一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法

摘要

本发明涉及一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法，其步骤：建立遥感图像土地利用场景分类训练集；将训练集中的场景图像转换为灰度图像并进行二维小波分解；对转换后的灰度图像和二维小波分解后的子图像分别进行规则格网采样并提取SIFT特征，通过聚类生成各自独立的通用视觉词汇表；对训练集中每一幅图像进行视觉单词映射得到视觉词包特征；将训练集中每幅图像的视觉词包特征和它对应的场景类别编号作为训练数据，运用SVM算法生成分类模型；根据分类模型对任意一幅场景图像分类。本发明很好地解决了已有的基于视觉词包模型的场景分类方法对遥感图像纹理信息考虑不足的问题，可有效提高场景分类的精度。

说明书

技术领域

本发明涉及遥感图像场景分类技术领域，具体的说是一种基于二维小波分解及视觉词包模型的遥感图 像土地利用场景分类方法。

背景技术

随着遥感技术的发展，空间、时间分辨率的提高，遥感图像，尤其是高空间分辨率遥感图像数据量急 速增加，使得图像中土地利用场景包含多种类型的土地覆盖类型。在这种情况下，利用人工目视解译的方 法进行遥感图像土地利用场景的分类需要大量时间和工作量，有限的专家也不能及时对海量数据进行处 理。鉴于目视解译存在的不足，利用计算机技术进行自动化、智能化的土地利用场景分类成为当前遥感领 域的一个研究热点。

针对遥感图像土地利用场景的分类，传统的方法通常采用颜色、纹理、形状等低层特征建立遥感图像 土地利用场景模型，利用分类器对场景的高层信息进行推导。然而，采用基于低层特征描述的土地利用场 景分类方法由于缺乏中间语义的图像表示，所以泛化性差，很难用于处理训练集以外的场景图像。为了克 服遥感图像低层视觉特征与高层语义之间的鸿沟，基于中层特征对土地利用场景语义建模描述的方法逐渐 得到广泛的关注。尤其是近年来的视觉词包(bag-of-visual-words，BOVW)模型在图像分析和图像分类的 应用中取得了巨大成功，成为一种新的、有效的图像内容表达的研究思路，并在遥感图像土地利用场景分 类中取得了一定成果。视觉词包模型的优点在于无需分析场景图像中的具体目标组成，而是应用图像场景 的整体统计信息，将量化后的图像低层特征视为视觉单词，通过图像的视觉单词分布来表达图像场景内容， 为图像场景分类提供基础数据。

传统的视觉词包模型对于图像场景中的空间信息考虑不足，不少学者提出了一系列改进的方法，其中 比较有代表性的方法有：基于空间金字塔匹配(Spatial Pyramid Matching，SPM)的视觉词包模型(参考文 献：Svetlana Lazebnik，Cordelia Schmid and Jean Ponce，“Beyond bags of features：spatial pyramid matching for  recognizing natural scene categories”，2006IEEE Computer Society Conference on Computer Vision and Pattern  Recognition，2006，pp.2169-2178.[斯维特拉娜·雷斯伯尼克，科迪莉亚·施密德，杰·帮塞，“超越视觉词包： 基于空间金字塔匹配的自然场景类别识别”，2006年IEEE计算机学会计算机视觉与模式识别会议，2006， 2169-2178.])，基于多分辨率表达的视觉词包模型(参考文献：Li Zhou，Zongtan Zhou and Dewen Hu，“Scene  classification using a multi-resolution bag-of-features model”，Pattern Recognition，2013，vo1.46，no.1，pp. 424-433.[周立，周宗谭，胡德文，“基于多分辨率视觉词包模型的场景分类”，模式识别，2013，第46卷， 第1期，424-433.])，以及基于空间共生核的视觉词包模型(参考文献：Yi Yang and Shawn Newsam， “Bag-Of-Visual-Words and Spatial Extensions for Land-Use Classification”，ACM International Conference on  Advances in Geographic Information Systems，2010，pp.270-279.[杨毅，肖恩·纽萨姆，“基于视觉词包和空间 扩展的土地利用分类”，ACM地理信息系统进展国际会议，2010，270-279.])等。虽然这些方法在图像的 场景分类中取得了不错的结果，但是这些方法所考虑的空间信息只是图像场景的全局的空间分布信息，对 遥感图像丰富的纹理信息考虑不充分，造成了利用上述视觉词包模型方法进行遥感图像土地利用场景分类 时信息利用度不足的问题。

发明内容

针对上述现有技术在进行遥感图像土地利用场景分类时存在的问题，本发明要解决的技术问题是如何 利用遥感图像中丰富的纹理信息，结合土地利用场景的空间分布来进行遥感图像土地利用场景分类。本发 明提供一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法，首先将土地利用遥感场 景图像转换为灰度图像，并进行二维小波分解，然后对原灰度图像和分解后的子图像采用密集规则格网采 样的方式提取局部特征，之后利用K均值聚类分别对原灰度图和分解后的子图像采样生成的局部特征进行 独立的聚类并生成各自的视觉词汇表，同时基于各自的视觉词汇表得到场景图像的最终的视觉词包特征表 示，最后采用支持向量机(Support Vector Machine，SVM)分类土地利用遥感场景图像。本发明通过利用 二维小波分解方法在视觉词包模型构建中加入了土地利用场景图像的纹理信息，弥补了现有基于视觉词包 的场景分类方法对遥感图像纹理信息利用度不足的问题，提高了分类正确率。

本发明的技术方案提供的一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法， 其特征在于包括以下实施步骤：

(1)建立遥感图像土地利用场景分类训练集；

(2)将遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像，并进行二维小波分解；

(3)对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行规则格网采样并提 取尺度不变特征(Scale Invariant Feature Transform，SIFT)；

(4)对遥感图像土地利用场景分类训练集中的所有图像，将转换后的灰度遥感土地利用场景图像和 二维小波分解后不同图像的SIFT特征通过聚类生成各自独立的通用视觉词汇表；

(5)对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像进行视觉单词映射，提取 场景图像视觉词包特征；

(6)将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像对应的场景类别编 号作为训练数据，运用SVM算法生成遥感图像土地利用场景分类模型；

(7)根据遥感图像土地利用场景分类模型对任意一幅遥感土地利用场景图像进行分类。

上述实施步骤的特征在于：

步骤(1)所述的遥感图像土地利用场景分类训练集的建立包括以下步骤：

(1-1)根据实际土地利用场景类型定义C个土地利用场景类别，类别编号为1～C，C为大于0的正整 数；

(1-2)对每个土地利用场景图像类别，随机选择T幅图像作为该类别的图像场景分类训练样本，T为 正整数，取值范围为该类别图像场景分类训练样本数的1/3～1/2；

(1-3)将所有C类的土地利用场景图像的训练样本作为土地利用场景分类训练样本集。

步骤(2)所述的遥感图像土地利用场景分类训练集中的场景图像灰度转换及二维小波分解包括以下 步骤：

(2-1)对于遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像，对于遥感的全色图像， 直接取该波段；对于多光谱图像，选取其中一个波段；对于真彩色航空遥感图像，则按照V＝0.2989×R+ 0.5870×G+0.1140×B进行灰度转换，其中，V为转换后的灰度场景图像的灰度值，R为真彩色图像中红波 段的灰度值，G为真彩色图像中绿波段的灰度值，B为真彩色图像中蓝波段的灰度值；

(2-2)对遥感图像土地利用场景分类训练集中的每一幅转换后的灰度场景图像进行L级的二维小波 分解，L为正整数，建议L取1或2。对于每一级二维小波分解均会得到四幅分解后的子图像cA，cH，cV， cD，其中cA为分解后的低分辨率图像，cH为分解后水平方向的图像，cV为分解后竖直方向的图像，cD 为分解后对角线方向的图像。第1次二维小波分解对原始转换后的灰度场景图像进行，之后第K次二维小 波分解均是对第K-1次分解后得到的子图像cA，即低分辨率图像进行，K为大于2的正整数。

步骤(3)所述的对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行规则格 网采样并提取SIFT特征包括以下步骤：

(3-1)对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行规则格网采样得到 均匀的图像块，每个图像块的大小为N×N，图像块之间的间隔为M×M(当M小于N时，采样的网格会 产生重叠)，N为正整数，且为2的整数次幂，建议取值为8或16，M为正整数，建议取值为N/2；

(3-2)对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别采样所得到的图像块， 利用SIFT特征提取方法提取SIFT特征，计算图像块整个区域上的梯度方向直方图得到SIFT特征，特征 维数为128维。

步骤(4)所述的对遥感图像土地利用场景分类训练集中的所有图像，将转换后的灰度遥感土地利用 场景图像和二维小波分解后不同图像的SIFT特征通过聚类生成各自独立的通用视觉词汇表包括以下步骤：

(4.1)对遥感图像土地利用场景分类训练集中的所有转换后的灰度图像经采样和特征提取得到的 SIFT特征进行K均值聚类，将聚类得到的每一个聚类中心作为一个视觉单词，将这K个聚类中心的取值 及其对应的视觉单词编号作为转换后的灰度场景图像的通用视觉词汇表V₀。对遥感图像土地利用场景分类 训练集中的所有二维小波分解得到的不同子图像经采样和特征提取得到的SIFT特征按照同样的方法分别 进行K均值聚类，得到各自的通用视觉词汇表V_i，i为正整数，表示二维小波分解后得到的子图像的编号， 其最小值为1，最大值为二维小波分解后得到的子图像的总数。K为正整数，一般取值为50～300，建议K 取值为250。

步骤(5)所述的对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像进行视觉单词 映射，提取场景图像视觉词包特征包括以下步骤：

(5-1)对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像，采用视觉单词映射方法 将灰度变换后的灰度图像和二维小波分解后的各子图像中包含图像块的SIFT特征映射到各自对应的视觉 单词：计算灰度变换后的灰度图像中每个图像块的SIFT特征与其对应的通用视觉词汇表中的每个视觉单 词所对应特征值之间的欧式距离，找出欧式距离最小的视觉单词的编号，并将其作为相应的图像块的SIFT 特征映射结果；同样的方法，对于二维小波分解后的各子图像，分别计算各子图像中每个图像块的SIFT 特征与其各自对应的通用视觉词汇表中的每个视觉单词所对应特征值之间的欧式距离，找出欧式距离最小 的视觉单词的编号，并将其作为相应的图像块的SIFT特征映射结果；

(5-2)根据所得到的来自原始灰度遥感土地利用场景图像和二维小波分解后的子图像中包含的图像块 及其所对应的视觉单词，统计各视觉词汇表中每个视觉单词在与之相对应的灰度场景图像或二维小波分解 后的子图像区域中出现的次数，并以向量[f_l，...f_j，.._.，f_k]表示灰度场景图像的视觉词包特征描述，向量 [f_lⁱ，...，f_jⁱ，...，f_kⁱ]表示二维小波分解后的每个子图像的视觉词包特征描述，f_j表示灰度场景图像所对应的视觉 词汇表中第j个视觉单词在图像区域中出现的次数，f_jⁱ表示二维小波分解后的第i幅子图像所以应的视觉词 汇表中第j个视觉单词在图像区域中出现的次数，其中j为正整数，l≤j≤K，K为步骤(4-1)中生成的通 用视觉词汇表的大小，i为正整数，表示二维小波分解后得到的子图像的编号，最小值为1，最大值为二维 小波分解后得到的子图像的总数；

(5-3)将计算所得到的灰度场景图像和二维小波分解后的各子图像所对应的视觉词包特征描述向量进 行拼接，得到最终原始遥感土地利用场景图像的视觉词包特征描述。

步骤(6)所述的将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像对应的 场景类别编号作为训练数据，运用SVM算法生成遥感图像土地利用场景分类模型包括以下步骤：

(6-1)将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像对应的场景类别编 号作为训练数据，采用一对一SVM，在每两类不同的土地利用场景的训练样本之间都学习生成一个SVM 分类模型，最终将所有的SVM分类模型共同作为遥感图像土地利用场景分类模型。对于步骤(1)中构建 的包含C个类别的土地利用场景分类训练样本集，需要构造C(C-1)/2个SVM分类模型。

步骤(7)所述的根据遥感图像土地利用场景分类模型对任意一幅遥感土地利用场景图像进行分类包 括以下步骤：

(7-1)给定任意一幅遥感土地利用场景图像，采用步骤(5)所述的方法提取该场景图像的视觉词包 特征；

(7-2)采取投票机制，综合考虑步骤(6-1)中所有C(C-1)/2个SVM分类模型对场景图像的视觉词 包特征所属类别进行判定：有一个SVM分类模型判定场景图像的视觉词包特征属于第s类，则意味着第s 类获得了一票，最后得票数最多的类别就是该遥感土地利用场景图像所属的类别，其中，s为正整数，且 l≤s≤C。

本发明具有以下有益效果及优点

1、解决了已有的基于视觉词包模型的场景分类方法在遥感图像土地利用场景分类中对遥感图像纹理 信息考虑不足的问题，通过利用二维小波分解方法在视觉词包模型构建中加入了遥感土地利用场景图像的 纹理信息，进而提高了遥感图像中纹理信息的利用程度和分类正确率。

2、和Lazebnik等人提出的基于空间金字塔匹配的视觉词包模型，Li Zhou等人提出的基于多分辨率表 达的视觉词包模型，以及Yi Yang等人提出的基于空间共生核的视觉词包模型相比，本发明通过在步骤(2) 中二维小波分解方法的引入，不仅利用了遥感土地利用场景图像中的纹理信息，而且也利用到了二维小波 分解分解在多分辨率表达方面的特点，从而在视觉词包特征描述中同时考虑到了遥感土地利用场景图像的 空间分布和纹理信息，因此，相比于其他三种方法能得到更高的准确率。

附图说明

图1为本发明基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法流程图；

图2为本发明实施例中所采用的国际公开的标准遥感土地利用场景图像库中的样例图像；

图3为遥感土地利用场景图像灰度转换并进行二维小波分解的流程图；

图4为对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行规则格网采样并提 取SIFT特征的流程图；

图5为对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像生成各自独立的通用视觉词 汇表的流程图；

图6为提取遥感土地利用场景图像视觉词包特征的流程图；

图7为在图2所示的国际公开的标准遥感土地利用场景图像库中采用本发明进行遥感图像土地利用场 景分类的准确率示意图；

图8为采用本发明方法进行遥感图像土地利用场景分类与其他方法的性能比较。

具体实施方式

下面结合说明书附图通过实施例对本发明作进一步阐述。

图1为本发明基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法流程图，具体步骤 包括：

(1)建立遥感图像土地利用场景分类训练集；

(2)将遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像，并进行二维小波分解；

(3)对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行规则格网采样并提 取尺度不变特征(Scale Invariant Feature Transform，SIFT)；

(4)对遥感图像土地利用场景分类训练集中的所有图像，将转换后的灰度遥感土地利用场景图像和 二维小波分解后不同图像的SIFT特征通过聚类生成各自独立的通用视觉词汇表；

(5)对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像进行视觉单词映射，提取 场景图像视觉词包特征；

(6)将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像对应的场景类别编 号作为训练数据，运用SVM算法生成遥感图像土地利用场景分类模型；

(7)根据遥感图像土地利用场景分类模型对任意一幅遥感土地利用场景图像进行分类。

步骤(1)建立遥感图像土地利用场景分类训练集包括以下步骤：

(1-1)根据实际土地利用场景类型定义C(本实施例取C＝21)个土地利用场景类别，类别编号为1～C， C为大于0的正整数；

(1-2)对每个土地利用场景图像类别，随机选择T(本实施例取T＝50)幅图像作为该类别的图像场 景分类训练样本，T为正整数；

(1-3)将所有C类的土地利用场景图像的训练样本作为土地利用场景分类训练样本集，本实施例中， 一共1050幅场景图像作为遥感图像土地利用场景分类训练样本集，而每类场景中剩余的场景图像则全部 作为待分类的场景图像。

图2为本发明实施例中所采用的国际公开的标准遥感土地利用场景图像库中的样例图像，该场景库中 定义了21类土地利用场景类别，分别是农田，飞机场，棒球场，海滩，建筑物，丛林，高密度居民区， 森林，高速公路，高尔夫球场，海港，十字路口，中密度居民区，房车停放场，立交桥，停车场，河流， 飞机跑道，低密度居民区，储罐和网球场。每一个场景类别都包含100幅场景图像。

步骤(2)将遥感图像土地利用场景分类训练集中的场景图像转换为灰度图像，并进行二维小波分解 的流程如图3所示，包括以下步骤：

(2-1)对于本实施例中采用的真彩色航空遥感图像，按照V＝0.2989×R+0.5870×G+0.1140×B进行 灰度转换，其中，V为转换后的灰度场景图像的灰度值，R为真彩色图像中红波段的灰度值，G为真彩色 图像中绿波段的灰度值，B为真彩色图像中蓝波段的灰度值；

(2-2)对每一幅转换后的灰度场景图像进行L(本实施例取L＝1)级的二维小波分解，L为正整数。 经过对原始转换后的灰度场景图像进行二维小波分解会得到四幅分解后的子图像cA，cH，cV，cD，其中 cA为分解后的低分辨率图像，cH为分解后水平方向的图像，cV为分解后竖直方向的图像，cD为分解后 对角线方向的图像。

步骤(3)对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行规则格网采样 并提取SIFT特征的流程如图4所示，包括以下步骤：

(3-1)对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别进行规则格网采样得到 均匀的图像块，每个图像块的大小为N×N(本实施例取N＝16)，图像块之间的间隔为M×M(本是实施例 取N＝8)，N为正整数，且为2的整数次幂，M为正整数，；

(3-2)对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像分别采样所得到的图像块， 利用SIFT特征提取方法提取SIFT特征，计算图像块整个区域上的梯度方向直方图得到SIFT特征，特征 维数为128维。

步骤(4)对转换后的灰度遥感土地利用场景图像和二维小波分解后的子图像生成各自独立的通用视 觉词汇表的流程如图5所示，包括以下步骤：

(4-1)对遥感图像土地利用场景分类训练集中的所有转换后的灰度图像经采样和特征提取得到的 SIFT特征进行K均值聚类，将聚类得到的每一个聚类中心作为一个视觉单词，将这K(本实施例取K＝250) 个聚类中心的取值及其对应的视觉单词编号作为转换后的灰度场景图像的通用视觉词汇表V₀，K为正整 数。对遥感图像土地利用场景分类训练集中的所有二维小波分解得到的不同子图像经采样和特征提取得到 的SIFT特征按照同样的方法分别进行K均值聚类，得到各自的通用视觉词汇表V_i，i为正整数(本实施 例中取i＝1，2，3，4)，表示二维小波分解后得到的子图像的编号。

步骤(5)提取遥感土地利用场景图像视觉词包特征的流程如图6所示，包括以下步骤：

(5.1)对遥感图像土地利用场景分类训练集中每一幅遥感土地利用场景图像，采用视觉单词映射方法 将灰度变换后的灰度图像和二维小波分解后的各子图像中包含图像块的SIFT特征映射到各自对应的视觉 单词：计算灰度变换后的灰度图像中每个图像块的SIFT特征与其对应的通用视觉词汇表中的每个视觉单 词所对应特征值之间的欧式距离，找出欧式距离最小的视觉单词的编号，并将其作为相应的图像块的SIFT 特征映射结果；同样的方法，对于二维小波分解后的各子图像，分别计算各子图像中每个图像块的SIFT 特征与其各自对应的通用视觉词汇表中的每个视觉单词所对应特征值之间的欧式距离，找出欧式距离最小 的视觉单词的编号，并将其作为相应的图像块的SIFT特征映射结果；

(5-2)根据所得到的来自原始灰度遥感土地利用场景图像和二维小波分解后的子图像中包含的图像块 及其所对应的视觉单词，统计各视觉词汇表中每个视觉单词在与之相对应的灰度场景图像或二维小波分解 后的子图像区域中出现的次数，并以向量[f_l，...f_j...，f_k]表示灰度场景图像的视觉词包特征描述，向量 [f_lⁱ，...，f_jⁱ，...，f_kⁱ]表示二维小波分解后的每个子图像的视觉词包特征描述，f_j表示灰度场景图像所对应的视觉 词汇表中第j个视觉单词在图像区域中出现的次数，f_j^l表示二维小波分解后的第i幅子图像所以应的视觉词 汇表中第j个视觉单词在图像区域中出现的次数，其中j为正整数，1≤j≤K(本实施例中取K＝250)，K为 步骤(4-1)中生成的通用视觉词汇表的大小，i为正整数(本实施例中取i＝1，2，3，4)，表示二维小波分解 后得到的子图像的编号；

(5-3)将计算所得到的灰度场景图像和二维小波分解后的各子图像所对应的视觉词包特征描述向量进 行拼接，得到最终原始遥感土地利用场景图像的视觉词包特征描述。

步骤(6)将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像对应的场景类 别编号作为训练数据，运用SVM算法生成遥感图像土地利用场景分类模型，包括以下步骤：

(6-1)将遥感图像土地利用场景分类训练集中每幅图像的视觉词包特征和场景图像对应的场景类别编 号作为训练数据，采用一对一SVM，在每两类不同的土地利用场景的训练样本之间都学习生成一个SVM 分类模型，最终将所有的SVM分类模型共同作为遥感图像土地利用场景分类模型。对于步骤(1)中构建 的包含C个类别的土地利用场景分类训练样本集，需要构造C(C-1)/2(本实例中为21×(21-1)/2＝210) 个SVM分类模型。

步骤(7)根据遥感图像土地利用场景分类模型对任意一幅遥感土地利用场景图像进行分类，包括以下 步骤：

(7-1)给定任意一幅遥感土地利用场景图像，采用步骤(5)所述的方法提取该场景图像的视觉词包 特征；

(7-2)采取投票机制，综合考虑步骤(6-1)中所有C(C-1)/2(本实例中为21×(21-1)/2＝210)个 SVM分类模型对场景图像的视觉词包特征所属类别进行判定：有一个SVM分类模型判定场景图像的视觉 词包特征属于第s类，则意味着第s类获得了一票，最后得票数最多的类别就是该遥感土地利用场景图像所 属的类别，其中，s为正整数，且l≤s≤C(本实施例中C＝21)。

图7为在图2所示的国际公开的标准遥感土地利用场景图像库中采用本发明进行遥感图像土地利用场 景分类的准确率示意图。具体实施步骤如下：对于所有待分类的遥感土地利用场景图像，比较其按照步骤 (7)的方法预测得到的类别编号与其原所属类别编号(类别编号与图2中各类别名称相互对应)，得到场 景分类的准确率，通过重复上述步骤(1)～(7)过程5次，得到5次场景分类的准确率，通过对其取平 均值得到平均场景分类准确率。

图8为采用本发明方法进行遥感图像土地利用场景分类与其他方法的性能比较。图中的平均分类精度 通过对图2所示的21类土地利用场景的平均分类准确率取平均值得到。本发明方法的平均分类精度即为 对图7所示的21个平均场景分类准确率取平均值，由于本发明通过引入二维小波分解方法，不仅利用了 遥感土地利用场景图像中的纹理信息，而且也利用到了二维小波分解分解在多分辨率表达方面的特点，从 而在视觉词包特征描述中同时考虑到了遥感土地利用场景图像的空间分布和纹理信息，因此，相比于其他 三种只考虑了场景图像空间分布信息的方法，提高了土地利用场景分类的精度。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明，但不以任何方式限 制本发明。因此，本领域技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本 发明的精神和技术实质的技术方案及其改进，其均应涵盖在本发明专利的保护范围当中。