與一般步驟不同之處在于對(duì)訓(xùn)練樣本的篩選。由于本發(fā)明中使用的訓(xùn)練樣本是通過dlg數(shù)據(jù)庫(kù)中的面狀要素對(duì)應(yīng)地表分類類別得到的，是一種粗對(duì)應(yīng)，并不精確。以斑塊為單位就算超像素向量作為樣本，實(shí)際上存在很多錯(cuò)誤樣本，作為噪聲存在。在進(jìn)行參數(shù)優(yōu)選之前有必要進(jìn)行樣本篩選。樣本篩選的方法是：首先對(duì)數(shù)據(jù)單元g的訓(xùn)練樣本利用svmscale.exe歸一化到[-1，1]；然后利用svmtrain.exe進(jìn)行第一次訓(xùn)練，采用c-svc分類，核函數(shù)采用rbf核，關(guān)鍵參數(shù)c與g采用默認(rèn)值，得到一個(gè)svm模型；最后將svm模型輸入svmpredict.exe，對(duì)歸一化的訓(xùn)練樣本進(jìn)行分類，并輸出每個(gè)訓(xùn)練樣本對(duì)于分類類別的隸屬度，也就是概率。樣本篩選是去除隸屬于每個(gè)類別的最高概率值低于一定閾值的樣本，閾值取值范圍[0.5，0.7]。

對(duì)篩選后的樣本再次采用svmtrain.exe進(jìn)行訓(xùn)練，采用交叉驗(yàn)證選擇最佳參數(shù)c與g，使得訓(xùn)練的svm模型對(duì)篩選后的樣本分類精度盡量高。比較第一次訓(xùn)練與優(yōu)選參數(shù)c與g后得到的訓(xùn)練模型，選擇精度較高的分類模型作為最終分類模型。

數(shù)據(jù)單元i.svm分類模型。通過svm模型訓(xùn)練得到的svm分類模型。

處理單元8.svm模型分類。利用libsvm的svmpredict.exe與數(shù)據(jù)單元i的svm分類模型，對(duì)數(shù)據(jù)單元h待分類樣本進(jìn)行分類。并輸出待分類樣本每個(gè)樣本對(duì)于各分類類別的隸屬度。

處理單元9.分類結(jié)果整合修正。對(duì)于處理單元8的svm模型分類對(duì)待分類樣本的分類結(jié)果，根據(jù)輸出待分類樣本每個(gè)樣本對(duì)于各分類類別的隸屬度，對(duì)隸屬度超過一定閾值的樣本的斑塊賦予最高概率的類別，閾值取值范圍[0.5，0.7]，具體閾值范圍根據(jù)待分類樣本分類結(jié)果的概率分布進(jìn)行調(diào)整，原則是劃分為剩余的待分類斑塊的數(shù)量不超過分類前所有待分類斑塊的四分之一的前提下，閾值取值盡量高。剩余斑塊保持待分類類別。對(duì)所有剩余待分類斑塊賦予鄰接斑塊的類別，具體實(shí)現(xiàn)過程是對(duì)所有剩余待分類類別斑塊，查找否與已確定類別的斑塊鄰接，若有則將鄰接邊緣像素最多的斑塊所在類別賦予待分類類別的斑塊，循環(huán)直到所有待分類類別斑塊都有確定類別。此時(shí)，對(duì)應(yīng)到內(nèi)存中的數(shù)據(jù)單元f的樣本數(shù)據(jù)，樣本數(shù)組中的所有樣本都有一個(gè)地標(biāo)覆蓋分類的類別，類別值小于255。參照數(shù)據(jù)單元c的編號(hào)分割圖像，遍歷編號(hào)分割圖像的每個(gè)像素，其待分割像素值在樣本數(shù)組中都能對(duì)應(yīng)到某一樣本的地表覆蓋分類類別，利用該類別值替換編號(hào)值，便得到了最終地表覆蓋分類圖。

數(shù)據(jù)單元j.分類結(jié)果。通過上述步驟得到的地表覆蓋分類結(jié)果圖像，圖像中的像素值為具體的類別值，保存為外部臨時(shí)文件，數(shù)據(jù)存儲(chǔ)格式為byte型的8位柵格tif圖像，像素尺寸、地理坐標(biāo)與地圖投影與原始待分類圖像相同。

本發(fā)明的實(shí)例已經(jīng)在pc平臺(tái)上實(shí)現(xiàn)，結(jié)合配套的圖像顯示與交互軟件界面，作為提高中國(guó)區(qū)域高分辨率遙感圖像地表覆蓋分類制圖速度的關(guān)鍵技術(shù)之一，目前已經(jīng)交付某行業(yè)部門的用戶方進(jìn)行測(cè)試與使用。圖5是本發(fā)明實(shí)驗(yàn)結(jié)果，左圖是原始待分類圖像局部，右圖是地表覆蓋分類結(jié)果的局部，右圖比較圖2的右圖dlg柵格圖像，可見待分類的黑色區(qū)域都賦予了確定類別，符合地表覆蓋分類制圖的特征。

應(yīng)當(dāng)指出，以上所述具體實(shí)施方式可以使本領(lǐng)域的技術(shù)人員更全面地理解本發(fā)明，但不以任何方式限制本發(fā)明。因此，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，仍然可以對(duì)本發(fā)明進(jìn)行修改或者等同替換；而一切不脫離本發(fā)明的精神和技術(shù)實(shí)質(zhì)的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明專利的保護(hù)范圍當(dāng)中。