融合边缘信息和支持向量机对遥感图像进行分类的方法及装置

摘要

本发明涉及一种融合边缘信息和支持向量机对遥感图像进行分类的方法及装置，该方法包括：对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分类；对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单像素宽边缘图；对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图；将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到融合边缘信息的分类结果图。本发明解决了现有的基于划分聚类(Partitional Clustering)分割的高光谱图像融合空间及光谱信息分类的非稳健性，也解决了通常的基于固定窗口大小的融合空间及光谱信息分类方法例如形态学滤波的尺寸比例的选择问题。

说明书

技术领域

本发明涉及对遥感图像进行分类的方法及装置，更具体地说，涉及一种融 合边缘信息和支持向量机对遥感图像进行分类的方法及装置。

背景技术

具有高光谱分辨率的高光谱图像具有广泛的应用领域，例如矿物探测、污 染监测、精准农业等。分类是高光谱图像的其中一个非常重要的处理过程。传 统的高光谱图像的分类方法主要基于光谱信息，而很少考虑空间信息。

现有的普遍使用的高光谱图像的融合空间信息及光谱信息的分类方法包 括马尔可夫随机场、形态学指针和形态学滤波。然而这些方法使用固定大小的 窗口得到空间信息，导致了尺寸比例的选择问题。另一个分类方法是将空间信 息集成到多核学习方法中，该方法也存在尺寸比例的选择问题，同时该方法的 计算成本非常高。

再有一种融合空间信息的方法是将逐像素的分类结果和划分聚类 (Partitional Clustering)得到的分割的结果融合起来，但这种方法的结果是不 稳健的。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种融合 边缘信息和支持向量机对遥感图像进行分类的方法及装置。

本发明解决其技术问题所采用的技术方案是：构造一种融合边缘信息和支 持向量机对遥感图像进行分类的方法，其包括以下步骤：

对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分类；

对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单 像素宽边缘图；

对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处 理，以获得封闭的边缘图；

将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使 用边缘信息的分类结果图。

在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法 中，对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的单 像素宽边缘图包括以下步骤：

对所述经预处理和特征提取的遥感图像运用高光谱拉普拉斯边缘算子，以 获得所述遥感图像的边缘图；

对所述边缘图执行边缘细化，以获得非连续的单像素宽边缘图。

在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法 中，在执行所述连接处理之前，检测所述经噪音边缘部分去除的所述非连续的 单像素宽边缘图的端点，其中，所述端点为在8邻域内仅具有一个与之连接的 像素点。

在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法 中，对经噪音边缘部分去除的所述非连续的单像素宽边缘图执行边缘连接处 理，以获得封闭的边缘图具体为针对所述经噪音边缘部分去除的所述非连续的 单像素宽边缘图中的每个端点执行以下步骤：

以当前端点为圆心，搜索预设值半径内的端点；

如果搜索到端点时，将具有最小权重的端点与作为圆心的当前端点进行直 线连接；否则，计算当前端点所处位置的边缘部分的斜率，然后，在搜索区域 内沿着斜率方向，从该当前端点位置处扩展该边缘部分，以使得该当前端点成 为扩展的边缘部分的端点。

在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法 中，将所述封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到使 用边缘信息的分类结果图具体为执行以下步骤：

对于内部像素，分别计算同一区域内每类像素的数量，将具有最多数量的 一类像素替换其它类像素，以覆盖该区域；

对于边缘像素，计算边缘像素的八邻域邻居位置处的每类像素的数量，将 具有最多数量的一类像素替换该边缘像素；其中，

所述内部像素是位于所述封闭的边缘图内部的像素，所述边缘像素是位于 所述封闭的边缘图边界上的像素。

在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法 中，所述预处理主要为对于所述遥感图像，去除受吸水性影响严重的和低信噪 比的光谱波段。

在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法 中，所述特征提取主要为对所述遥感图像进行主成分变换，从变换后的图像中 选择若干光谱波段。

在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法 中，所述噪音边缘部分是长度小于给定临界值的边缘部分。

在本发明所述的融合边缘信息和支持向量机对遥感图像进行分类的方法 中，所述遥感图像是高光谱图像或多光谱图像。

根据本发明的另一个方面，提供一种融合边缘信息和支持向量机对遥感图 像进行分类的装置，其包括：

分类模块，用于对经过预处理和特征提取的遥感图像进行逐像素的支持向 量机分类；

检测模块，用于对所述经预处理和特征提取的遥感图像进行边缘检测，以 获得非连续的单像素宽边缘图；

连接模块，用于对经噪音边缘部分去除的所述非连续的单像素宽边缘图执 行边缘连接处理，以获得封闭的边缘图；

后分类模块，用于将所述封闭的边缘图集成到经逐像素的支持向量机分类 的图中，以得到使用边缘信息的分类结果图。

实施本发明的融合边缘信息和支持向量机对遥感图像进行分类的方法及 装置，具有以下有益效果：将边缘信息定义为空间信息，避免了尺寸比例的选 择问题，计算成本低，易于执行。高光谱图像的边缘图是全局空间信息且不会 产生尺寸比例选择的问题。高光谱图像的边缘检测可快速获得；另外，通过将 边缘信息和光谱信息的集成，进一步改善了逐像素的分类精度。

本发明解决了现有的基于划分聚类(Partitional Clustering)分割的高光谱 图像融合空间及光谱信息分类的非稳健性，也解决了通常的基于固定窗口大小 的融合空间及光谱信息分类方法例如形态学滤波的尺寸比例的选择问题。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明融合边缘信息和支持向量机对遥感图像进行分类的装置的 结构示意图；

图2是本发明融合边缘信息和支持向量机对遥感图像进行分类的方法流 程图；

图3a是本发明例子1执行步骤S21后的分类图；

图3b是本发明例子1使用边缘信息执行步骤S24后的分类结果图；

图4a是本发明例子1执行步骤S22的结果示意图；

图4b是本发明例子1去除噪音边缘部分的边缘图；

图4c是本发明例子1的封闭的边缘图；

图5a是本发明例子2执行步骤S21后的分类图；

图5b是本发明例子2使用边缘信息执行步骤S24后的分类结果图；

图6a是本发明例子2执行步骤S22的结果示意图；

图6b是本发明例子2去除噪音边缘部分的边缘图；

图6c是本发明例子2的封闭的边缘图；

图7a是本发明例子1中使用SVM进行分类方法和将SVM与边缘信息相 结合的分类方法的总体精确度(OA)和kappa系数(κ)的对比示意图；

图7b是本发明例子1中使用SVM进行分类方法和将SVM与边缘信息相 结合的分类方法的总体精确度(OA)和kappa系数(κ)的对比示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 仅用以解释本发明，并不用于限定本发明。

如图1所示，在本发明融合边缘信息和支持向量机对遥感图像进行分类的 装置中，其主要包括分类模块11、检测模块12、连接模块13和后分类模块 14；其中，分类模块11和检测模块12作为平行处理设备，同时接收经过预处 理和特征提取的遥感图像。分类模块11首先对经过预处理和特征提取的遥感 图像进行第一级分类，也就是进行逐像素的支持向量机(pixel-wise support  vector machine(SVM))分类，以得到第一级分类图。同时，检测模块12和 连接模块13对经过预处理和特征提取的遥感图像作进一步处理，以得到该遥 感图像的边缘信息，该边缘信息定义为遥感图像的空间信息的结构。首先，检 测模块12对经预处理和特征提取的遥感图像进行边缘检测，以获得非连续的 单像素宽边缘图(one-pixel wide edge map)。连接模块13对经噪音边缘部分去 除的非连续的单像素宽边缘图执行边缘连接处理，以获得封闭的边缘图(closed  edge map)。最后，后分类模块14执行第二级分类，其将封闭的边缘图集成到 经逐像素的支持向量机分类的图中，以得到使用边缘信息的分类结果图，从而 该第二级处理后的分类结果图是基于遥感图像的边缘信息和光谱信息的分类 结果。在具体使用过程中，该遥感图像可以是高光谱图像或多光谱图像，高光 谱图像可以是例如ROSIS、AVIRIS。多光谱图像可以是例如SPOT、MODIS、 LANDSET等等。可以理解的，该融合边缘信息和支持向量机对遥感图像进行 分类的装置也可用于从遥感图像中提取边缘信息，以更新GIS数据库。

如图2示出本发明融合边缘信息和支持向量机对遥感图像进行分类的方 法流程，其是基于图1所示的装置结构，具体操作为：

S21：对经过预处理和特征提取的遥感图像进行逐像素的支持向量机分 类，也就是进行逐像素的支持向量机(pixel-wise support vector machine(SVM)) 分类；其中，对于SVM的使用可参考文献Melgani，F.and L.Bruzzone， Classification of hyperspectral remote sensing images with support vector  machines.IEEE Transactions on Geoscience and Remote Sensing，2004.42(8)：p. 1778-1790.、Camps-Valls，G.and L.Bruzzone，eds.Kernel Methods for Remote  Sensing Data Analysis.1edition ed.2009，Wiley.434.、Pal，M.and P.M.Mather， Some issues in the classificatton of DAIS hyperspectral data.International Journal  of Remote Sensing，2006.27(14)：p.2895-2916.、Cortes，C.and V Vapnik， Support-vector networks.Machine Learning，1995.20(3)：p.273-297.、Boser，B.E， I.M.Guyon，and V.N.Vapnik，In Proceedings of the fifth annual workshop on  Computational learning theory.1992.p.133-152.和Schlkopf，B.and A.J.Smola， Learning with Kernels：Support Vector Machines，Regularization，Optimization， andBeyond.1st edition ed.2001：The MIT Press.644.所公开的内容。

S22：对所述经预处理和特征提取的遥感图像进行边缘检测，以获得非连 续的单像素宽边缘图；具体为对经预处理和特征提取的遥感图像运用高光谱拉 普拉斯边缘算子，以获得遥感图像的边缘图；再对边缘图执行边缘细化，以获 得非连续的单像素宽边缘图。其中，根据文献Bakker，W.H.and K.S.Schmidt， Hyperspectral edge filtering for measuring homogeneity of surface cover types. Isprs Journal of Photogrammetry and Remote Sensing，2002.56(4)：p.246-256.可 得到高光谱拉普拉斯算子和高光谱边缘滤波器，当采用下列矩阵核用于高光谱 边缘滤波器中：

$\left(\begin{array}{ccc}0& -1& 0\\ -1& 4& -1\\ 0& -1& 0\end{array}\right)$

光谱角用作距离测量：

$\mathrm{SA}(\overrightarrow{v},\overrightarrow{w})={\cos }^{-1}\left(\frac{\overrightarrow{v}·\overrightarrow{w}}{\left|\right|\overrightarrow{v}\left|\right|\left|\right|\overrightarrow{w}\left|\right|}\right)$

最后，得到高光谱边缘检测器：

$e_{i,j}=\frac{1}{12}(\mathrm{SA}({\overrightarrow{v}}_{i-1,j-1},{\overrightarrow{v}}_{i,j})+2\mathrm{SA}({\overrightarrow{v}}_{i,j-1},{\overrightarrow{v}}_{i,j})$

$+\mathrm{SA}({\overrightarrow{v}}_{i+1,j-1},{\overrightarrow{v}}_{i,j})+2\mathrm{SA}({\overrightarrow{v}}_{i-1,j},{\overrightarrow{v}}_{i,j})$

$+2\mathrm{SA}({\overrightarrow{v}}_{i+1,j},{\overrightarrow{v}}_{i,j})+\mathrm{SA}({\overrightarrow{v}}_{i-1,j-1},{\overrightarrow{v}}_{i,j})$

$+2\mathrm{SA}({\overrightarrow{v}}_{i,j+1},{\overrightarrow{v}}_{i,j})+\mathrm{SA}({\overrightarrow{v}}_{i+1,j+1},{\overrightarrow{v}}_{i,j}))$

其中，i和j定义为图像坐标，e_i，j为像素，为了得到二值边缘图，将大于 预设临界值的像素定义为边缘像素，否则，小于或等于预设临界值的像素为内 部像素，由此通过该步骤得到的非连续的单像素宽边缘图是二值边缘图。

可以理解的，步骤S21和步骤S22之间可以是平行处理的过程，因为S21 和S22处理过程的输入数据都是经过预处理和特征提取的遥感图像。该预处理 主要为对于遥感图像，去除受吸水性影响严重和低信噪比的光谱波段。当然也 可包括辐射校正和几何校正。该特征提取主要为对所述遥感图像进行主成分 (PCA，principal component analysis)变换，从变换后的图像中选择若干光谱 波段。关于PCA变换的具体方法可参考文献Alpaydin，E.，Introduction to  Machine Learning.second edition ed.2009：The MIT Press.577.所公开的内容。

S23：接着对经噪音边缘部分去除的非连续的单像素宽边缘图执行边缘连 接处理，以获得封闭的边缘图；其中，噪音边缘部分是长度小于给定临界值的 边缘部分，也就是针对噪音边缘部分进行检测然后去除。可以理解的，对于不 同的图像，需要按实际要求选择不同的预设临界值。另外，也可在执行连接处 理之前，检测经噪音边缘部分去除的非连续的单像素宽边缘图的端点，其中， 端点为在8邻域内仅具有一个与之连接的像素点。

该连接处理具体可以为针对所述经噪音边缘部分去除的非连续的单像素 宽边缘图中的每个端点执行以下步骤：

以当前端点为圆心，在预设值半径大小(例如半径为3个像素)的圆内作 为搜索区域，搜索端点；

如果搜索到端点时，将具有最小权重的端点与作为圆心的当前端点进行直 线连接；否则，计算当前端点所处位置的边缘部分的斜率，然后，在搜索区域 内沿着斜率方向，从该当前端点位置处扩展该边缘部分，以使得该当前端点成 为扩展的边缘部分的端点。

对于经噪音边缘部分去除的非连续的单像素宽边缘图内的所有端点执行 上述两个步骤后即可得到封闭的边缘图。

S24：将封闭的边缘图集成到经逐像素的支持向量机分类的图中，以得到 使用边缘信息的分类结果图。其具体可以是：对于内部像素，分别计算同一区 域内每类像素的数量，将具有最多数量的一类像素替换其它类像素，以覆盖该 区域；对于边缘像素，计算边缘像素的八邻域邻居位置处的每类像素的数量， 将具有最多数量的一类像素替换该边缘像素；其中，大于预设临界值的像素定 义为边缘像素，否则，小于或等于预设临界值的像素为内部像素，也就是说， 内部像素是位于封闭的边缘图内部的像素，边缘像素是位于所述封闭的边缘图 边界上的像素。

例子1：

从https://engineering.purdue.edu/～biehl/MultiSpec/hyperspectral.html.下载印 第安纳州高光谱图像数据，该印第安纳州高光谱图像数据是1992年6月12 日通过AVIRIS获取的。该印第安纳州高光谱图像数据由220光谱波段组成， 每个光谱波段为145×145像素大小。预处理去除20个受吸水性影响严重的光 谱波段，剩下200个光谱带。原始的地面真实数据中具有16类，在预处理中， 去除由于大小不符合要求的4类，最后剩下12类，定义为：C1、C2、C3、 C4、C5、C6、C7、C8、C9、C10、C11和C12，如下表1为该12类样本大小 的详细信息：

表1

由上实验可知仅使用SVM进行分类的精确度为85.32，而本发明的将 SVM和边缘信息相结合的分类方法的精确度为92.41。

在该例子1中使用PCA进行特征提取。在PCA变换后，选择第一个四十 PCA成分进行分类，该第一个四十PCA成分包括了所有数据变量的99.93％。 在参考数据中随机选择大约30％的样本用作训练样本，以训练逐像素的SVM。 使用LIBSVM工具箱执行逐像素的SVM。在该例子中使用高斯半径基础功能 (RBF)核。通过5重交叉验证确定优选参数C和γ，得到C＝512，γ＝0.0078。 如图3a为执行步骤S21后的分类图。

通过运用高光谱拉普拉斯边缘算子，得到印第安纳州图像的边缘图。在执 行边缘检测后，执行边缘细化后得到单像素宽边缘图，也就是说图4a所示为 执行步骤S22的结果。在该例子中，如果边缘部分的长度小于5个像素，则认 为是噪音边缘部分，就去除。如图4b所示为去除噪音边缘部分的边缘图。可 看出图4b为非连续的。对图4b执行步骤S23的连接处理，得到如图4c所示 的封闭的边缘图。一旦得到封闭的边缘图后，就将该边缘信息集成到逐像素的 SVM分类分类中，也就是说将图4c和图3a相结合，执行步骤S24即得到如 图3b所示的使用边缘信息的分类结果图。由此可看出，图3b与图3a相比具 有更好的同一性。

例子2

在该例子中使用ROSIS-03光学传感器所记录的帕维亚大学的图像，该图 像示出帕维亚大学周围的城市区域。该图像具有每个像素1.3m的空间分辨率。 ROSIS-03具有115个波段，光谱覆盖范围为0.43～0.86um。经过预处理，去除 12个最大的噪音波段。该例子选择9类，定义为：：C1、C2、C3、C4、C5、 C6、C7、C8和C9。，如下表2为该9类样本大小的详细信息：

表2

由上实验可知仅使用SVM进行分类的精确度为82.08，而本发明的将 SVM和边缘信息相结合的分类方法的精确度为94.09。

在该例子中使用高斯半径基础功能(RBF)核，并通过5重交叉验证，确 定优化参数C和γ，得到C＝128，γ＝0.125。图5a所示为执行步骤S22的结果。

通过使用高光谱拉普拉斯边缘算子，得到帕维亚大学图像的边缘图。执行 边缘检测后，执行边缘细化。图6a所示为执行步骤S22的结果。在该例子中， 噪音边缘部分的临界值取为8个像素。如果边缘部分的长度小于8个像素，则 确定为噪音边缘并进行去除。如图6b所示为去除噪音边缘部分的边缘图。可 看出图6b为非连续的。对图6b执行步骤S23的连接处理，得到如图6c所示 的封闭的边缘图。一旦得到封闭的边缘图后，就将该边缘信息集成到逐像素的 SVM分类分类中，也就是说将图6c和图5a相结合，执行步骤S24即得到如 图5b所示的使用边缘信息的分类结果图。由此可看出，图5b与图5a相比具 有更好的同一性。

图7a是例子1中使用SVM进行分类方法和将SVM与边缘信息相结合的 分类方法的总体精确度(OA)和kappa系数(κ)的对比，该kappa系数为一 致性百分比。在例子1中使用SVM进行分类方法的总体精确度和kappa系数 分别为85.32％和83.14％，而本发明的将SVM与边缘信息相结合的分类方法 的总体精确度和kappa系数分别是92.41％和91.29％，由此可见本发明方法的 总体精确度和kappa系数分别提高了7.09％和8.15％。

图7b是例子2中使用SVM进行分类方法和将SVM与边缘信息相结合的 分类方法的总体精确度(OA)和kappa系数(κ)的对比，该kappa系数为一 致性百分比。在例子2中使用SVM进行分类方法的总体精确度和kappa系数 分别为82.08％和77.49％，而本发明的将SVM与边缘信息相结合的分类方法 的总体精确度和kappa系数分别是94.09％和92.13％，由此可见本发明方法的 总体精确度和kappa系数分别提高了12.01％和14.64％。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。