一种光谱与纹理特征加权的高分辨率遥感纹理分割算法解读Word文档格式.docx

1、，。，；收稿日期：收到修改稿日期：基金项目：国家计划（）、国家计划（）和测绘国家重点实验室开放研究基金资助课题。作者简介：王雷光（一），男，博士研究生，主要从事遥感图像融合和遥感影像多尺度分析等方面的研究。：导师简介：秦前清（），男，教授，博士生导师，主要从事小波分析、遥感图像处理和统计模式识别等方面的研究。：万方数据期王雷光等：一种光谱与纹理特征加权的高分辨率遥感纹理分割算法引言影像分割是将影像分解成相互不重叠区域的过程，区域内像素具有同质属性，区域间具有异质属性。作为图像处理到图像分析的关键步骤，分割与后续图像分析理解目标相关口。在遥感影像解译中，分割结果常作为后续目标提取的输入，故希望分

2、割区域能反映地物类别属性，同时分割区域不过于细碎，出现胡椒盐效应（）。高分辨遥感影像分割分类方法出现该效应的原因可归纳为以下两点：）成像过程中的传感器噪声的影响；）特征描述不够充分。相比中低分辨率影像，高分辨率影像细节信息更加丰富，同物异谱和异物同谱现象更加明显，仅靠光谱特征不足以准确地描述地物类别之间的差异。纹理、形状、拓扑关系等空间特征如何与光谱特征协同作用，以及各种特征对不同地物类别分类时的贡献程度都值得研究。基于以上分析，本文提出了一种光谱信息与纹理信息加权的高分辨率影像分割方法。该方法首先将图像通过变带宽均值漂移滤波（，）实现影像保持边缘的滤波。以滤波结果作为影像的光谱特征，可使得影

3、像局部区域的光谱一致性增加，有利于胡椒盐效应的消除。考虑到同物异谱和异物同谱的广泛存在，为提高分类精度，将伽博（）纹理信息引入组成光谱、纹理联合特征空间。考虑到采用滤波器组产生的特征维数过高，为降低计算复杂度将滤波器组进行了整合，新的滤波器组在保留了原有滤波器组多尺度特性的同时还减少了滤波器的数量。最后，依据训练样区的特征方差获得各地物类别分类时特征维的权重及对应的加权聚类中心，通过加权的最小距离分类器获得分割结果。这个过程将人工解译的先验知识和特征的描述能力有效的结合起来。特征提取及分类器设计基于变带宽的均值漂移滤波的光谱特征提取均值漂移（，）算法是一种寻找样本概率密度函数的局部极大值点的迭

4、代方法。该算法由等口提出，后经和等凹叫的发展，在图像分割、图像平滑、目标跟踪等计算机视觉领域得到了成功的应用。该方法数学描述如下：假设样本是维样本空间的总体一工一，）的样本，则样本概率密度函数的窗估计氕（）为（）一嘉骞是（字协即的概率密度可由样本空间中落入工的带宽范围内的样本点的加权估计得出。（）式中（）称为剖面函数，为带宽，为归一化参数。若对于，），（）的导数足（）存在，则定义：剖面函数（）三一是（），核函数（）兰（”）。对（）式求导可得（）式（）一昙梨，（）厶工，式中五（）为采用核函数（）得到的样本的概率密度估计。邶（）计算了特征空间中落在样本的带宽邻域内的样本点的加权均值与中心点的差值，

5、称为均值漂移向量。由（）式可知，均值漂移向量的方向总是指向特征概率密度变换最快的方向。当（）为非负、单减的有界函数时，在啪（）达到稳态时，特征漂移到局部极大值处，并有迭代（）式（其中。一）：汁舀一“睦刊一、，（）在给定带宽下，对于每个样本点，通过该迭代均可以漂移到其局部极大值点。由（）式和（）式可知，当概率密度大的区域均值漂移步长邶（工）较小，在概率密度小的区域均值漂移步长较大。均值漂移迭代过程实质上是一个自适应步长的梯度爬升过程。在（）式迭代过程中，涉及带宽的选择，如果带宽太大将导致估计变得平滑，反之估计将变得不稳定。通常，依据样本空间潜在分布设计的变带宽均值漂移算法将获得比固定带宽聚类算法

6、更好的结果川。和窗估计类似，近邻估计（）也是一种常用的非参数概率密度估计方法。在估计样本的概率密度于（工）时，两者的不同之处在于：窗估计给定邻域的带宽大小而不指定邻域内样本的数目。佟近邻估计给定估计概率密度用到的邻域样本数目，而不限制邻域带宽的大小。因此，艮近邻估计可以看作一种变带宽的窗估光学计。基于此，可以得到一种基于近邻概率密度估计的均值漂移迭代算法，其迭代公式为只，蹦一娑蝉州，鲁九，训，上川兰二曼旷，）（）式中：一。一瓦。，即：处的带宽参数五。由：到鼍，的距离决定，蕾，为与：第接近的样本点。这样带宽选择问题就转化为样本数目的估计问题。考虑到的选择和特征空间的维数，样本的数量咒及样本空间的

7、潜在分布相关，文献在分析参数与三者关系的基础上，给出了样本服从高斯分布时，采用近邻方法进行非参数概率密度估计时，样本数目的估计公式为一是。抖”，（）式中志。为常数，当一时，是。随着特征维数的增加而减小。大数定律保证了特征空间服从高斯分布或高斯混合分布的合理性，故本文采用（）式作为值的估计方法。在本文的光谱特征提取中，对于多光谱影像光谱特征维数为一，取常数一。全色波段时一，取常数志。一。则由（）式可得：对于多光谱影像为，多光谱图像取。对于影像的每个像元，对其光谱特征向量麓通过（）式的迭代过程可得到滤波输出；。该输出作为光谱特征，将和纹理一起构成特征空间。另外，从（）式可知光谱特征向量的收敛值由其

8、邻域的样本点加权计算而来。由于光谱特征空间中相邻的样本点在影像网格上的空间位置往往也比较接近，滤波过程可近似的理解为空间域的一种迭代、变权重的邻域加权平均滤波算法。多尺度纹理特征抽取通过对光谱特征的变带宽均值漂移滤波，具有相近光谱特性的样本在光谱空间中分布更为紧密，对后续分类结果的影响表现为胡椒盐效应的改善。然而，高分辨率影像中不同地物往往具有相似的光谱表象，对光谱特征进行均值漂移也可能会使得光谱相似的不同质样本（树木和草地，道路和屋顶等）收敛到特征空间中相近的模态，导致地物光谱不可分性的近一步加剧。因此，高分辨影像分类问题中常常通过加入反映纹理、空间拓扑关系的特征来提高结果的稳健性。本文采用

9、小波滤波器组提取纹理特征。学报卷选择滤波器有个原因：）图像的滤波过程实质上是其加窗傅里叶变换过程，滤波可同时实现频域和时域的局部化功能“。）滤波器的带通性与人类的视觉接收模型吻合一引。）基于滤波的方法不存在基于统计的纹理特征常见的窗口选择问题。等基于滤波器半峰幅度支集相接的准则，通过小波母函数的旋转变换和尺度变换给出了一组具有多尺度和多方向特性的滤波器。小波母函数为，）一丽已甙（一菱一羲咖。）厶厶（）在该方法中，为确定一组滤波器组，只需给定图像的有效频域范围（最大范围为），频域的层次数和每层的方向数即可。对于一幅波段的多光谱图像（，）与滤波器组进行卷积将获得，组纹理特征。，（，），如对波段影像

10、，方向取，尺度数取，将获得维的纹理特征。其中，起，一，为卷积操。，（，）一：（，）。川，（）作，删为滤波模板。为保证分割效率的同时提高计算效率，对滤波器组进行整合。整合方法如下：，：一芝江。（，）刖，（）式中竹，。为第个波段、第尺度的滤波输出。通过同一尺度不同方向滤波结果，捕获落人该尺度频带范围内纹理可能的方向，以提高纹理边缘区分精度，对同一尺度不同方向滤波结果求和获得影像不同频带内的纹理特征表达。这样，对于每个像素点将获得（，）维纹理特征向量：厂，厶”。，如波段影像将获得维的多尺度纹理特征。需要说明的是，在算法实现过程中，并不需要影像与原始滤波组一一卷积而后相加，可通过傅里叶变换和采用滤波器

11、模板提高运算效率。整合特征的频域运算形式为，一纩（瓤。（，）双刊），（）式中（）和纩（）为傅里叶变换及逆变换。只需所有尺度及方向的模板矩阵，将同一尺度上的个方向模板相加就将获得该尺度上整合后的滤波器模板：“，进而可建立滤波器模板的查找。表。为获得影像的纹理特征，只需影像与对应的模板组分别进行频域乘法及傅里叶逆变换即可。在文献中，一，一，方向取，尺度数取，对大量纹理的检索实验取得了较好结果，本文沿用这组参数。采用整合后的多尺度滤波器组对原始影像逐波段滤波将获得纹理特征。基于分类贡献度的特征加权最邻近分类器设计在模式识别问题中，特征空间中的特征往往具有一定的尺度属性，没有先验知识的特征标准化方法往

12、往导致特征原有语义信息的丢失并最终导致聚类达不到预期的结果。在遥感影像分割中，光谱特征向量工。和纹理特征向量的尺度属性不同决定其对最终分类的贡献是不同的，若仅仅将所有特征维样本简单归一化到一个数值范围内后，往往会扭曲特征对分类的贡献。文献给出了一种小波域特征加权的方法，并将其用于纹理影像分类。该方法以特征的样本方差艿来度量特征对纹理的表达能力；认为方差越小，特征对该类纹理的描述能力越强；采用样本方差的倒数作为特征维对分类贡献的度量，通过分类贡献率对特征的加权，强化描述能力强的特征，弱化描述能力差的特征。基于类似思想，本研究定义了一族分类贡献度函数训（艿，）（艿为特征方差，为贡献调解参数），满足

13、如下条件（艿，），（）艿艿，（，）（艿，）（）考虑到纹理特征对于分类结果的影响往往不是简单的线性尺度关系，采用叫（，）一（）形式的贡献函数。假设某一类纹理有，个训练样本（歹一，为类别数），重写其像元的光谱及特征向量为墨。三乃，。，妈。（一，为特征的维数）。则训练和分类过程如下：）首先将特征各维归一化到；）计算纹理的样本均值向量，一孑川，蜀，（弓，为第类纹理的第忌维特征的均值）；）计算纹理的样本方差向量；一；川，（，为第类纹理的第是维特征的训练样本方差），其中，：一。万三（乃。，一，。）；旦一）设置纹理的分类贡献度向量，一，其中哟，。一（一）（，为第维特征对第类纹理分类的贡献率，为贡献调解参数）

14、。则第类纹理分类的加权特征向量为？，。一；“，？，其中：一，叫，。）计算第类纹理加权后的聚类中心？“一寺善张；）重复），获得各特征维对所有类别的分类贡献率向量，及各类聚类中心；）采用最小距离分类器，确定像元的类别为：（嚣：剧“），即将像元归为与加权聚类中心最接近的一类。实验结果和分析实验数据源为武汉地区遥感影像，其中多光谱波段空间分辨率为，包含三个波段，全色数据则由灰度化得到。为便于分割精度的定量评价，实验采用了典型地物的合成影像。实验中，依据光谱或纹理相似的原则选择影像区域，由人工解译获得定量精度评估的参考数据。实验图像如图所示，图中注释为影像的大小。图（）中灌木和树林光谱和纹理均存在一定的

15、相似性，且类别内部光谱信息变换剧烈。图（）中，有树木、草地、道路类，可以看出草地和树木光谱信息存在明显的相似性。图（）可分为种典型的地表纹理：田地、水体、建筑区以及林地。建筑区中包含阴影、房屋等光谱差异比较大的象元将给基于光谱的分割带来较大挑战。图（）的灰度图可分为类，即树木，建筑区以及裸地，建筑区与裸地纹理光谱存在一定的相似性。图实验影像（）；（）；（）；（）（）（）：（）（）实验一为验证变带宽均值漂移算法（）的滤波效果，实验将变带宽滤波与两种具有较好边缘保持效果的滤波方法中值滤波（）及小波域硬阈值滤波（）口进行了比较。方法通过对影像高光学频子带的选择性规整实现影像的平滑滤波。方法中，实验采

16、用小波基，分解层数为；方法取和两种滤波窗口。两种算法均逐波段进行处理。滤波效果采用结构相似指数（，）媚和局部光谱同质指数（，）两个定量指标以及目视效果综合评价。结构相似指数反映了影像结构信息的相似程度，两幅影像结构越相似则该指数越接近于。对于多波段影像，本实验采用波段平均代表影像的整体测度。每个像素点为种子，给定光谱阈值，通过区域生长可获得光谱同质性区域的数目。影像的区域数目。与影像像素个数。的比值与的差值：一。即为。越小，影像的同质区域面积越大，影像的局部区域的光谱一致性就越好，该比值越接近于。本文给出了其中一副纹理影像采用不同方法的滤波结果（如图所示）。可以看到，可以有效实现影像的平滑，且

17、尺度窗口越大平滑效果越明显，但是无法有效的保持影像的边缘信息。和则在保持影像的边缘有更好的表现。图三种滤波方法不同参数结果的对比（）（）；（）（）；（）；（）（）（）；影像的和两个测度一起反映了滤波算法的边缘保持能力及区域滤波效果。和测度值越接近于，说明滤波算法的边缘保持能力和对局部区域的平滑均达到了较好的效果。考虑到真实的高分辨率遥感影像的空间细节十分丰富，过度的平滑会造成不同地物类别之间的光谱的混淆，反而不利于后续分类处理的特征提取。因此，一种理想的滤波算法应在保持地物最小单元边界的前提下，尽可能平滑区域内像素，即在保证测度可能较大的前提下，使得局部区域的光谱一致性有较佳表现。由四幅滤波结

18、果的测度统计图（如图所示）可见，方法和方法的滤波结果，其边缘保持性能要明显优于不同参数的中值滤波结学报卷果，边缘保持精度均可达到以上。图为滤波结果及原始影像的统计对比图。结合图可以看到：各种滤波方法较之原始影像（标记为），均有显著提高。这表明各种滤波方法均有效的提高了影像的光谱一致性；随着滤波窗口的增大，方法的区域光谱一致性增强，但边缘保持精度下降；和方法的测度的对比结果因图像而异，但均与测度呈相反的变化趋势，两者之间存在此消彼长的制约关系。这主要是因为滤波过程固然增加了局部区域光谱的一致性，同样会导致影像弱边缘的过度平滑。图不同算法处理结果的测度对比图图处理结果及原始影像测度对比图。，。胁，。结合定量分析和目测解译的结果可得：变带宽均值漂移滤波方法有最好的边缘保持精度和局部区域光谱一致性；、波域方法结