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技术

本发明专利技术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。本发明专利技术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。

A Method of Remote Sensing Image Fusion and Coastal Zone Classification Based on Improved Reliability Factor

【技术实现步骤摘要】
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
本专利技术涉及海岸带图像提取
，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。
技术介绍
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。
技术实现思路
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。本专利技术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；步骤S7、反复执行步骤S5-步骤S6，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。较现有技术相比，本专利技术具有以下优点：本专利技术提供了一种均匀性度量可靠性因子遥感图像融合与海岸带分类算法，在不确定性因子的基础上，引入一种均匀性度量算子，该算子可将图像分为均匀区域与不均匀区域。然后利用不同传感器对不同地物辨别力的差别(例如SAR图像对于不均匀区域的辨别力较强，而光学图像含有丰富的光谱信息，对于没有细节信息的地物类别辨别力较强)，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，进而定义了一种改进的势能函数，最终实现海岸带的精确分类。综上，应用本专利技术的技术方案解决了现有技术中仅使用不确定性因子作为传感器数据的可靠性度量而影响分类精度的问题，可在遥感图像分类领域广泛推广。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术方法流程图。图2a为本专利技术实施例中厦门地区Sentinel-1图像预览。图2b为本专利技术实施例中厦门地区谷歌地图图像。图3a-3l为本专利技术实施例中本专利技术算法与对比算法结果对比图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。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，其具有丰富的光谱信息，可用于分类。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。在海岸线提取时，不需要丰富的光谱信息，而且432波段的干扰较多，第5波段对比度高，利于海岸线提取，因此选用第5波段提取海岸线。步骤S3、将所述分类区域分割为均匀区域与不均匀区域，包括根据SAR图像的熵纹理信息提取出初步的不均匀区域，以及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。其中根据SAR图像的熵纹理信息提取出初步的不均匀区域包括：根据公式计算SAR图像的熵纹理信息，其中，pij表示灰度共生矩阵中的像素概率，K表示灰度的级数；以及设定第一提取阈值，将SAR图像的熵纹理信息大于所述第一提取阈值的SAR图像记为初步的不均匀区域。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记场包括：计算光学图像的灰度值；设定第二提取阈值，提取灰度值大于第二提取阈值的二值图像与初步的不均匀区域相与运算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。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包括根据公式计算SAR图像与光学图像融合后的条件概率，其中Maski＝1表示当前像素i处于不均匀区域，而Maski≠1表示当前的像素i处于均匀区域，ωB表示人工建筑区域标签，ωB′表示非人工建筑区域的标签，λ′SAR,i表示SAR图像中第i个像素的不确定性因子，λSAR,i表示λ′SAR,i归一化后的不确定性因子本文档来自技高网...

【技术保护点】
1.一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与不均匀区域，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；步骤S7、反复执行步骤S5‑步骤S6，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。...

【技术特征摘要】
1.一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与不均匀区域，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；步骤S7、反复执行步骤S5-步骤S6，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。2.根据权利要求1所述的方法，其特征在于所述根据SAR图像的熵纹理信息提取出初步的不均匀区域包括：根据公式计算SAR图像的熵纹理信息，其中，pij表示灰度共生矩阵中的像素概率，K表示灰度的级数；以及设定第一提取阈值，将SAR图像的熵纹理信息大于所述第一提取阈值的SAR图像记为初步的不均匀区域。3.根据权利要求1所述的方法，其特征在于所述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包括：计算光学图像的灰度值；设定第二提取阈值，提取灰度值大于第二提取阈值的二值图像与初步的不均匀区域相与运算得到最终的不均匀区域标记场。4.根据权利要求1所述的方法，其特征在于，所述所述计算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包括根据...

【专利技术属性】
技术研发人员：史晓非，丁星，马海洋，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁,21