[发明专利]一种遥感影像地物分类方法及系统

说明书

本发明提供一种遥感影像地物分类方法及系统，能够提高地物分类结果的准确率和鲁棒性。所述方法包括：S1，获取待处理遥感影像，对其进行预处理，得到待处理遥感影像的特征向量集合；S2，计算特征向量集合关于遥感影像数据的条件信息熵，以描述遥感影像数据在特征空间中的不确定性；S3，基于得到的特征向量集合关于遥感影像数据的条件信息熵，对遥感影像数据的聚类划分进行迭代更新，直到新聚类划分的类别数量与遥感影像的待分类数量一致，则执行S4；S4，将最终的聚类划分作为地物分类结果进行输出。本发明涉及遥感影像处理技术领域。

技术领域

本发明涉及遥感影像处理技术领域，特别是指一种遥感影像地物分类方法及系统。

背景技术

遥感技术是指从高空或外层空间接收来自地球表层各类地物的电磁波信息，并通过对这些信息进行扫描、摄影、传输和处理，从而对地表各类地物和现象进行远距离控测和识别的现代综合技术。遥感技术具有感测范围广、信息量大、获取信息快、更新周期短等特点，一方面可以帮助我们不断了解自然界的驱动力和刻画我们所处星球发生的各种现象的运行过程，另一方面帮助我们获得决策支持系统所需的关键信息，使得政策制定和管理抉择更加合理。遥感成像的原理是通过在高空平台的传感器探测地表的反射或辐射波并进行记录成像，它可以记录可见光、不可见光、辐射波、雷达波等多种电磁波的反射。利用遥感设备得到的影像只是遥感技术的一个部分，对影像进行分析和处理以获取感兴趣的信息是遥感技术另一个重要任务。

遥感影像的处理工作非常复杂，一般包括：影像选择、地物反射波谱分析、观测数据输入、影像特征地貌分析、图像预处理、图像统计特征分析、重点区域处理、图像增强、分类处理、区域处理、复合处理和结果输出等处理环节。在遥感影像处理的众多环节中，分类处理是根据感兴趣目标在遥感图像上的差异，判断并识别其类别属性空间分布特征等信息的过程。人们可以通过计算机对遥感图像进行自动分类处理，达到辨识地面地物的目的。在实际应用中，分类处理常常会被用于探索地面地物组成，发现特殊地物等。遥感图像分类处理中经常使用两类机器学习方法：

一类是以人工神经网络为代表监督分类，监督分类在遥感图像处理中的应用已经非常成熟，一般可以达到较高的分类正确率，但监督分类要求获得待处理数据的训练子集及其正确类别归属；

另一类是以聚类分析为代表非监督分类，非监督分类基于同类地物都有相似的光谱特征这一原理，把反映地物的特征值按相似性和概率理论进行划分类别，最后与实地数据比较确定类别意义，具有无需任何的先验知识、不易受人为因素影响等优点。

现有技术中，聚类分析是最常使用的非监督分类方法，而k均值聚类(k-means)算法和迭代自组织数据分析算法(ISODATA)又是遥感影像处理中使用最多的聚类算法。遥感图像聚类与一般数据聚类有着很大的区别，由于自然环境的复杂性，以及自然环境与遥感波谱相互作用的复杂性，从传感器记录的光谱信号中提取的地物信息中总是存在不确定性，这将导致使用传统聚类方法(例如，k-means、ISODATA)在遥感影像分类任务中难以获得稳定可靠的分类结果。

发明内容

本发明要解决的技术问题是提供一种遥感影像地物分类方法及系统，以解决现有技术所存在的在遥感影像分类任务中难以获得稳定可靠的分类结果的问题。

为解决上述技术问题，本发明实施例提供一种遥感影像地物分类方法，包括：

S1，获取待处理遥感影像，对其进行预处理，得到待处理遥感影像的特征向量集合；

S2，计算特征向量集合关于遥感影像数据的条件信息熵，以描述遥感影像数据在特征空间中的不确定性；

S3，迭代执行S31-S33，对遥感影像数据进行聚类划分：

S31，利用当前迭代中聚类划分在特征空间中的不确定性及得到的特征向量集合关于遥感影像数据的条件信息熵，确定当前迭代中聚类划分的质量系数；