[发明专利]一种基于改进可靠性因子的遥感图像融合与海岸带分类方法

说明书

本发明公开了一种基于改进可靠性因子的遥感图像融合与海岸带分类方法，主要包括：读取SAR图像与光学图像并配准；选用FLF线检测算法提取海岸线；将分类区域分割为均匀区域与不均匀区域；进行图像融合并提取灰度共生矩阵纹理并选定训练数据；计算当前像素所属类别的条件概率及每个像素属于每一类的势能，取势能最小的类别标签赋给当前像素作为分类结果；由所述分类结果的每一类别中提取20％的数据作为训练集直到每个像素属于每一类的势能不再变化，则输出最终分类结果。本发明针对不同的地物区域，对不同的传感器数据给出不同的可靠性因子，进而实现海岸带的精确分类。

技术领域

本发明涉及海岸带图像提取技术领域，具体而言，尤其涉及一种基于改进可靠性因子的遥感图像融合与海岸带分类方法。

背景技术

随着地理、海洋、地球物理以及气象监测等领域研究的深入开展，依靠卫星传感技术为研究不断提供丰富数据支持成为必然。然而，在许多应用中，单个传感器所提供的数据存在信息缺失、一致性差，导致提取的数据并不精确。选自多种传感器的图像源间存在一定的互补关系，同时合并多源数据不仅能够提供某一个场景的一致性解译，而且可以相应地减轻数据类别不确定性的影响。因此，图像融合对于遥感图像解译具有重要意义。海岸带区域作为社会与经济发展的核心地带，其土地利用以及海域使用情况变化剧烈，因此实现海岸带区域的环境资源的有效检测，必然有助于海岸带地区的可持续发展。

目前，对于海岸带区域的遥感图像的解译分类大致分为基于像元的分类方法与基于对象的分类方法。由于受到海陆共同作用，海岸带地物分布情况复杂，提高了分类算法的解译难度，难以达到理想的应用效果。因此，有许多学者提出了不同的改进的海岸带分类算法，例如结合地学知识、DEM数据、图斑空间信息、水文与气象数据等进行分类。但由于这种分类方法对海岸带一般是分层对各个地物进行分类，流程繁杂，缺乏自动性。另外基于面向对象的分类方法在很大程度上取决于对象分割的准确度，若是某个对象包含不同的地物类别，而非单一的地物类别，则很容易错判，从而导致整个对象中的像素被错判。

现有基于SAR图像与光学图像融合的遥感图像分类算法往往仅考虑不同传感器数据的不确定性，没有充分利用不同传感器数据对不同地物具有不同分辨力的特性，从而造成分类效果不佳。

发明内容

根据上述提出的使用不确定性因子作为传感器数据的可靠性度量的不准确性问题，而提供基于改进可靠性因子的遥感图像融合与海岸带分类方法，针对不同的地物区域，对不同的传感器数据给出不同的可靠性因子，进而实现海岸带的精确分类。

本发明采用的技术手段如下：

一种基于改进可靠性因子的遥感图像融合与海岸带分类方法，其特征在于包括以下步骤：

步骤S1、读取SAR图像与光学图像，并对所述SAR图像与所述光学图像进行配准，其中所述SAR图像为Sentinel-1图像，所述光学图像为Landsat-8图像第4、3、2波段合成的真彩色图像；

步骤S2、对Landsat-8图像的第5波段图像提取海岸线，以海岸线为界，向陆地方向扩300个像素宽的区域作为分类区域，其中线状物的提取选用FLF线检测算法；

步骤S3、将所述分类区域分割为均匀区域不均匀区域，包括根据SAR图像的熵纹理信息提取出初步的不均匀区域，综合光学图像的灰度值信息得到的得到最终的不均匀区域标记场；

步骤S4、对SAR图像与光学图像进行融合分类，提取SAR图像的灰度共生矩阵纹理并选定训练数据；

步骤S5、计算SAR图像与光学图像融合后的当前像素所属类别的条件概率，并计算每个像素属于每一类的势能，取势能最小的类别标签赋给当前像素作为分类结果；

步骤S6、由所述分类结果的每一类别中提取20％的数据作为训练集，包括对像素所属类别的条件概率排序，提取最高的20％作为新的训练集；