[发明专利]基于光谱角和欧氏距离的遥感影像分类方法

说明书

技术领域

本发明属于计算机遥感影像自动分类技术领域，特别涉及一种基于光谱角和欧氏距离的遥感影像分类方法。

背景技术

遥感影像分类是将遥感影像中的像元划分到不同地物类别中的过程。分类依据主要包括地物光谱特征、地物形状特征、空间关系特征等，目前大多数研究还是基于地物光谱特征，结合目视解译结果。利用计算机自动分类算法是目前遥感影像分类的主要方法。计算机自动分类算法主要包括非监督分类和监督分类。非监督分类是在没有先验知识的前提下根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类方法，常见的有贝叶斯学习、最大似然度和聚类法等等。监督分类是基于先验样本，先训练再进行分类，常用的方法包括：平行六面体法、波谱角分类法、欧氏距离分类法、马氏距离法、最大似然法、决策树法等。近年来，新的分类模型如人工神经网络等也在遥感影像分类中得到较多应用。在实际应用中，非监督分类的精度一般不如监督分类的精度高，所以监督分类使用的更为广泛。

而每种分类方法均有其各自的缺陷，为了提高分类结果的稳定性和可靠性，现有技术提出多分类器融合的思想，一定程度上提高了分类精度，但仍存在一些问题，例如简单的将不同分类器盲目融合，忽略了其互补性，导致分类精度提高程度极其有限，还会影响分类效率，因此分类器的选择和融合方法的选择显得尤为重要。

发明内容

本发明的目的在于提供一种基于光谱角和欧氏距离的遥感影像分类方法，旨在提高地物分类精度且不会降低分类效率。

本发明是这样实现的，基于光谱角和欧氏距离的遥感影像分类方法，包括下述步骤：

对遥感影像进行预处理以滤除噪声；

筛选用于分类的有效信息；

将遥感影像分割为多个同质影像图斑，作为最小研究单元；

为每种地物选择分布均匀且数量足够的样本，随机抽取50%作为训练样本，计算每种地物的训练样本在各波段的均值和方差，作为样本中心，另外50%样本作为测试样本；

计算每种地物的测试样本在各波段的均值和方差，进而计算出每种地物的测试样本与训练样本之间的欧氏距离和光谱角；

确定综合相似度为光谱角和欧氏距离的加权和，所述综合相似度的关系式为：d=a×w+b×(1-w)，其中，d为综合相似度，a为欧氏距离，w为欧氏距离的权重，b为光谱角，1-w为光谱角的权重，计算在w∈[0,1]且间隔为0.01的约束条件下，使d取得最小值的w值，进而确定综合相似度的运算式；

计算分类对象与每种地物的光谱距离、光谱角和综合相似度，取使得综合相似度最小的地物类型作为分类对象的最终类型。

本发明提供的遥感影像分类方法结合欧氏距离和光谱角两种分类器的优势，将光谱角（光谱相似度）和欧氏距离（影像亮度）加权相加作为综合相似度，实现不同分类方法的互补，并以极小间隔（0.01）一一验证确定最佳权重，有效提高了分类精度且保证了分类效率；并且，该分类方法的各步骤都可以依赖于计算机软件完成，算法自动化，分类效率高。

附图说明

图1是本发明实施例提供的基于光谱角和欧氏距离的遥感影像分类方法流程图；

图2是本发明实施例提供的二维空间光谱角的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现进行详细描述：

图1示出了本发明实施例提供的基于光谱角和欧氏距离的遥感影像分类方法流程图，为了便于说明，仅示出了与本实施例相关的部分。

基于光谱角和欧氏距离的遥感影像分类方法结合了光谱角和光谱距离两种分类器的优势，使分类精度更高。在介绍该方法之前，首先对光谱角和欧氏距离进行解释说明。

光谱角（SAM），又称波谱角，是待识别地物向量与参考地物向量在光谱空间上所形成的夹角，光谱角法就是通过该夹角来确定每类地物的归属。光谱角的原理是把像元的光谱（多个波段的像素值）作为矢量投影到N维空间上，维度N为选取的波段数。在N维空间中，各光谱曲线被看作有方向且有长度的矢量，光谱矢量之间形成的夹角就是光谱角，参见图2所示的二维空间的光谱角。光谱角的数学表达式为：