一種基于特征分布的遙感圖像質(zhì)量評價方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感圖像質(zhì)量評價應(yīng)用領(lǐng)域，具體設(shè)及遙感圖像紋理特征的計算方 法、紋理分布的估計方法W及基于特征分布的遙感圖像分類精度估計模型。
【背景技術(shù)】
[0002] 目前，各國遙感探測的發(fā)展方興未艾，我國也已經(jīng)啟動高分辨率對地觀測的計劃。 隨著該計劃的實(shí)施，我國將獲取大量自主產(chǎn)權(quán)的遙感數(shù)據(jù)。為了利用該些數(shù)據(jù)大幅度提高 我國自主對地觀測信息的能力，包括圖像分類等在內(nèi)的圖像解譯是不可或缺的一個技術(shù)環(huán) -H- T。
[0003] 目前的圖像質(zhì)量評價方法主要從主觀評價的角度進(jìn)行的，就機(jī)器圖像分類而言， 該些方法無法反映機(jī)器分類的可分性。圖像的主觀評價較高，對人工判讀會有極大的幫助， 但是對于機(jī)器分類而言，無法度量用于遙感圖像地物分類所用特征的可分性和穩(wěn)定性。
[0004] 本發(fā)明提出基于特征分布的圖像質(zhì)量評價方法（其中特征包括灰度，能量，對比 度，逆差矩，滴，相關(guān)性），從遙感圖像地物分類的角度研究衛(wèi)星全色圖像質(zhì)量評估方法，該 與傳統(tǒng)的側(cè)重于圖像逼真度的質(zhì)量評估具有迴然不同的含義，具有重要的實(shí)際應(yīng)用價值。

【發(fā)明內(nèi)容】

[0005] 針對遙感圖像在機(jī)器分類方面是否具有良好的可分性和穩(wěn)定性，即如何去評價其 在機(jī)器分類方面的質(zhì)量好壞，本發(fā)明提出了一種基于特征分布的圖像質(zhì)量評價方法，其具 體步驟如下：
[0006] S1 ;對圖像中各個地物類別進(jìn)行采樣，提取灰度及紋理特征；設(shè)有遙感圖像I，選 取圖像中各個類別的部分區(qū)域作為樣本（根據(jù)），W樣本中的每個像元為中屯、點(diǎn)，開窗大小 為KXK化取5~21)，在此圖像塊的中統(tǒng)計其中屯、點(diǎn)的灰度共生矩陣，計算出紋理特征，過 程如下：
[0007] (1)灰度共生矩陣統(tǒng)計；取圖像塊化XK)中任意一點(diǎn)〔X，y)及偏離它的另一點(diǎn)〔 x+a，y+b)，設(shè)該點(diǎn)對的灰度值為〔&，g2)。令點(diǎn)〔X，y)在整個畫面上移動，則會得到各種〔 gi，g2)值，設(shè)灰度值的級數(shù)為k，則（gi，g2)的組合共有k2種。對于整個畫面，統(tǒng)計出每一 種〔&，g2)值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用〔gi，g2)出現(xiàn)的總次數(shù)將它們歸一化 為出現(xiàn)的概率P〔gi，g2)，該樣的方陣稱為灰度共生矩陣。距離差分值〔a，b)取不同的數(shù)值 組合，得到不同數(shù)值組合下的聯(lián)合概率矩陣。
[000引 似紋理特征計算；常用的描述紋理的特征有能量腦ergy)、對比度（Contrast)、 逆差矩（Inverse Difference Moment)、滴巧 ntropy)和相關(guān)（Correlation),其中，L 為灰 度級，P(W)為歸一化的灰度共生矩陣，能量用來衡量灰度分布的均勻性，其計算公式為： [0009]
[0010] 對比度反映了局部紋理的變化劇烈程度，其計算公式為：
[0011]
[0012] 逆差距反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。其值大則說明圖 像紋理的不同區(qū)域間缺少變化，局部非常均勻，其計算公式為：
[001 引
[0014] 滴是圖像中所具有的信息量的度量，紋理的復(fù)雜度越高就意味著圖像信息量越 大，其滴越大，公式如下：
[0015]
[0016] 相關(guān)性指標(biāo)度量灰度共生矩陣?yán)锏母髦翟谛信c列上的相似程度。因此，相關(guān)性的 大小反映了圖像中局部灰度分布的相關(guān)性。當(dāng)矩陣元素值均勻相等時，相關(guān)就大；相反，如 果矩陣像元值相差很大則相關(guān)值小。其中Uy，Uy為分別為灰度共生矩陣行方向和列方向 上的均值，5,，Sy分別為灰度共生矩陣行方向和列方向上的方差，其計算公式如下；
[0023] S2 ;均值約束的GMM(高斯混合模型）參數(shù)估計；遙感影像中各類地物由于某些地 物的特征分布極其相似，特征的概率密度曲線混疊較嚴(yán)重。所W本文基于遙感圖像的特點(diǎn) 提出添加均值約束的GMM算法對提取的樣本特征進(jìn)行計算。其計算過程如下：
[0024] (1)設(shè)當(dāng)前圖像中當(dāng)前特征的每類均值為叫，...me,則令初始參數(shù)值為0° = 咕，...，a。nil，. . .me, 5 1，. . . 5J;其中ai，. . .，ac為每類的類別權(quán)重，該權(quán)重由用戶根 據(jù)圖像地物先驗(yàn)分布確定，如無先驗(yàn)知識，就默認(rèn)為1/C，即平均分布，滿足玄^=1?^ = 1;S1，...S。為特征值方差，C為類別數(shù)；
[0025] (2)由0 °迭代t次得到0t，t為迭代次數(shù)，利用參數(shù)值0H十算當(dāng)前像素屬于第 j類的后驗(yàn)概率0j(x)，j= 1，2, . . .C，計算式如下；
[0026]
[0027] 其中g(shù)(x，yJ，5P為均值為yJ，方差為SJ的高斯分布的概率密度函數(shù)，即[002引
[0029] 做固定均值，W日°={a1，. . .，a。叫，...m。5 1，. . . 5J為初值，迭代計算各參 數(shù)，包括地物類別權(quán)重、協(xié)方差，計算公式為：
[0033] N為圖像中像素個數(shù)；
[0034]重復(fù)（2) (3)，若II0new- 0II<CC為誤差值（根據(jù)精度需求選取，本發(fā)明取小 于1(T5)，迭代停止，則得到固定當(dāng)前均值為叫，...m。時的權(quán)重和方差估計結(jié)果。
[0035] S3 ;構(gòu)建基于ka卵a(bǔ)系數(shù)的質(zhì)量評價模型；
[0036] kappa系數(shù)是一種評價整體精度的度量指標(biāo)，它可W作為樣本的分類結(jié)果與真實(shí) 的地物類型的一致性檢驗(yàn)。其公式如下：
[0037]
[0038] 令Pk是通過S2計算出的類別權(quán)重，作為先驗(yàn)概率，且有= 1;Pkk表示真 實(shí)情況下屬于第k類，也被正確歸為第k類的像素比例；Phdd代表實(shí)際不屬于第k類，而被 誤分為第k類的像素比例。利用Pk、PkkW及Pi^dd，可將Kappa系數(shù)改寫成為與分類結(jié)果直 接相關(guān)的、各部分意義明確的新形式，如下所示：
[0039]
[0040] 由上式可知，Ka卵a(bǔ)系數(shù)的預(yù)估依賴于Pk、PkkW及Pkwd的求解。
[0041] 由于高斯分布是常見的分布形態(tài)，該里假設(shè)各類地物特征均服從多維高斯分布。 對于一維特征，設(shè)y1，^2, . . ? y2<w<yC分別為各類的均值；0 1，0 2. . . 0C 為對應(yīng)各類的標(biāo)準(zhǔn)差；Pl，P2，. .p。為對應(yīng)各類的先驗(yàn)概率；函數(shù)o(X)表示標(biāo)準(zhǔn)正態(tài)分布的 累積分布函數(shù)；hj. (1《j<C)表示第j類與第j+1類間的分類決策面，則任選k= 1，2. .C， Pkk和Pkadd可表示成：
[0044] 因此，基于不同的決策方法得到不同的分界面hj.(l《j<C)，Pkk和Pkwd的值隨之 變化。本發(fā)明基于最小距離準(zhǔn)則。
[0045] 最小距離準(zhǔn)則是一種常見的分類