[发明专利]一种面向高分影像的地物特征筛选方法

说明书

本发明公开了一种面向高分影像的地物特征筛选方法，包括根据地物实际分布与遥感影像表现形式，对目标地物进行特征分析与特征粗选；采用选择的不同影像特征，对高分辨率原始影像中目标地物进行一次性特征提取，获得目标地物的多个提取结果；采用构建的特征敏感度模型对各个提取结果分别进行敏感性分析，得到不同影像特征对目标地物的有效提取程度；对不同影像特征敏感度进行排序，选择对目标地物敏感度较高的少数几个特征，形成目标地物的敏感特征组等步骤。其显著效果是：综合考多方面考虑，分析了特征对目标地物的敏感程度，提高了提取结果的客观真实性，从而有效解决了地物特征选择困难的问题，减弱了人为因素对地物信息提取的干扰。

技术领域

本发明涉及到遥感影像处理技术领域，具体地说，是一种面向高分影像的地物特征筛选方法。

背景技术

高分辨率遥感影像包含丰富的地物细节信息，得到复杂多样的光谱信息，以及空间、纹理、拓扑、语义等丰富的结构信息，不可避免地出现特征数据维数高、数量大的现象，即特征“维数灾难”，如何对海量地物特征进行优化选择是实现地物信息有效提取的关键所在。

现有的特征选择方法主要从搜索策略和评价准则两方面进行研究。前者常用算法有穷举搜索、顺序搜索、遗传算法、蚁群算法、微粒群算法等，算法以分析为主，研究特征间的相关性程度来达到特征数降维的目的，算法较为复杂，且具有一定局限性。而按评价准则的特征选择算法主要分为过滤式、封装式和组合式，其中，过滤式算法包含距离度量、信息熵度量、相似性度量和一致性度量；封装式算法是以分类错误概率作为评价准则，选择错误概率最小的特征，但该算法需要多次调用学习算法，较为耗时。目前，组合式特征选择方法是特征优化选择的主要研究方向，该方法将过滤式特征选择与封装式特征选择算法相结合，以过滤式算法初选取特征子集，然后通过封装式算法实现特征优化选择。

但是，现有的高分遥感影像特征选择算法大多是通过分析特征间的相关性，或者分析特征对地物样本的正确或错误提取效果来达到特征优化选择的目的。在实际应用中，算法的设计具有较大的局限性，受人为主观经验的影响较大，并且算法复杂，分析工作量大，难以实现大范围地表信息提取。

发明内容

针对现有技术的不足，本发明的目的是提供一种面向高分影像的地物特征筛选方法，该方法从地物特征信息提取的正确度与误提取复杂度两个要素，构建地物特征敏感度分析模型，量化不同影像特征对目标地物的有效提取程度，解决地物特征选择困难的问题。

为达到上述目的，本发明采用的技术方案如下：

一种面向高分影像的地物特征筛选方法，其关键在于按照以下步骤进行：

步骤1：导入高分辨率原始影像，根据地物实际分布与遥感影像表现形式，对目标地物进行特征分析与特征粗选；

步骤2：采用选择的不同影像特征对目标地物进行一次性特征提取，获得目标地物的多个提取结果；

步骤3：采用构建的特征敏感度模型对各个提取结果分别进行敏感性分析，得到不同影像特征对目标地物的敏感度，所述特征敏感度模型为：

其中，α表示目标地物提取所用影像特征，S_α为影像特征α的特征敏感度，R_α为影像特征α的目标地物正确提取度，F_α为影像特征α的目标地物误提取地物复杂度；

步骤4：对不同影像特征的敏感度进行排序，选择对目标地物敏感度较高的特征，形成目标地物的敏感特征组。

作为优选，为了降低人为主观因素对提取效果的干扰，以尽可能完整提取地物信息的原则，步骤2中所述特征提取所采用的方法为图像阈值分割法。

进一步的技术方案是，步骤2中所述正确提取度R_α的求取公式为：