粗糙小波粒化空间和多光谱遥感图像的分类

摘要

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。

说明书

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/KOL/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。

背景技术

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。

发明内容

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，本发明公开的下述和其 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 发明公开的几个实施例，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发明的公开，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个相等子带中的4 个子图像。

滤波器组110中的H和L分别表示高通滤波器和低通滤波器，↓2(114 和118)部件表示因子为2的下采样操作(抽取)。近似图像LL(119)是沿 行(112)和列(116)方向通过输入的低通滤波获得的低频分量。细节 图像LH、HL和HH分别是包括水平、垂直和对角信息的高频分量。对于更 多级别的DWT分解，可以递归地处理低频分量(LL)。利用这种过程，具 有Q个级别分解的SV-DWT可以产生总共3Q+1个子带。

滤波器组120是移位不变DWT(SI-DWT)的示例，其中不在行(122) 和列(124)滤波器级中执行下采样。代替地，通过低通和高通路径(126 和128)使得下一级(125)的输入经历上采样。

图2说明了根据这里所述至少一些实施例的用于一级分解的二维小 波变换及其光谱子空间的示例。SV-DWT可以支持级之间没有实质上损耗 或者冗余信息的压缩。然而，时间可能在SV-DWT中变化(即，延迟信息 的系数不是那些原始信息的时移版本)，这可能导致在诸如遥感图像中的 陆地覆盖之类的纹理分析中性能退化。

另一方面，如上所述，移位不变DWT(SI-DWT)执行无需下采样操 作的分解，并且对滤波器系数(L和H)执行因子2的上采样(↑2)，用于下 一级分解。结果，SI-DWT可以提供输入的移位不变表示。与2D SV-DWT 类似，2D SI-DWT利用一级分解将原始频带分解为4个相等的子带(LL 240、 LH238、HL234和HH 236)。图200说明了具有示出ω_horizontal 230的水平轴和示 出ω_vertical 232的垂直轴的相应频率划分。通过SV-DWT获得的子图像的大小 会随着分解级别的增加而减小，而使用SI-DWT，它们的大小可以保持与 原始图像相同。

图3说明了根据这里描述的至少一些实施例使用WT分解利用图像的 一个光谱带产生特征元素。

在一些示例实现中，可以将光谱(频带)值用作多光谱遥感图像342 的特征。最多到所需级别(级别1至Q)，执行图像342的DWT分解344，并 且可以获得相应的子图像346、348。因为不同级别处子图像的像素表示 原始像素的信息，这些像素值可以用于构建模式矢量。然后可以将子图 像级联，使得可以获得原始多光谱图像的提取特征。图300示出了通过Q 级DWT分解获得的单一频带图像的子图像346、348的级联。可以针对多频 带图像的子图像扩展所述级联过程。

图4说明了根据这里所述的至少一些实施例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。如 在图400中概括地说明，根据一些实施例的图像分类可以在三个阶段执 行：根据输入模式产生小波粒化的特征空间(452)；使用粗糙集或邻居 粗糙集去除冗余特征(454)；以及基于所选择的特征进行分类(456)。

根据一些实施例，SI-DWT可以用于对多光谱遥感图像的输入模式矢 量的小波粒化中的特征值加以表征。SI-DWT同时识别事件的尺度和空间 信息以建立颗粒空间，利用重叠分类增强了针对数据集的分类。基于分 解级别的个数，可以由相应个数的相等面积频率平面表示输入特征空间 的每一个，从而产生了时间-频率平面中的小波颗粒。整体来说，粒化特 征空间可以组成分别针对一级和两级DWT分解的n维特征空间的4ⁿ和7ⁿ个 颗粒。

分解级别依赖于需要的类型并且随着正在进行的图像处理而变化。 可以计算平均熵，提供针对每一个级别的图像的信息的测量。平均熵值 可能在一定级别的分解之后不会实质性变化。因此可以在几个级别之后 停止所述分解，例如在第二级别之后。在该级别之后，计算成本继续增 加，同时不能获得实质上的新信息。可以利用使用正交基础的DWT分解以 及使用双正交基础的进一步改进来保留类似不同尺度下的时空几何信息 和能量的各种可区分特性(通常称作遥感图像中的陆地覆盖的标志)。因 此，可以在根据一些实施例的图像处理系统中采用小波基的双正交组。

双正交基可以比正交基更加可取，这是因为双正交基可以保持具有 有限个数的脉冲响应的线性行为特性，并且小波具有较高的规律性。在 小波粒化处理中，可以沿轴由表征7个小波颗粒的7个子带来表示每一个 特征值，结果增加了特征尺寸。增加的尺寸可能增加某些模式识别任务 的复杂度，如在遥感图像的陆地覆盖分类中。因此，可以选择相关和非 冗余特征的子集。根据其他实施例，可以在所述处理的第二操作中采用 基于邻居粗糙集(NRS)的特征选择方法。NRS可以处理数值数据和分类 数据两者，并且不要求数值数据的任何离散化。此外，邻居集便于通过 邻居颗粒收集可能的局部信息，提供增强的分类区别信息。因此，通过 利用移位不变小波粒化和NRS特征选择方法的组合的优点，增强的框架结 构可以提供重叠分类环境中模式的分类。

粗糙集创建了对象的近似描述用于数据分析。在计算粗糙集时，可 以确定下近似和上近似。下近似是域对象的描述，已知其一定程度上属 于感兴趣的子集，并且上近似是对象的描述，其可能并且明确地属于所 述子集。粗糙集可以用于去除冗余条件特征，同时保持它们的信息内容， 并且单独地使用所述数据而无需附加的信息就使得能够实现数据相关性 的发现以及在数据集中包含的特征子集的选择。根据一些示例，粗糙集 可以使用等价关系基于特征集来对对象空间进行划分。这样产生的划分 空间也称为颗粒。所产生的颗粒可以成为用于数据分析的信息粒化处理 的基本构件。然后可以通过当从所述集合去除特征时对依赖性的变化进 行评估来确定显著性的度量。依赖性的变化越大，具体特征的显著性越 高。基于这种显著性，可以搜索和定位最小元素特征子集。

对于计算和资源管理的效率，快速约简(quickreduct)算法可以 用于大数据集。快速约简算法计算最小元素特征集合，而不会无穷尽地 产生所有可能的子集。可以通过将由属性集产生的等价关系进行比较来 实现属性的约简。可以去除属性，使得约简集合提供与原始集合相同的 判决特征的预测能力。将约简定义为条件属性集C的最小集势 (cardinality)Rmin的子集，使得γR(D)＝γC(D)。此外，可以在快速 约简算法中引入修剪的元素。通过留意任意预先发现约简的集势，如果 当前可能的子集包含更多元素则忽略当前可能的子集。然后可以将所选 择的特征用于分类过程。

基于特征的显著性，可以使用根据另外实施例的邻居粗糙集理论来 评估特征的子集(约简)。可以基于显著性获得一个或多个合适的约简集 合。前向贪婪搜索算法可以用于使用邻居粗糙集的特征选择。

在选择特征之后，分类器可以用于基于所选择的特征对输入模式进 行分类。根据一些实施例，也可以确定在NRS中使用的针对各种距离的阈 值，分类性能在超过所述阈值时性能实质下降。粗糙集理论特征选择方 法的包括不但可以增加图像处理系统的性能，而且减小了针对基于小波 的分类所需要的计算时间。除了多光谱遥感图像分类之外，这里描述的 模型可以用于其它时空模式的分析，例如扩增现实(Argumented  Reality)应用的纹理分析。

与基于粗糙小波粒化和特征选择的模型相比较，利用针对k-最近邻 分类器(k-NN，其中k＝1)的(根据训练和测试时间的综合获得的)总计 算时间、小波粒化和k-NN分类器(其中k＝1)、利用基于粗糙集特征选择 和k-NN分类器(其中k＝1)的小波粒化以及利用基于NRS特征选择和k-NN 分类器(其中k＝1)的小波粒化的比较分析演示了针对基于小波粒化模型 的总计算时间值较高，但是精度减小。

如上所述四个模型的增益的百分比也示出了利用基于NRS的特征选 择和k-NN分类器(其中k＝1)的小波粒化提供了附加的精度。实施例不局 限于利用基于NRS的特征选择和k-NN分类器(其中k＝1)的小波粒化。也 可以在所述处理的第三操作中采用诸如k-NN(k＝3)、k-NN(k＝5)、最大 似然(ML)分类器或多层感知(MLP)之类的其他分类器。还可以给予实 验性说明使用基于NRS的特征选择和分类器的小波粒化的模型与上述其 他模型相比具有较高的效率和精度。

图5说明了根据这里所述的至少一些实施例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500显示了针对二维(F1和F2) 特征空间566中的一级DWT分解所产生的小波颗粒的绘图视图。例如，颗 粒个数7(568)分别由原始频率平面564和562的频率平面P¹₃和P²₂加以表 征。整体来看，粒化的特征空间分别针对一级和两极DWT分解组成了n维 特征空间中的4ⁿ和7ⁿ个颗粒。

基于分解级别的个数，输入特征空间的每一个可以由相应个数的相 等面积频率平面(例如562、564)表示，从而产生了时间频率平面中的 小波颗粒。

图6说明了根据这里所述至少一些实施例的通用计算设备，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。在非常基本的配置602中，计算设备600典型地包 括一个或多个处理器604和系统存储器606。存储器总线608可以用于在处 理器604和系统存储器606之间通信。

根据所期望的配置，处理器604可以是任意类型的，包括但不限于 微处理器(μP)、微控制器(μC)、数字信号处理器(DSP)或其任意组 合。处理器604可以包括一级或多级缓存(例如，一级高速缓存612)、 处理器核614、以及寄存器616。示例处理器核614可以包括算术逻辑单 元(ALU)、浮点单元(FPU)、数字信号处理核(DSP核)或其任意组合。 示例存储器控制器618也可以与处理器604一起使用，或者在一些实施 方式中，存储器控制器618可以是处理器604的内部部件。

根据所期望的配置，系统存储器606可以是任意类型的，包括但不 限于易失性存储器(如RAM)、非易失性存储器(如ROM、闪存等)或其任 意组合。系统存储器606可以包括操作系统620、一个或多个应用程序622 和程序数据624。应用程序622可以包括小波计算模块626，所述小波计算 模块626配置为通过以下步骤执行时空模式的基于粗糙小波的分析：产生 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，以及上述其他处理、方法和功能。程序数 据624可以包括结合至少图1至图5如上所述的分析数据628(例如图像数 据等)和类似数据的一个或多个。这种数据对于处理如这里所述的遥感 图像和类似图像是有用的。在一些实施例中，应用程序622可以设置为在 操作系统620上以程序数据624进行操作，使得如这里所述地调度开关量。 这里所描述的基本配置602在图6中由虚线内的部件来图示。

计算设备600可以具有额外特征或功能以及额外接口，以有助于基 本配置602与任意所需设备和接口之间进行通信。例如，总线/接口控制 器630可以有助于基本配置602与一个或多个数据存储设备632之间经 由存储接口总线634进行通信。数据存储设备632可以是可拆除存储设 备636、不可拆除存储设备638或其组合。可拆除存储设备和不可拆除 存储设备的示例包括磁盘设备(如软盘驱动器和硬盘驱动器(HDD))、光 盘驱动器(如紧致盘(CD)驱动器或数字通用盘(DVD)驱动器)、固态 驱动器(SSD)以及磁带驱动器，这仅仅是极多例子中的一小部分。示例 计算机存储介质可以包括以任意信息存储方法和技术实现的易失性和非 易失性、可拆除和不可拆除介质，如计算机可读指令、数据结构、程序 模块或其他数据。

系统存储器606、可拆除存储设备636和不可拆除存储设备638均 是计算机存储介质的示例。计算机存储介质包括但不限于RAM、ROM、 EEPROM、闪存或其他存储器技术，CD-ROM、数字多功能盘(DVD)或其他 光存储设备，磁盒、磁带、磁盘存储设备或其他磁存储设备，或可以用 于存储所需信息并可以由计算设备600访问的任意其他介质。任何这种 计算机存储介质可以是设备600的一部分。

计算设备600还可以包括接口总线640，以有助于各种接口设备(例 如，输出设备642、外围设备接口644和通信接口666)经由总线/接口 控制器630与基本配置602进行通信。示例输出设备642包括图形处理 单元648和音频处理单元650，其可被配置为经由一个或多个A/V端口 652与多种外部设备(如显示器或扬声器)进行通信。示例外围设备接 口644包括串行接口控制器654或并行接口控制器656，它们可被配置 为经由一个或多个I/O端口658与外部设备(如输入设备(例如，键盘、 鼠标、笔、语音输入设备、触摸输入设备等))或其他外围设备(例如， 打印机、扫描仪等)进行通信。示例通信设备666包括网络控制器660， 其可以被设置为经由一个或多个通信端口664与一个或多个其他计算设 备662通过网络通信链路进行通信。

网络通信链路可以是通信介质的一个示例。通信介质典型地可以由 调制数据信号(如载波或其他传输机制)中的计算机可读指令、数据结 构、程序模块或其他数据来体现，并可以包括任意信息传送介质。“调制 数据信号”可以是通过设置或改变一个或多个特性而在该信号中实现信 息编码的信号。例如，但并非限制性地，通信介质可以包括有线介质(如 有线网络或直接布线连接)、以及无线介质(例如声、射频(RF)、微波、 红外(IR)和其他无线介质)。这里所使用的术语计算机可读介质可以包 括存储介质和通信介质。

计算设备600可以实现为物理服务器、虚拟服务器、计算云或包括 上述功能任一个在内的混合设备的一部分。计算设备600也可以实现为 包括膝上型计算机和非膝上型计算机配置两者在内的个人计算机。此外， 计算设备600可以实现为网络化系统或者通用或专用服务器的一部分。

针对包括计算设备800在内的网络化系统的网络可以包括服务器、 客户端、开关、路由器、调制解调器、因特网业务提供商和任意合适的 通信介质(例如有线或无线通信)的任意拓扑。根据实施例的系统可以 具有静态或动态网络拓扑。网络可以包括诸如企业网(例如LAN、WAN 或WLAN)之类的安全网络、诸如开放无线网(例如IEEE 802.11无线网 络)之类的非安全网络、或者万维网(例如，因特网)。网络也可以包括 适用于一起操作的多个不同网络。这些网络配置为提供这里所述的节点 之间的通信。作为示例并且不局限于此，这些网络可以包括诸如声学、 RF、红外和其他无线介质之类的无线介质。另外，所述网络可以是相同 网络或分离网络的一部分。

示例实施例也包括方法。这些方法可以按照任意多种方式实现，包 括这里所述的结构。一个这种方式是在本公开中描述的类型的电子设备 的机器操作。另一种可选方式是针对结合一个或多个人操作者执行的方 法的单独操作的一个或多个，人操作者执行一些操作、而其他操作由机 器执行。这些人操作者不需要彼此配置，但是每一个人只可以具有执行 程序一部分的机器。在其他示例中，例如可以通过预先选择的机器自动 化准则来使得人的交互作用自动化。

图7使说明了根据这里描述的至少一些实施例的示例方法的流程 图，用于可以由控制器设备700执行的多光谱图像的基于粗糙小波颗粒 空间的分类。例如，控制器设备710可以是图6的计算设备600。可以 将模块722至726中描述的操作存储为计算机可读介质720中的计算机 可执行指令，例如计算设备600的驱动器640。

多光谱图像的基于粗糙小波颗粒空间的分类过程可以开始于操作 722，“产生基于小波的颗粒”。在操作722，可以使用小波域中的移位不 变颗粒，通过SI-DWT对多光谱图像的输入模式矢量进行变换。基于所实 现的分解级别的个数，输入特征空间的每一个可以由在时间-频率平面内 产生小波颗粒的相应个数的相等面积频率平面来表示。

操作722之后可以是操作724，“使用邻居粗糙集选择特征”。在操 作724，可以采用粗糙集理论和快速约简算法来选择特征。因为可以找 到满足准则的多个特征集，可以在选择粒化特征的子集使采用NRS，选 择粒化特征的子集进一步根据邻居颗粒探察局部/上下文信息。

在操作724之后的操作726“基于所选择的特征进行分类”处，分 类器可以用于基于在操作724选择的特征来对输入模式进行分类。分类 器可以包括k-NN分类器(其中k＝1、3或5)、最大似然(ML)分类器、 多层感知(MLP)或类似的分类器。

在上述过程中包括的操作时用于说明的目的。多光谱图像的基于粗 糙小波颗粒空间的分类可以通过具有更少或附加操作的类似过程来实 现。在一些示例中，所述操作可以按照不同的顺序执行。在一些其他示 例中，可以消除各种操作。在其他示例中，可以将各种操作划分为附加 的操作，或者组合在一起成为更少的操作。

图8说明了根据这里描述至少一些实施例设置的示例计算机程序产 品的方框图。在一些示例中，如图8所示，计算机程序产品800包括信 号承载介质802，信号承载介质802还可以包括机器可读指令804，例如 当通过处理器执行所述机器可读指令时可以提供相对于图6如上所述的 功能。因此例如参考计算设备600，调度模块626可以响应于通过介质 802传达给处理器604的指令804而承担图8所示任务的一个或多个， 以执行与如这里所述的针对输入队列开关的基于差分框架结构的调度相 关联的动作。那些指令的一些可以与小波粒化、基于邻居粗糙集的特征 选择以及基于所选择特征的分类相关联。

在一些实现中，图8所示的信号承载介质802可以包括计算机可读 介质806，例如但是不局限于硬盘驱动器、紧凑盘(CD)、数字通用盘 (DVD)、数字磁带、存储器等。在一些实现中，信号承载介质802可以 包括可记录介质808，例如但是不局限于存储器、读/写(R/W)CD、R/W DVD等。在一些实现中，信号承载介质802可以包括通信介质810，例如 但是不局限于数字和/或模拟通信介质(例如，光线光缆、波导、有线通 信链路、无线通信链路等)。因此例如，可以通过RF信号承载介质将程 序产品800传达给处理器810的一个或多个模块，其中通过无线通信介 质810(例如，符合IEEE 802.11标准的无线通信介质)传达所述信号 承载介质802。

本公开提出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。

根据一些示例，所述方法还可以包括使用光谱带值作为特征，或者 通过在小波域中构建移位不变颗粒来产生小波粒化空间。此外，所述方 法还可以包括通过移位不变离散小波变换(SI-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。可以在第二分解之后停止SI-DWT。

根据其他示例，所述小波粒化空间组成针对一级DWT分解的n维特征 空间中的4ⁿ个颗粒，或者针对两级DWT分解的n维特征空间中的7ⁿ个颗粒。 所述方法还可以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。可以采用双正交小波基，并且基于粗糙集评 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 述粒化特征的子集还根据邻居颗粒获得局部信息和/或上下文信息的至 少一个。

根据另外的示例，可以基于所述特征的显著性来评估粒化特征的子 集。可以采用前向贪婪搜索算法用于特征选择。此外，可以通过确定在 NRS中使用的距离阈值来基于选择的特征对模式进行分类，分类性能在超 过所述阈值时实质下降。另外，k-最近邻分类器、最大似然分类器或多 层感知分类器可以用于基于所选择的特征对模式进行分类。在k-最近邻 分类器的情况下，k值可以是1、3或5。同样，多光谱图像可以是遥感图 像。

本公开还提出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：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。

根据一些示例，可以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。可以针对纹理检测或图像索引之一执 行所述基于粗糙小波的分析。可以通过在小波域中构建移位不变颗粒来 产生小波粒化空间。另外，通过移位不变离散小波变换(SI-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。处理器还可以配置为在第二分解 之后停止SI-DWT。利用这种方法，小波粒化空间组成针对一级DWT分解的 n维特征空间中的4ⁿ个颗粒，或者针对两级DWT分解的n维特征空间中的7ⁿ个颗粒。

根据其他示例，处理器还可以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，并且采用双正交小波基。处理 器还可以在选择粒化特征的子集时采用邻居粗糙集(NRS)，粒化特征的 子集还根据邻居颗粒获得局部信息和/或上下文信息。处理器还可以基于 所述特征的显著性来评估粒化特征的子集，并且使用光谱带值作为特征。

根据另外的示例，处理器可以采用前向贪婪搜索算法用于特征选 择，并且确定在NRS中使用的距离阈值，分类性能在超过所述阈值时实质 下降。处理器可以采用k-最近邻分类器、最大似然分类器和多层感知分 类器之一，以基于所选择的特征对模式进行分类，其中在k-最近邻分类 器的情况下，k可以是值1、3或5。

本公开还提出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，其中光谱带值可以 用作特征。

在系统方案的硬件和软件实现方式之间存在一些小差别；硬件或软 件的使用一般(但并非总是，因为在特定情况下硬件和软件之间的选择 可能变得很重要)是一种体现成本与效率之间权衡的设计选择。可以各 种手段(例如，硬件、软件和/或固件)来实施这里所描述的工艺和/或 系统和/或其他技术，并且优选的工艺将随着所述工艺和/或系统和/或其 他技术所应用的环境而改变。例如，如果实现方确定速度和准确性是最 重要的，则实现方可以选择主要为硬件和/或固件配置的手段；如果灵活 性是最重要的，则实现方可以选择主要是软件的实施方式；或者，同样 也是可选地，实现方可以选择硬件、软件和/或固件的特定组合。

以上的详细描述通过使用方框图、流程图和/或示例，已经阐述了 设备和/或工艺的众多实施例。在这种方框图、流程图和/或示例包含一 个或多个功能和/或操作的情况下，本领域技术人员应理解，这种方框图、 流程图或示例中的每一功能和/或操作可以通过各种硬件、软件、固件或 实质上它们的任意组合来单独和/或共同实现。在一个实施例中，本公开 所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列 (FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而，本领 域技术人员应认识到，这里所公开的实施例的一些方面在整体上或部分 地可以等同地实现在集成电路中，实现为在一台或多台计算机上运行的 一个或多个计算机程序(例如，实现为在一台或多台计算机系统上运行 的一个或多个程序)，实现为在一个或多个处理器上运行的一个或多个程 序(例如，实现为在一个或多个微处理器上运行的一个或多个程序)，实 现为固件，或者实质上实现为上述方式的任意组合，并且本领域技术人 员根据本公开，将具备设计电路和/或写入软件和/或固件代码的能力。

本公开不限于在本申请中描述的具体示例，这些具体示例意在说明 不同方案。本领域技术人员清楚，不脱离本公开的精神和范围，可以做 出许多修改和变型。本领域技术人员根据之前的描述，除了在此所列举 的方法和装置之外，还可以想到本公开范围内功能上等价的其他方法和 装置。这种修改和变型应落在所附权利要求的范围内。本公开应当由所 附权利要求的术语及其等价描述的整个范围来限定。应当理解，本公开 不限于具体方法、材料和配置，这些都是可以改变的。还应理解，这里 所使用的术语仅用于描述具体示例的目的，而不应被认为是限制性的。

此外，本领域技术人员将认识到，本公开所述主题的机制能够作为 多种形式的程序产品进行分发，并且无论实际用来执行分发的信号承载 介质的具体类型如何，本公开所述主题的示例性实施例均适用。信号承 载介质的示例包括但不限于：可记录型介质，如软盘、硬盘驱动器、紧 致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等；以及传输 型介质，如数字和/或模拟通信介质(例如，光纤光缆、波导、有线通信 链路、无线通信链路等)。

本领域技术人员应认识到，上文详细描述了设备和/或工艺，此后 使用工程实践来将所描述的设备和/或工艺集成到数据处理系统中是本 领域的常用手段。也即，这里所述的设备和/或工艺的至少一部分可以通 过合理数量的试验而被集成到数据处理系统中。本领域技术人员将认识 到，典型的数据处理系统一般包括以下各项中的一项或多项：系统单元 外壳；视频显示设备；存储器，如易失性和非易失性存储器；处理器， 如微处理器和数字信号处理器；计算实体，如操作系统、驱动程序、图 形用户接口、以及应用程序；一个或多个交互设备，如触摸板或屏幕； 和/或控制系统，包括反馈环和控制电机(例如，用于调节特征选择参数)。

典型的数据处理系统可以利用任意合适的商用部件(如数据计算/ 通信和/或网络计算/通信系统中常用的部件)予以实现。本公开所述的 主题有时说明不同部件包含在不同的其他部件内或者不同部件与不同的 其他部件相连。应当理解，这样描述的架构只是示例，事实上可以实现 许多能够实现相同功能的其他架构。在概念上，有效地“关联”用以实 现相同功能的部件的任意设置，从而实现所需功能。因此，这里组合实 现具体功能的任意两个部件可以被视为彼此“关联”从而实现所需功能， 而无论架构或中间部件如何。同样，任意两个如此关联的部件也可以看 作是彼此“可操作地连接”或“可操作地耦合”以实现所需功能，且能 够如此关联的任意两个部件也可以被视为彼此“能可操作地耦合”以实 现所需功能。能可操作地耦合的具体示例包括但不限于物理上可配对和/ 或物理上交互的部件，和/或无线交互和/或可无线交互的部件，和/或逻 辑交互和/或可逻辑交互的部件。

至于本文中任何关于多数和/或单数术语的使用，本领域技术人员 可以从多数形式转换为单数形式，和/或从单数形式转换为多数形式，以 适合具体环境和应用。为清楚起见，在此明确声明单数形式/多数形式可 互换。

本领域技术人员应当理解，一般而言，所使用的术语，特别是所附 权利要求中(例如，在所附权利要求的主体部分中)使用的术语，一般 地应理解为“开放”术语(例如，术语“包括”应解释为“包括但不限 于”，术语“具有”应解释为“至少具有”等)。本领域技术人员还应理 解，如果意在所引入的权利要求中标明具体数目，则这种意图将在该权 利要求中明确指出，而在没有这种明确标明的情况下，则不存在这种意 图。例如，为帮助理解，所附权利要求可能使用了引导短语“至少一个” 和“一个或多个”来引入权利要求中的特征。然而，这种短语的使用不 应被解释为暗示着由不定冠词“一”或“一个”引入的权利要求特征将 包含该特征的任意特定权利要求限制为仅包含一个该特征的实施例，即 便是该权利要求既包括引导短语“一个或多个”或“至少一个”又包括 不定冠词如“一”或“一个”(例如，“一”和/或“一个”应当被解释为 意指“至少一个”或“一个或多个”)；在使用定冠词来引入权利要求中 的特征时，同样如此。另外，即使明确指出了所引入权利要求特征的具 体数目，本领域技术人员应认识到，这种列举应解释为意指至少是所列 数目(例如，不存在其他修饰语的短语“两个特征”意指至少两个该特 征，或者两个或更多该特征)。

另外，在使用类似于“A、B和C等中至少一个”这样的表述的情况 下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解 释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具 有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、 和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个” 这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表 述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包 括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A 和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应 理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论 是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项 目之一、这些项目任一方、或两个项目的可能性。例如，短语“A或B” 应当被理解为包括“A”或“B”、或“A和B”的可能性。

另外，在以马库什组描述本公开的特征或方案的情况下，本领域技 术人员应认识到，本公开由此也是以该马库什组中的任意单独成员或成 员子组来描述的。

本领域技术人员应当理解，出于任意和所有目的，例如为了提供书 面说明，这里公开的所有范围也包含任意及全部可能的子范围及其子范 围的组合。任意列出的范围可以被容易地看作充分描述且实现了将该范 围至少进行二等分、三等分、四等分、五等分、十等分等。作为非限制 性示例，在此所讨论的每一范围可以容易地分成下三分之一、中三分之 一和上三分之一等。本领域技术人员应当理解，所有诸如“直至”、“至 少”、“大于”、“小于”之类的语言包括所列数字，并且指代了随后可以 如上所述被分成子范围的范围。最后，本领域技术人员应当理解，范围 包括每一单独数字。因此，例如具有1～3个单元的组是指具有1、2或 3个单元的组。类似地，具有1～5个单元的组是指具有1、2、3、4或5 个单元的组，以此类推。

尽管已经在此公开了多个方案和实施例，但是本领域技术人员应当 明白其他方案和实施例。这里所公开的多个方案和实施例是出于说明性 的目的，而不是限制性的，本公开的真实范围和精神由所附权利要求表 征。