[发明专利]一种基于OpenStreetMap的遥感影像多特征联合分类方法

权利要求书

1.一种基于OpenStreetMap的遥感影像多特征分类方法，包含以下步骤：

1)将OpenStreetMap(OSM)与待分类遥感影像进行配准，根据实际分类需求，从OSM中选择出感兴趣类别对应的矢量图层，将其转化为栅格影像；

2)提取待分类遥感影像多种不同空间特征，从多个方面描述待分类遥感影像地物分布特点；

3)对各个类别对应的OSM栅格影像进行形态学处理，以获得去除目标边缘像素保留中心像素的样本；

4)针对每个类别的样本，使用聚类算法根据像素的特征进行聚类分析，并根据每个子类聚类中心的分布及每个子类中的样本数，剔除被错误标记的样本；

步骤4)中，采用k-均值算法对每个类别的样本进行聚类分析，k-均值算法计算流程如下：

步骤4.1，从样本集中随机选取M个种子点作为初始聚类中心；

步骤4.2，计算所有样本在特征空间中到各个聚类中心的距离，若样本离第m个聚类中心距离最近，则该样本被划归于第m个聚类中心对应的点群；

步骤4.3，基于获得的M个点群，重新计算每个点群的中心，并作为下一次迭代的聚类中心；

步骤4.4，重复步骤4.3和4.4，直到聚类中心不再发生变化或达到迭代停止条件，从而将样本集聚类为M个子类；

步骤4)中，剔除被错误标记的样本的实现方式如下，

统计属于每个聚类子类的样本个数，当某个聚类子类的中心在特征空间距离与其他子类中心间的距离过大，且属于该子类的样本数量过少时，则将该聚类子类删除，具体如下：若第i个类别的样本数为S_i，通过k-均值聚类为M个子类；记子类的样本数量为子类中心与最近子类中心的距离为该类别的子类中样本数均值为Su_i，标准差为Ss_i，变量的均值为Du_i，标准差为Ds_i，若某一子类满足且则认为该子类无效，并将该子类中的样本删除；

5)利用获取的样本，分别使用多种不同空间特征并结合支持向量机对待分类遥感影像进行分类，获取每个像素在不同空间特征下属于不同类别的概率；

6)根据输出的类别概率，计算各个分类结果的可靠性，并以此为基础，对多个分类结果的输出结果进行加权融合，获得最后的分类结果。

2.如权利要求1所述基于OpenStreetMap的遥感影像多特征分类方法，其特征是：步骤1)中，获得的栅格影像的空间分辨率与待分类遥感影像空间分辨率一致。

3.如权利要求1所述基于OpenStreetMap的遥感影像多特征分类方法，其特征是：步骤2)中，利用灰度共生纹理(Gray-Level Co-occurrence Matrix，GLCM)提取遥感影像多元化空间纹理信息；利用形态学轮廓(Morphological Profiles，MPs)提取遥感影像空间结构信息；利用多指数特征(Multi-Index Feature，MIF)的提取遥感影像复杂场景，包括房屋指数，阴影指数，和植被指数，联合上述3种不同空间特征的互补信息，解决单一空间特征难以全面表达影像空间信息的问题。

4.如权利要求1所述基于OpenStreetMap的遥感影像多特征分类方法，其特征是：步骤3)中，获得去除目标边缘像素保留中心像素的样本的实现方式如下，

每一幅栅格图像可以视为一个二类标记图，属于该类别的标记为1，不属于该类别的标记为0；为了去除目标的边界区域，针对每一幅二类标记图进行形态学腐蚀运算，公式如下：

其中，是腐蚀算子，B_x表示图像上位置x为原点的结构元素B，腐蚀结果是结构元素B能够完全包含于A的所有位置x组成的新图像。