[发明专利]基于自适应空间信息的遥感图像分类方法及系统

说明书

本发明公开了一种基于自适应空间信息的遥感图像分类方法及系统。该方法包括：获取遥感图像；采用基于马尔可夫随机场的模糊C均值算法对遥感图像进行初始分类，得到初始模糊隶属度矩阵；利用空间引力模型，计算当前迭代次数b下遥感图像中当前中心像元与每个邻域像元之间的空间吸引力；采用Sobel算子对遥感图像进行边缘检测，得到空间结构特征；依据空间结构特征，采用梯度倒数平滑法计算当前中心像元的边缘系数；依据空间吸引力和边缘系数，构建自适应权重的马尔可夫随机场；将自适应权重的马尔可夫随机场与模糊C均值算法结合，确定遥感图像的分类结果。本发明能够有效的解决边界像元和空间信息权重系数估计的问题，提高分类精度。

技术领域

本发明涉及遥感图像处理技术领域，特别是涉及一种基于自适应空间信息的遥感图像分类方法及系统。

背景技术

随着遥感技术的飞速发展，遥感影像广泛应用于国土资源、环境监测、城市规划等领域。为了满足不同领域的应用要求，需要从遥感影像中提取大量的有用信息，其中遥感影像分类是信息提取的关键技术，也是后续遥感影像地物识别的基础。由于高空间分辨率遥感影像中包含复杂的地物信息，同类地物中的光谱异质性明显，不同地物的光谱相互重叠，使得传统的基于光谱特征的分类方法不能获得满意的分类精度。此外，基于单一特征特别是仅基于光谱特征的遥感影像分类方法容易受噪声的影响，得到的分类结果往往比较零碎并且地物边缘信息损失较大。因此，为了提高分类精度，将光谱、空间信息和形状等特征相结合的多特征融合的分类方法已成为高空间分辨率遥感影像分类的热点。

多特征融合的分类方法分为监督分类方法和无监督分类方法。理论上，监督分类方法通过利用分类类别的训练样本从而比无监督分类方法能够获得更好的分类结果，但是由于遥感影像中存在很多的混合像元以及外部条件对遥感影像的影响，很难获取大量可靠地遥感影像训练样本用于监督分类，因此，监督分类方法得到的分类结果很难让人满意。而无监督分类方法则不需要训练样本，它是按照图像的相似程度进行划分的，从而使得无监督分类方法被广泛用于遥感影像分类中，如K-means，模糊C均值(Fuzzy C-means,FCM)，马尔可夫随机场(Markov Random Field,MRF)等聚类算法已用于无监督分类中。其中，FCM算法的分类结果符合自然界地物的模糊性和不确定性，能够保留更多的图像信息，因此，FCM聚类算法被广泛应用于是遥感图像分类中。然而，传统的FCM聚类算法在图像聚类时没有考虑图像的空间相关性，导致其抗噪性能差，使得图像分类结果中存在孤立像元。

近年来，在传统的FCM聚类算法中引入空间信息以提高聚类精度，已经成为研究人员的共识。其中将MRF引入到FCM方法中也是一种改进FCM的经典方法，例如基于马尔可夫随机场的FCM(Markov random fieldbased FCM,MFCM)算法。MFCM算法中MRF是一种概率模型，它通过相邻像元之间的依赖关系来提取空间邻域信息，因此不仅具有很强的抗噪性能而且充分考虑了图像像元之间的空间邻域关系，但是MRF模型的缺点是其聚类精度受空间信息权重的影响，该空间信息权重系数通常是反复实验得到的，并且传统的MRF中邻域像元对中心像元的影响相同，因此适合于均匀区域分类，而对于边缘区域分类效果不好，容易丢失边缘细节。因此，现有的MFCM算分类算法的分类精度有待提高，需要更有效的方法来处理这种边界像元和空间信息权重系数估计问题。

发明内容

基于此，有必要提供一种基于自适应空间信息的遥感图像分类方法及系统，以有效的解决边界像元和空间信息权重系数估计的问题，提高分类精度。

为实现上述目的，本发明提供了如下方案：

基于自适应空间信息的遥感图像分类方法，包括：

获取遥感图像；

采用基于马尔可夫随机场的模糊C均值算法对所述遥感图像进行初始分类，得到初始模糊隶属度矩阵；