[发明专利]一种基于空-谱特征联合的遥感影像监督分类方法

说明书

本发明公开了一种基于空‑谱特征联合的遥感影像监督分类方法，具体按照以下步骤实施：步骤1、输入影像，以中心像素构建无参自适应区域；步骤2、计算自适应区域内各个光谱波段的特征均值；计算自适应区域内各个波段的空间特征；步骤3、将得到的光谱特征和空间特征进行特征叠加，得到该像素点自适应区域的联合特征；步骤4、逐像素点遍历整张影像，得到所有像素联合后的特征向量，使用SVM分类器进行分类，得到最终的分类影像，完成遥感影像监督分类。解决了现有技术中存在的则尺度获取空间信息不准确的问题。

技术领域

本发明属于高分遥感影像分类技术领域，涉及一种基于空-谱特征联合的遥感影像监督分类方法。

背景技术

近年来，随着遥感技术的不断发展，海量的高分影像被获取，通过对高分影像的高精度解译，对现代军事、精准农业、城市规划、地籍调查以及自然灾害监测等诸多领域提供重要的科学意义与实际价值。高分影像蕴含丰富的空间信息，使得地物表面结构更加精细，空间拓扑关系更加清晰。但与此同时，也使得噪声像素增多，光谱波段减少，“同物异谱”与“异物同谱”等现象频频发生，使得地物类内方差变大，类间方差变小，光谱域统计可分性降低。因此也为模式识别、多目标识别领域带来了诸多挑战。

发明内容

本发明的目的是提供一种基于空-谱特征联合的遥感影像监督分类方法，解决了现有技术中存在的则尺度获取空间信息不准确的问题。

本发明所采用的技术方案是，一种基于空-谱特征联合的遥感影像监督分类方法，具体按照以下步骤实施：

步骤1、输入影像，以中心像素构建无参自适应区域；

步骤2、计算自适应区域内各个光谱波段的特征均值；计算自适应区域内各个波段的空间特征；

步骤3、将得到的光谱特征和空间特征进行特征叠加，得到该像素点自适应区域的联合特征；

步骤4、逐像素点遍历整张影像，得到所有像素联合后的特征向量，使用SVM分类器进行分类，得到最终的分类影像，完成遥感影像监督分类。

本发明的特点还在于：

步骤1具体按照以下实施：对输入的影像，以像素(Pixel)为中心通过3×3大小的窗口，获取中心像素周围的邻域像素，计算窗口内邻域像素的均值(Avg)和方差(Std)，以(‖Avg-Std‖≤Pixel≤‖Avg+Std‖)为约束条件不断搜索邻域像素，构建一个无参自适应区域。

步骤2中计算自适应区域内各个光谱波段的特征均值具体按照以下实施：由构成一个影像对象的所有n个像素的图层值计算得到图层平均值。

其中，P_Li表示波段上第i个像素点的像素值；特征值的范围为：[0；与数据的比特位数对应]。

步骤2计算自适应区域内各个波段的空间特征中的空间特征包括密度、长宽比、形状指数。

步骤2计算自适应区域内各个波段的空间特征具体按照以下实施：使用密度来描述影像对象的紧致程度。在像素栅格的图形中理想的紧致形状是一个正方形。一个影像对象的形状越接近正方形，它的密度就越高。

其中，D表示密度。特征值范围：[0；与影像对象的形状对应]；

由于影像对象多为不规则形状，因此，对象长宽比通常由协方差矩阵较大特征值与较小特征值的比值计算得来；

其中，γ表示长宽比，eig₁(S)为协方差矩阵特征值中较大的一个，eig₂(S)则为协方差矩阵较小的特征值；特征值范围：[0；1]；