粗糙小波粒化空间和多光谱遥感图像的分类制造技术

具有正确选择的小波基和分解级别的移位不变小波变换用于对粗糙小波颗粒加以表征，产生了针对诸如遥感图像之类的多光谱图像的特征空间的小波粒化。通过使用粒化特征空间，单独地或者组合地分析时域和/或频域中的上下文信息。在选择粒化特征的子集时采用邻居粗糙度集(NRS)，所述邻居粗糙度集还根据邻居颗粒探察局部信息和/或上下文信息。

【技术实现步骤摘要】
【国外来华专利技术】粗糙小波粒化空间和多光谱遥感图像的分类相关申请的交叉引用本申请要求2010年11月24日在印度递交的申请号为1324/K0L/2010的相应专利申请的优先权，将其全部内容合并在此作为参考。
技术介绍
除非另有声明，这一部分中所述的材料并非相对于该申请中权利要求是现有技术，并且并不承认包括在这一部分中就是现有技术。粒化计算指的是对信息粒(相似对象或点的组)执行的计算和操作。粒化计算的应用性覆盖了研究信息和知识处理的概念和计算范例。信息粒可以在空间域中专门地构建，并且应用于各个领域，包括自动目标识别、彩色图像分割和遥感图像分类。多光谱遥感图像可以包含较大范围频率变化的信息，该信息也可以随区域变化。这种数据包括具有相关频带的光谱特征和在相同频带中相关的空间特征。按照有效方式同时利用光谱和空间(上下文关系)信息可以改进分析。已经发现利用频带中局部信息的优势进行图像分类的方法具有广泛的应用，例如从角度二次矩(angular second moments)提取的纹理特征、对比度、相关度、熵和基于灰度级共生矩阵的变化。采用小波变换(WT)作为在空间(时间)和光谱(频率)域中分析图像的纹理区域的工具。因此，WT可以用于通过特征空间的小波粒化(即WT域中相似信息的分组)提取图像中像素的上下文信息。尽管移位变化WT对于各种应用相当有吸引力，WT不会如时间不变性那样保持纹理分析的不可缺少特性，并且使其不足以处理纹理分析。另外，使用WT对输入的冗余表示可能增加特征尺寸，并且在解决与模式识别、机器学习和数据挖掘相关联的任务时带来附加的复杂度。已经示出了粗糙集理论有效用于特征选择、不确定性处理、知识发现和从分类数据的规则提取。该理论使得能够发现数据相关性，并且单独使用所述数据执行数据集合中包含的属性的减少/选择，而不要求附加的信息。尽管粗糙集可以用作处理数据集合中的模糊性和不确定性以及执行粒化计算的有效工具，它们可以用于具有数据离散化的数值数据，结果可能导致信息的丢失和噪声的引入。
技术实现思路
本公开描述了一种用于执行时空模式的基于粗糙小波的分析的方法。所述方法包括产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类。本公开还描述了一种用于执行时空模式的基于粗糙小波的分析的设备。所述设备可以包括存储器，配置为存储与多光谱图像的输入模式矢量相关联的指令和数据；以及处理器，与存储器相连，其中所述处理器适用于产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类。本公开还描述了一种计算机可读存储介质，其上存储有用于执行时空模式的基于粗糙小波的分析的指令。所述指令可以包括产生与多光谱图像相关联的特征的小波粒化空间；基于粗糙集评估选择特征；去除冗余特征；和/或基于所选择的特征对模式进行分类，其中使用光谱带值作为特征。以上概述只是说明性的而不是意欲按照任何方式进行限制。除了上述说明性的方面、实施例和特征之外，另外的方面、实施例和特征通过参考以下详细描述将变得清楚明白。附图说明根据结合附图的以下描述和所附权利要求，本专利技术公开的下述和其他特征将变得更加清楚明白。应该理解的是这些附图只是描述了根据本专利技术公开的几个实施例，因此不应该看作是限制其范围，将通过使用附图利用附加的特性和细节来描述本专利技术的公开，其中图1说明了用于一级分解的二维移位变化和移位不变离散小波变化的示例流程；图2说明了用于一级分解的二维小波变换及其光谱子空间的示例；图3说明了使用WT分解利用图像的一个光谱带的特征元素产生；图4说明了对移位不变小波变换和基于邻居粗糙集的特征选择进行组合的分类过程的示例示意流程图；图5说明了使用小波变换分解利用图像的一个光谱带产生特征元素的示例；图6说明了通用计算设备，所述通用计算设备可以用于实现对移位不变小波变换和基于邻居粗糙集的特征选择进行组合的分类过程；图7是说明了可以通过例如图6中设备600的计算设备执行的多光谱图像的基于粗糙小波粒化空间的分类的示例方法的流程图；以及图8说明了示例计算机程序产品的方框图；所有都根据这里描述的至少一些实施例来布置。具体实施例方式在以下详细描述中，参考作为附图进行，所述附图形成了描述的一部分。在附图中，除非上下文另有规定，类似的符号典型地表示类似的部件。在详细描述、附图和权利要求中描述的说明性实施例并非意味着限制。在不脱离这里所展现主题的精神和范围的情况下，可以利用其他实施例或者可以进行其他变化。应该理解的是如这里一般性描述并且在附图中说明的本公开的方面可以按照多种不同的结构进行排列、替代、组合、分离和设计，这里明确地考虑了这些内容。该公开通常涉及一种与使用粗糙小波粒化空间的多光谱图像分析有关的方法、设备、系统、装置和/或计算机程序产品。简要地说，具有正确选择的小波基和分解级别的移位不变小波变换可以用于对粗糙小波颗粒加以表征，粗糙小波颗粒产生针对诸如遥感图像之类的多光谱图像的特征空间的小波粒化。通过使用粒化特征空间，可以单独地或者组合地分析时域和/或频域的上下文信息。可以在选择粒化特征的子集时采用邻居粗糙集(NRS)，所述粒化特征的子集还根据邻居颗粒探察局部和/或上下文信息。图1说明了根据这里所述至少一些实施例配置的用于一级分解的二维移位变化和移位不变离散小波变化的示例流程。数字图像处理中的图像分类基于一个或多个预定的分类准则将图像分类为不同组。可以在两个阶段执行图像分类从源图像提取图像特征以及构造图像分类器。可以将特征提取方法在三个重要类别下进行分组基于统计的方法、基于模型的方法和基于滤波器的方法。基于统计的方法使用图像统计特征(例如颜色直方图)来表示图像。基于模型的方法采用概率分布模型来描述源图像，例如马尔可夫链和/或马尔可夫随机场。基于滤波器的方法可以采用滤波器组来将源图像从空间域变换到频域或时间域，其中使用变换系数来定义图像特征。小波滤波器可以用于将源图像分解为不同的子带，其中通过小波系数对图像特征加以表征。根据一些实施例，基于粗糙小波颗粒空间的模型可以用于多光谱遥感图像或其他图像的陆地覆盖分类，其中在小波域中构建移位不变颗粒。具有正确选择的小波基和分解级别的移位不变小波变换可以用于对粗糙小波颗粒加以表征，产生了针对多光谱图像的特征空间的小波粒化。另外，可以采用NRS从邻居颗粒中选择粒化特征的子集，用于进一步检查局部和/或上下文信息。因此，根据一些实施例的模型相互地采用移位不变小波粒化和NRS，尤其在具有重叠类别的模式分类中可以提高计算的效率和精度。主要开发小波变换(WT)用于非稳定信号的分析。变换在双平面上进行，而不是在单平面(时间或频率)上进行。所述变换执行将信号分解为多个尺度，其中每一个尺度表示信号的特定粗糙度。离散WT(DWT)由于在计算上使用Mallat算法的计算高效实现以及实际通过滤波器组和门实现而变得非常流行。大体上，可以将DWT分类为移位/时间/平移变化(非冗余)和移位不变(冗余)。可以将二维(2D)移位变化DWT(SV-DWT)( 一维SV-DWT的扩展)实现为沿行(112)和列(116)方向可分离的滤波器组110，如图100所示，其执行将图像一级分解为四本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】2010.11.24 IN 1324/KOL/20101.一种用于执行时空模式的基于粗糙小波的分析的方法，所述方法包括 产生与多光谱图像相关联的特征的小波粒化空间； 基于粗糙集评估选择特征； 去除冗余特征；以及 基于所选择的特征对模式进行分类。2.根据权利要求1所述的方法，还包括使用光谱带值作为特征。3.根据权利要求1所述的方法，还包括通过在小波域中构建移位不变颗粒来产生小波粒化空间。4.根据权利要求3所述的方法，还包括通过移位不变离散小波变换S1-DWT构建移位不变颗粒，所述移位不变离散小波变换对针对多光谱图像的输入模式矢量的小波粒化的特征值加以表征。5.根据权利要求4所述的方法，还包括在第二分解之后停止S1-DWT。6.根据权利要求1所述的方法，其中所述小波粒化空间包括针对一级DWT分解的η维特征空间中的4η个颗粒。7.根据权利要求1所述的方法，其中所述小波粒化空间包括针对两级DWT分解的η维特征空间中的7η个颗粒。8.根据权利要求1所述的方法，还包括选择小波基和分解级别，以对用于产生特征空间的小波粒化的颗粒加以表征。9.根据权利要求8所述的方法，还包括采用双正交小波基。10.根据权利要求1所述的方法，其中基于粗糙集评估来选择特征包括在选择粒化特征的子集时采用邻居粗糙集NRS，所述邻居粗糙集进一步探察来自邻居颗粒的局部信息和/或上下文信息中的至少一个。11.根据权利要求10所述的方法，还包括基于所述特征的显著性来评估所述粒化特征的子集。12.根据权利要求10所述的方法，还包括采用前向贪婪搜索算法进行特征选择。13.根据权利要求10所述的方法，其中基于选择的特征对模式进行分类包括确定在NRS中使用的距离阈值，在超过所述阈值时分类性能实质下降。14.根据权利要求13所述的方法，还包括采用k-最近邻分类器、最大似然分类器和多层感知分类器之一，基于所选择的特征对模式进行分类。15.根据权利要求14所述的方法，其中k-最近邻分类器使用k= l、k = 3和k = 5之O16.根据权利要求1所述的方法，其中所述多光谱图像是遥感图像。17.一种用于执行时空模式的基于粗糙小波的分析的设备，包括 存储器，配置为存储与多光谱图像的输入模式矢量相关联的指令和数据；以及处理器，与所述存储器相连，其中所述处理器适用于执行所述指令，当执行所述指令时将处理器配置为 产生与多光谱图像相关联的特征的小波粒化空间； 基于粗糙集评估选择特征； 去除冗余特征；以及基于所选择的特征对模式进行分类。18.根据权利要求17所述的设备，其中执行基于粗糙小波的分析，以产生用于多光谱遥感图像的陆地覆盖分类的模型。19.根据权利要求17所述的设备，其中针对纹理检测和图像索引之一执行所述基于粗糙小波的分析。20.根据权利要求17所述的设备，其中通过在小波域中构建移位不变颗粒来产生小波粒化空间。21.根据权利要求20所述的设备，其中通过移位不变离散小波变换S1-DWT构建移位不变颗粒，所述移位不变离散小波变换对用于多光谱图像的输入模式矢量的小波粒化的特征值加以表征。22.根据权利要求21所述的设备，其中所述处理器还配置为在第二分解之后停止S1-DffTo23.根据权利要求17所述的设备，其中所述小波粒化空间组成针对一级DWT分解的η维特征空间中的4η个颗粒。24.根据权利要求17所述的设备，其中所述小波粒化空间组成针对两级DWT分解的η维特征空间中的7η个颗粒。25.根据权利要求17所述的设备，其中所述处理器还配置为选择小波基和分解级别，以对用于产生特...

【专利技术属性】
技术研发人员：桑克·库马·帕尔，桑罗·库马·梅耶，
申请(专利权)人：印度统计学院，
类型：
国别省市：