一种基于特征分布的遥感图像质量评价方法技术

本发明专利技术公开了一种基于特征分布的遥感图像质量评价方法，包括以下步骤：对输入的遥感图像中每一类别采样，提取灰度及特征；计算特征样本中每类的均值与方差，作为基于高斯模型的EM估计(GMM估计)的初始值，进行高斯混合模型GMM估计；依据GMM估计得到的各个类别特征的方差以及权重，通过构造的基于kappa系数的质量评价模型，计算出表征遥感图像质量的kappa系数。本发明专利技术在评价遥感图像质量评价时，充分利用了遥感图像的图像特征，并利用图像分类的方法对评价方法进行验证，因此能够有效的对图像质量做出客观的评价。本发明专利技术提出的固定均值高斯混合模型GMM，收敛性更好。

【技术实现步骤摘要】

本专利技术属于遥感图像质量评价应用领域，具体设及遥感图像纹理特征的计算方 法、纹理分布的估计方法W及基于特征分布的遥感图像分类精度估计模型。
技术介绍
目前，各国遥感探测的发展方兴未艾，我国也已经启动高分辨率对地观测的计划。 随着该计划的实施，我国将获取大量自主产权的遥感数据。为了利用该些数据大幅度提高 我国自主对地观测信息的能力，包括图像分类等在内的图像解译是不可或缺的一个技术环 -H- T。 目前的图像质量评价方法主要从主观评价的角度进行的，就机器图像分类而言， 该些方法无法反映机器分类的可分性。图像的主观评价较高，对人工判读会有极大的帮助， 但是对于机器分类而言，无法度量用于遥感图像地物分类所用特征的可分性和稳定性。 本专利技术提出基于特征分布的图像质量评价方法（其中特征包括灰度，能量，对比 度，逆差矩，滴，相关性），从遥感图像地物分类的角度研究卫星全色图像质量评估方法，该 与传统的侧重于图像逼真度的质量评估具有迴然不同的含义，具有重要的实际应用价值。
技术实现思路
针对遥感图像在机器分类方面是否具有良好的可分性和稳定性，即如何去评价其 在机器分类方面的质量好坏，本专利技术提出了一种基于特征分布的图像质量评价方法，其具 体步骤如下： S1 ;对图像中各个地物类别进行采样，提取灰度及纹理特征；设有遥感图像I，选 取图像中各个类别的部分区域作为样本（根据），W样本中的每个像元为中屯、点，开窗大小 为KXK化取5~21)，在此图像块的中统计其中屯、点的灰度共生矩阵，计算出纹理特征，过 程如下： (1)灰度共生矩阵统计；取图像块化XK)中任意一点〔X，y)及偏离它的另一点〔 x+a，y+b)，设该点对的灰度值为〔&，g2)。令点〔X，y)在整个画面上移动，则会得到各种〔 gi，g2)值，设灰度值的级数为k，则（gi，g2)的组合共有k2种。对于整个画面，统计出每一 种〔&，g2)值出现的次数，然后排列成一个方阵，再用〔gi，g2)出现的总次数将它们归一化 为出现的概率P〔gi，g2)，该样的方阵称为灰度共生矩阵。距离差分值〔a，b)取不同的数值 组合，得到不同数值组合下的联合概率矩阵。 对比度反映了局部纹理的变化剧烈程度，其计算公式为： 逆差距反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图 像纹理的不同区域间缺少变化，局部非常均匀，其计算公式为：[001 引 滴是图像中所具有的信息量的度量，纹理的复杂度越高就意味着图像信息量越 大，其滴越大，公式如下： 相关性指标度量灰度共生矩阵里的各值在行与列上的相似程度。因此，相关性的 大小反映了图像中局部灰度分布的相关性。当矩阵元素值均匀相等时，相关就大；相反，如 果矩阵像元值相差很大则相关值小。其中Uy，Uy为分别为灰度共生矩阵行方向和列方向 上的均值，5,，Sy分别为灰度共生矩阵行方向和列方向上的方差，其计算公式如下； S2 ;均值约束的GMM(高斯混合模型）参数估计；遥感影像中各类地物由于某些地 物的特征分布极其相似，特征的概率密度曲线混叠较严重。所W本文基于遥感图像的特点 提出添加均值约束的GMM算法对提取的样本特征进行计算。其计算过程如下： (1)设当前图像中当前特征的每类均值为叫，...me,则令初始参数值为0° = 咕，...，a。nil，. . .me, 5 1，. . . 5J;其中ai，. . .，ac为每类的类别权重，该权重由用户根 据图像地物先验分布确定，如无先验知识，就默认为1/C，即平均分布，满足玄^=1?^ = 1;S1，...S。为特征值方差，C为类别数； (2)由0 °迭代t次得到0t，t为迭代次数，利用参数值0H十算当前像素属于第 j类的后验概率0j(x)，j= 1，2, . . .C，计算式如下； 其中g(x，yJ，5P为均值为yJ，方差为SJ的高斯分布的概率密度函数，即[002引 做固定均值，W日°={a1，. . .，a。叫，...m。5 1，. . . 5J为初值，迭代计算各参 数，包括地物类别权重、协方差，计算公式为： N为图像中像素个数；重复（2) (3)，若II0new- 0II<CC为误差值（根据精度需求选取，本专利技术取小 于1(T5)，迭代停止，则得到固定当前均值为叫，...m。时的权重和方差估计结果。 S3 ;构建基于ka卵a系数的质量评价模型； kappa系数是一种评价整体精度的度量指标，它可W作为样本的分类结果与真实 的地物类型的一致性检验。其公式如下： 令Pk是通过S2计算出的类别权重，作为先验概率，且有= 1;Pkk表示真 实情况下属于第k类，也被正确归为第k类的像素比例；Phdd代表实际不属于第k类，而被 误分为第k类的像素比例。利用Pk、PkkW及Pi^dd，可将Kappa系数改写成为与分类结果直 接相关的、各部分意义明确的新形式，如下所示： 由上式可知，Ka卵a系数的预估依赖于Pk、PkkW及Pkwd的求解。 由于高斯分布是常见的分布形态，该里假设各类地物特征均服从多维高斯分布。 对于一维特征，设y1，^2, . . ? y2<w<yC分别为各类的均值；0 1，0 2. . . 0C 为对应各类的标准差；Pl，P2，. .p。为对应各类的先验概率；函数o(X)表示标准正态分布的 累积分布函数；hj. (1《j<C)表示第j类与第j+1类间的分类决策面，则任选k= 1，2. .C， Pkk和Pkadd可表示成： 因此，基于不同的决策方法得到不同的分界面hj.(l《j<C)，Pkk和Pkwd的值随之 变化。本专利技术基于最小距离准则。 最小距离准则是一种常见的分类当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于特征分布的遥感图像质量评价方法，其特征在于包括如下步骤：(1)获取遥感图像，由图像肉眼直观取得图像的地物类别数C；(2)对图像中各类地物分别采样，根据样本，生成灰度共生矩阵；根据共生矩阵，计算出各类地物的样本特征，包括能量、对比度、逆差矩、熵和相关性；(3)计算各类地物样本特征的均值和方差，作为参数估计的初始参数值，进行高斯混合模型参数估计，得到遥感图像各类地物的类别权重αk、协方差σk，k＝1，2，…C；(4)计算图像分类精度指标系数kappa，包括下述子步骤：(4.1)建立分类决策面hj：hj=μj+μj+12,1≤j<C,]]>其中，μj(j＝1，2，..C)为均值，是第j类地物相应的高斯空间的中心；(4.2)计算Pkk、Pkadd：若k＝1，则Pkk=PkΦ(hk-μkσk)Pkadd=Σj=2CPjΦ(hk-μkσk);]]>若1＜k＜C，Pkk=Pk[Φ(hk-μkσk)-Φ(hk-1-μkσk)]Pkadd=Σj=2CPj[Φ(hk-μkσk)-Φ(hk-1-μkσk)];]]>若k＝C，Pkk=Pk[1-Φ(hk-1-μkσk)]Pkadd=Σj=1C-1Pj[1-Φ(hk-1-μkσk)];]]>式中，Φ为高斯分布函数；Pk是通过步骤(3)计算出的类别权重；Pkk表示真实情况下属于第k类，也被正确归为第k类的像素比例；Pkadd代表实际不属于第k类，而被误分为第k类的像素比例；(4.3)计算分类精度指标kappa:kappa=1-Σk=1CPkadd1-Σk=1C[Pk(Pkk+Pkadd)].]]>...

【技术特征摘要】

【专利技术属性】
技术研发人员：田岩，张慧敏，阮崇武，许毅平，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42