一种具有抗特征冲突的人口密集区识别方法

摘要

本发明涉及一种具有抗特征冲突的人口密集区识别方法。包括如下步骤：步骤1，对遥感影像进行预处理；步骤2，提取局部梯度方向密度、梯度均值、Harris特征点数和光谱同质性共四种特征；步骤3，计算各像素的特征取值并归一化；步骤4，计算各像素的特征概率函数取值；步骤5，特征融合；步骤6，保留人口密集区像素及可视化。作为人口密集区中人工地物提取的预处理步骤，可以缩小后续处理的区域面积，提高人工地物提取的准确率和算法效率。

说明书

技术领域

本发明涉及一种遥感图像处理领域，具体说是一种具有抗特征冲突的人口密集区识别方法。

背景技术

由于受拍摄条件的影响，不同时期、不同地区的高分辨率遥感影像中的人口密集区表现出不同的显著特征，如果能获取显著特征的先验知识，则可以大大提高建筑物密集区的识别准确率，但这一条件往往难以满足。目前常见的方法有：(1)单一特征识别法，缺点是只对特定影像类别中的建筑物区域识别有效，(2)综合多种特征识别法，缺点是需要确定各个特征的权重，不合理的权重可能导致建筑物密集区识别的失败，而权重的确定一般采用训练或学习的方式，需要大量的样本；其次，当各个特征之间具有冲突时，识别的正确率将会大大降低。

发明内容

本发明提供了一种具有抗特征冲突的人口密集区识别方法，以遥感影像作为数据源，最大程度地挖掘遥感影像中人口密集区的有效信息，可以有效防止特征冲突导致识别正确率下降，且不涉及任何参数，达到完全自动化。

为实现本发明的目标所采用的技术方案是：方法包括以下步骤：

步骤1：对遥感影像image进行预处理；

步骤2：选取遥感影像中与人口密集区相关的局部梯度方向密度、梯度均值、Harris特征点数和光谱同质性共四种特征；

步骤3：对步骤2中四种特征在遥感影像image中各像素的取值进行归一化处理，分别得到矩阵E₁、E₂、E₃和E₄；

步骤4：利用矩阵E₁、E₂、E₃和E₄分别计算每个像素属于人口密集区、非人口密集区和(人口密集区、非人口密集区)的概率函数取值m_i(b)、m_i(nb)、m_i(b,nb)，其中i＝1,2,3,4；

步骤5：利用特征融合方法对步骤4中的m_i(b)、m_i(nb)、m_i(b,nb)进行组合，分别计算每个像素属于人口密集区、非人口密集区和(人口密集区、非人口密集区)的概率m(b)、m(nb)、m(b,nb)；

步骤6：利用步骤5中的概率m(b)、m(nb)、m(b,nb)结合符合人口密集区条件的计算公式S保留相应的像素，并进行人口密集区的边界表达。

所述的局部梯度方向密度由以下公式计算：

$>{\lambda }_s\left(\theta \right)=\frac{1}{N_s}\underset{r\in W_l\left(s\right)}{\Sigma }\frac{1}{h}·\left|\right|▿g_r\left|\right|·k\left(\frac{\theta -{\theta }_r^{▿}}{h}\right)$>

其中，N_s为窗口内各个像素点的梯度模值之和，h为局部梯度方向密度函数的带宽，为像素点r的梯度幅值，k为核密度函数。

所述的梯度均值为所取窗口中各点的梯度模值的累加和与窗口面积的比值。

所述的Harris特征点数为落在所取窗口中的Harris特征点数量。

所述的光谱同质性所取窗口中像元灰度值的标准差。

所述的概率函数取值m_i(b)、m_i(nb)、m_i(b,nb)由以下公式计算：

所述的特征融合方法由以下公式计算：

m(A)＝p(A)+k×ε×q(A),A＝{b,nb,(b,nb)}

其中，$>k=\underset{\cap A_i=\phi }{\Sigma }\underset{j=1}{\overset{n}{\Pi }}{m}_j\left(A_i\right),p\left(A\right)=\underset{\cap A_i=A}{\Sigma }\underset{j=1}{\overset{n}{\Pi }}{m}_j\left(A_i\right),q\left(A\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{m}_i\left(A\right),ϵ=\exp (-\frac{1}{n\times (n-1)/2}\underset{i<j}{\Sigma }{k}_{ij}).$>

所述的符合人口密集区条件的计算公式S为：

本发明的有益效果是：作为人口密集区中人工地物提取的预处理步骤，可以缩小后续处理的区域面积，提高人工地物提取的准确率和算法效率。

附图说明

图1是本发明的总体处理流程图。

具体实施方式

下面结合附图详细描述本发明的具体实施方式。

在步骤101，输入待处理的遥感影像image为高空间分辨率遥感影像，可以是Quickbird、Worldview等卫星影像或各类航拍影像，空间分辨率在1米以下。

在步骤102，对image进行辐射校正、几何校正和大气校正等预处理。

在步骤103，提取image中的局部梯度方向密度、梯度均值、Harris特征点数和光谱同质性共四种特征。

在步骤104，分别以image中的各个像素为中心点，选取尺寸为11×11的窗口，分别计算步骤103中的特征值并进行归一化，将其取值赋予中心点，分别得到矩阵E₁、E₂、E₃和E₄。

在步骤105，利用公式

计算各像素的特征概率函数取值m_i(b)、m_i(nb)和m_i(b,nb)。

在步骤106，利用特征融合公式

m(A)＝p(A)+k×ε×q(A),A＝{b,nb,(b,nb)}

其中，$>k=\underset{\cap A_i=\phi }{\Sigma }\underset{j=1}{\overset{n}{\Pi }}{m}_j\left(A_i\right),p\left(A\right)=\underset{\cap A_i=A}{\Sigma }\underset{j=1}{\overset{n}{\Pi }}{m}_j\left(A_i\right),q\left(A\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{m}_i\left(A\right),ϵ=\exp (-\frac{1}{n\times (n-1)/2}\underset{i<j}{\Sigma }{k}_{ij}).$>

对步骤103中的四种特征进行融合。

在步骤107，利用人口密集区条件的计算公式

保留人口密集区的像素，并进行人口密集区的边界表达。