一种融合光谱信息和多点模拟空间信息的分类方法技术

一种融合光谱信息和多点模拟空间信息的分类方法：（１）对遥感图像的光谱信息的像元进行ＭＬＣ分类，得到每个像元对于各类别的概率矢量；（２）为多点模拟ＭＰＳ选择样本数据；（３）对于图像中每一个像元根据其条件数据的数目，使用多点模拟方法建立概率模型并且保存概率矢量；（４）采用数据融合方法将两个概率矢量融合起来；（５）得到和结果是一个由各类别对应归属概率组成的概率矢量，在每个像元的概率矢量中对应某一类别的归属概率最大，则将这个像元分到相应的该类别中去，从而得到最终的分类结果。本发明专利技术提高了分类精度，在遥感图像解译中有非常广泛的应用，从而可以应用到地质矿产、气象、地理、测绘、海洋研究、军事侦察及环境监测等领域。

【技术实现步骤摘要】

本专利技术属于空间信息
，具体地说，涉及一种融合光谱信息和多点模拟空间 信息的分类方法。 技术背景计算机遥感图像分类是统计模式识别技术在遥感领域的具体应用。其基本过程是提 取待识别模式的一组统计特征值，然后按照一定的准则做出决策，将图像中的每个像元 判定其所属类别，从而对数字图像予以识别。遥感图像分类的主要依据是的光谱特征， 即地物电磁波的多波段测量值，将其作为遥感图像分类的原始特征变量。然而由于大自 然中存在着大量异物同谱和同物异谱的现象，在一些情况下，仅仅利用光谱信息不能够 把各类地物完全区分开，引入空间结构信息和空间相关性信息来提高分类精度是非常必 要的。目前，在光谱信息的基础上考虑空间信息或者图像形态的分类方法主要有上下文 分类方法、纹理特征分类方法和利用传统地质统计学分类方法等。这些方法广泛使用， 在一定程度上有效提高了分类精度。但它们也有各自的局限性，比如，上下文分类的方 法考虑临近像元趋于相同或相近的地物类别，通过这种统计意义上的相互依赖关系引入 结构信息，这种方法没有考虑到大尺度上的空间关系；纹理特征分类需要地物的大量重 现，比如森林，农田等等成片出现的地物。传统地质统计学分类方法虽不受尺度的影响， 但对于具有复杂结构的地物类别描述是不够的.而多点地质统计学的特性为解决上述问题提供了一种新的途径。自从19世纪60年代Matheron教授创立了地质统计学以来，地质统计学广泛的应 用于地理学、生态学、环境科学、土壤学等诸多领域的研究中。所有这些应用都是基于 变差函数的，但是变差函数只能反映出两点间的空间相关性，难于表征复杂的空间结构 和再现复杂目标的几何形态.多点地质统计学是相对于基于变差函数的传统地质统计学 而言的，由Guardiano和Srivastava于1993年提出，其后，Journel， Strebelle， Zhang 和Switzer等在此基础上不断地改进。多点模拟(multiple-point simulation—MPS) 是其计算机实现的主要算法，它的主要思想是使用训练图像来代替变异函数表达地物结 构信息和空间自相关性信息，因而克服了传统地质统计学不能有效再现复杂地物几何形 态的不足。虽然它能够有效地再现地物的空间信息，但是该方法不是针对遥感图像分类提出的，没有考虑到遥感图像的主要信息来源光谱信息，因此本专利技术将两者结合起来， 同时充分考虑了光谱信息和空间结构信息，并且不局限于简单的地物结构，能够正确分类 具有明显结构特征的复杂地物，克服了使用传统变异函数的不足。
技术实现思路
本专利技术的技术解决问题提供， 该方法在遥感图像分类过程中有效地同时使用光谱信息和空间结构信息，克服了传统遥 感图像分类中无法有效应对同物异谱和同谱异物现象的不足，提高了分类精度。本专利技术的技术解决方案 ，包括 以下基本步骤步骤1、对遥感图像的光谱信息的像元进行MLC分类，得到每个像元对于各类别的 概率矢量；MLC是经常使用的监督分类方法之一，在很多文献中都有描述。它假定训练区地物 的光谱特征近似服从正态分布，通过求出每个像素对于各类别的归属类别，也就是像元 从属于各分类类别的后验概率，把该像素分到归属概率最大的类别中去。本专利技术首先利 用MLC分类对遥感图像的光谱信息进行分类，得到每个像素对于各类别归属的概率矢量。 步骤2、为多点模拟MPS选择样本数据为多点模拟MPS选择样本数据的方法可以有多种为比如将遥感图像MLC分类中的样本 数据作为MPS样本数据，或者是将遥感图像中较为确定的像元作为MPS的样本数据，比如设 置一个阈值0.8，凡是对于某一类别的归属概率大于这个阈值，那么就将其作为MPS的样本 数据。步骤3、根据步骤2中选定的样本数据，对于图像中每一个像元都根据其条件数据 数目，使用多点模拟方法建立概率模型并且保存概率矢量；其中的多点模拟方法可以为等间隔排序模拟方法，或SNESIM模拟算法，或神经网络多 点模拟方法。其中所述的等间隔排序方法的步骤如下(1) 根据选定的训练图像和训练模板建立搜索树；(2) 设置排序间隔N;(3) 对所有待模拟像元进行排序得到序列P，对序列P中的前N个待模拟像元在指定的 搜索范围内根据训练模板搜索其条件数据(其中初始的条件数据就是样本数据，其后每个模 拟过的像元都会作为新的条件数据加入其中)，然后再在搜索树中搜索和计算其对于各个类 别的归属概率，从而得到每个像元的分类结果的概率矢量，并且当每个像元模拟完以后都作 为剩余的未模拟像元的条件数据；元模拟完毕以后，对序列重新进行排序，并且重复步骤(3)，直 至所有的像元均模拟完毕。步骤4、采用数据融合方法将步骤2中的得到的概率矢量和步骤3中的概率矢量融 合起来数据融合方法可以采用Consensus理论的对数意见池，或线性意见池，或证据理论以 及基于统计理论的融合方法，但不局限于提到的上述方法。Consensus理论融合方法是研究如何将一组专家的各自结论协调一致的方法，它在统计 和管理科学被广泛应用。在Consensus理论中，有两个主要方法对数意见池(Logarithmic Opinion Pool-Log-OP)和线性意见池(Linear Opinion Pool-Linear-OP)。这两个方法的原 理非常简单。Log-OP的决策函数为g,w=fb，Km a)j=，Linear-OP的决策函数是g,(" = ￡;i,A( x) (2)在以上两个式子中，A(^ix)是第i个专家对x所属类别的概率估计，^,...,;^是分配 给每个专家的权重。线性意见池相对而言更为简单一些，并且当分配给每个专家的权重都是小于i的非负整 数时，能够获得结论的一种概率测度。而对数意见池，相对复杂，并且有一个专家的概率估计为0时，整个结论的概率就为0，这一点是不适合MLC+MPS方法需要的。因此本专利技术实施 例中使用的方法为基于线性意见池的Consensus理论进行融合。线性意见池数据融合的方法为有"类地物，记为q-^、，必2,…,wJ，像元x在MLC分 类结果中概率矢量为S -Ou,/^,...,;^)，并且MPS模拟得到的概率矢量为 尸2=0^，^2,...，凡》)，取MLC权重赋值为4'而MPS权重为^，融合过程如下采有公式 &.(Z) = |>,a(a|X),则对于第一类地物的归属概率为g,(x)-A/^+^/^，对于第二类地物的归属概率为&0c)-4;^+^;^,…，而对于第而对于第二类地物的归属概率为"类 地物的归属概率为= ，最后融合后的概率矢量为G = ,，g2(;0，"-，g (x)}。步骤5、在步骤4中得到结果是一个由各类别对应归属概率组成的概率矢量，在每 个像元的概率矢量中对哪一个类别的归属概率最大，就把这个像元分到相应的类别中去，从而得到最终的分类结果。本专利技术与现有技术相比的优点在于-(1) 本专利技术的既充分考虑了遥感图像的光谱信息，又考虑到了地物的空间结构信息和空 间相关性信息，且不局限于简单的地物结构，并且能够同时考虑到大尺度和小尺度的空间结 构信息，从而提高了分类精度。(2) 本专利技术首次将多点模拟的理论知识应用到遥感图像分类当中，提高了分类精度。(3) 本专利技术进行模拟时以像元为模本文档来自技高网...

【技术保护点】
一种融合光谱信息和多点模拟空间信息的分类方法，其特征在于包括以下步骤：步骤１、对遥感图像的光谱信息的像元进行ＭＬＣ分类，得到每个像元对于各类别的概率矢量；步骤２、为多点模拟ＭＰＳ选择样本数据；步骤３、根据步骤２中选定的样本数据，对于图像中每一个像元根据其条件数据数目，使用多点模拟方法建立概率模型并且保存概率矢量；步骤４、采用数据融合方法将步骤２中的得到的概率矢量和步骤３中的概率矢量融合起来；步骤５、在步骤４中，得到和结果是一个由各类别对应归属概率组成的概率矢量，在每个像元的概率矢量中对应某一类别的归属概率最大，则将这个像元分到相应的该类别中去，从而得到最终的分类结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：葛咏，白鹤翔，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：11[中国|北京]