一种遥感图像的分类方法技术

本发明专利技术公开一种遥感图像的分类方法，包括图像预处理模块、图像分类模块、特征优化模块和边缘提取模块；图像预处理模块包括分类方案确定单元、多尺度分割单元、特征提取单元和训练样本选取单元；图像分类模块采用监督算法和半监督算法；特征优化模块包括特征重要性评价单元、特征选取及加权累加单元；边缘提取模块采用曲率滤波计算单元和分数阶微分差运算单元。本发明专利技术采用多级分类并评价特征重要性，且选取较优特征进行加权融合形成新特征参与分类，采用微分阶与曲率滤波实现边缘检测，平滑噪声并降低运算量和复杂度，保留遥感图像丰富细节信息。

【技术实现步骤摘要】
一种遥感图像的分类方法
本专利技术涉及遥感图像处理
，具体涉及一种遥感图像的分类方法。
技术介绍
土地利用分类是区分土地利用空间地域组成单元的过程。这种空间地域单元是土地利用的地域组合单位，表现人类对土地利用、改造的方式和成果，反映土地的利用形式和用途。土地利用分类是为完成土地资源调查或进行统一的科学土地管理，从土地利用现状出发，根据土地利用的地域分异规律、土地用途、土地利用方式等，将一个国家或地区的土地利用情况，按照一定的层次等级体系划分为若干不同的土地利用类别。随着社会的快速发展，土地类型变化频繁，传统的土地类别确定及面积测量需花费大量的人力、物力和时间，随着遥感技术的发展，利用遥感图像范围大且包含丰富的细节信息的特点进行分类，可快速获取土地变化情况，由于遥感数据为高维数据且所含特征数量较多，计算量较大且无法利用有效特征进行分类，分类后，对于小面积土地的边缘提取易受噪声影响，对整幅图像降噪时会使遥感图像丢失大量细节信息。
技术实现思路
为解决上述问题，本专利技术提出了一种遥感图像的分类方法，通过特征重要性评价确定有效特征，并参与分类，边缘提取时可降低计算复杂度且只平滑噪声而保留细节信息。本专利技术采用的技术方案是：一种遥感图像的分类方法，包括图像预处理模块、图像分类模块、特征优化模块和边缘提取模块；所述图像预处理模块包括分类方案确定单元、多尺度分割单元、特征提取单元和训练样本选取单元；所述图像分类模块采用监督算法和半监督算法；所述特征优化模块包括特征重要性评价单元、特征选取及加权累加单元；所述边缘提取模块采用曲率滤波计算单元和分数阶微分差运算单元。优先地，遥感图像的分类方法包括以下步骤：a.获取原始遥感图像后通过图像预处理模块进行图像融合、辐射定标、大气校正，然后分别通过分类方案确定单元和多尺度分割单元确定分类类别和图像分割尺度，通过特征提取单元提取特征且包括光谱特征、纹理特征、空间特征、时间特征，通过训练样本选取单元并根据已确定数据和专家经验选取训练样本；b.遥感图像采用监督算法训练训练样本，生成一级分类模型，利用一级分类模型对遥感图像进行分类；c.基于训练样本，采用步骤b中监督算法对提取的特征计算袋外数据错误率，并循环对提取特征加入噪声干扰后随机打乱，再次计算错误率，两次平均错误率之差为提取特征的重要性值，选择重要性值大的特征，进行归一化后，计算特征占比并进行加权融合，形成新的特征；d.采用步骤b中监督算法，利用步骤c中形成的新的特征进行二级分类，生成类别图像；e.通过分数阶微分差运算单元进行类别图像的边缘检测，并通过曲率滤波计算单元求取最速下降正则化能量所对应的分数阶次且采用曲率滤波创建的窗函数遍历类别图像，形成边缘图像。优先地，步骤a中提取的多个特征进行波段叠加，形成多波段遥感图像。优先地，步骤b中采用随机森林分类法，通过多次试验，计算节点的基尼指数和信息熵，构建多棵决策树，通过训练样本生成分类模型；所述基尼指数Gini具体为：所述信息熵Entropy具体为：其中c为分类数目，t为树的节点数，P为c的相对概率。优先地，步骤c中，所述特征的重要性值具体为其中，N为RF中决策树数目。优先地，步骤e中，曲率滤波计算单元选取最优微分阶数的步骤为：1)选取三角形超平面构建曲率滤波窗口；2)规定分数阶微分差运算过程中阶次范围为0至2，构建分数阶滤波模型；3)分数阶滤波模型对类别图像进行卷积处理，形成有分数阶次算子，计算分数阶次范围内最速下降正则化能量，计算形成最优迭代次数和最优微分阶次；4)利用窗函数遍历整幅类别图像，检测得出边缘图像。优先地，边缘图像质量的检测方法采用图像均方差和峰值信噪比进行检测。本专利技术的有益效果是：1.对原始遥感图像进行一级分类，对参与分类的特征进行重要性评价，并利用重要性值进行加权融合，形成新的特征后参与遥感图像的二级分类，确保遥感图像的分类精度，便于类别面积的精确计算；2.多级分类后，采用曲率滤波确定最优微分阶次并采用窗函数遍历整幅类别图像得到边缘图像，平滑噪声且降低分数阶微分差运算的计算复杂度。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是本专利技术的总体流程图；图2是本专利技术的详细流程图。具体实施方式如图1-2所示，一种遥感图像的分类方法，包括图像预处理模块、图像分类模块、特征优化模块和边缘提取模块；图像预处理模块包括分类方案确定单元、多尺度分割单元、特征提取单元和训练样本选取单元；图像分类模块采用监督算法和半监督算法；特征优化模块包括特征重要性评价单元、特征选取及加权累加单元；边缘提取模块采用曲率滤波计算单元和分数阶微分差运算单元。具体的，遥感图像的分类方法包括以下步骤：a.获取原始遥感图像后通过图像预处理模块进行图像融合、辐射定标、大气校正，然后分别通过分类方案确定单元和多尺度分割单元确定分类类别和图像分割尺度，通过特征提取单元提取特征且包括光谱特征、纹理特征、空间特征、时间特征，通过训练样本选取单元并根据已确定数据和专家经验选取训练样本；b.遥感图像采用随机森林分类法，通过多次试验，计算节点的基尼指数和信息熵，构建多棵决策树，通过训练样本生成分类模型，生成一级分类模型，利用一级分类模型对遥感图像进行分类，训练样本外的其他数据为袋外数据集；基尼指数Gini具体为：信息熵Entropy具体为：其中c为分类数目，t为树的节点数，P为c的相对概率。类别的差异性随Gini指数增加而增加，当Gini指数为0时，树的分裂就会终止。由于训练样本与袋外数据集的随机性，每棵决策树的生成过程相对独立，多棵决策树随机排列构成随机森林。c.基于训练样本，采用步骤b中随机分类算法对提取的每个特征计算重要性值，包括如下步骤：1)基于训练样本，构建RF模型，对每棵CART决策树，计算袋外数据错误率，记为errOOB1；2)对袋外数据OOB所有样本的某一特征X加入噪声干扰，将其随机打乱，估算新OOB样本的错误率errOOB2；3)特征X的重要性值其中，N为随机分类法中决策树数目。选择重要性值大的特征，进行归一化后，计算特征占比并进行加权融合，形成新的特征；d.采用步骤b中随机森林分类法，利用步骤c中形成的新的特征进行二级分类，生成类别图像；e.通过分数阶微分差运算单元进行类别图像的边缘检测，并通过曲率滤波计算单元求取最速下降正则化能量所对应的分数阶次且采用曲率滤波创建的窗函数遍历类别图像，形成边缘图像，保留遥感图像高低频丰富的细节信息，避免出现漏检，进而影响边缘图像检测的精确度；具本文档来自技高网...

【技术保护点】
1.一种遥感图像的分类方法，其特征在于：包括图像预处理模块、图像分类模块、特征优化模块和边缘提取模块；/n所述图像预处理模块包括分类方案确定单元、多尺度分割单元、特征提取单元和训练样本选取单元；/n所述图像分类模块采用监督算法和半监督算法；/n所述特征优化模块包括特征重要性评价单元、特征选取及加权累加单元；/n所述边缘提取模块采用曲率滤波计算单元和分数阶微分差运算单元。/n

【技术特征摘要】
1.一种遥感图像的分类方法，其特征在于：包括图像预处理模块、图像分类模块、特征优化模块和边缘提取模块；
所述图像预处理模块包括分类方案确定单元、多尺度分割单元、特征提取单元和训练样本选取单元；
所述图像分类模块采用监督算法和半监督算法；
所述特征优化模块包括特征重要性评价单元、特征选取及加权累加单元；
所述边缘提取模块采用曲率滤波计算单元和分数阶微分差运算单元。


2.根据权利要求1所述的遥感图像的分类方法，其特征在于：包括以下步骤：
a.获取原始遥感图像后通过图像预处理模块进行图像融合、辐射定标、大气校正，然后分别通过分类方案确定单元和多尺度分割单元确定分类类别和图像分割尺度，通过特征提取单元提取特征且包括光谱特征、纹理特征、空间特征、时间特征，通过训练样本选取单元并根据已确定数据和专家经验选取训练样本；
b.遥感图像采用监督算法训练训练样本，生成一级分类模型，利用一级分类模型对遥感图像进行分类；
c.基于训练样本，采用步骤b中监督算法对提取的特征计算袋外数据错误率，并循环对提取特征加入噪声干扰后随机打乱，再次计算错误率，两次平均错误率之差为提取特征的重要性值，选择重要性值大的特征，进行归一化后，计算特征占比并进行加权融合，形成新的特征；
d.采用步骤b中监督算法，利用步骤c中形成的新的特征进行二级分类，生成类别图像；
e.通过分数阶微分差运算单元进行类别图像的边缘检测，并通过曲率滤波计算单元求取最速下降正则化能...

【专利技术属性】
技术研发人员：周雷文，
申请(专利权)人：周雷文，
类型：发明
国别省市：浙江;33