主权项 |
一种遥感图像分类方法,其特征是,该方法包括以下步骤:(1)在参考遥感图像上截取若干小块作为训练样本;(2)设计加博(Gabor)滤波器组,将频率域分解至S个尺度和T个角度,使用滤波器组对所有训练样本进行滤波,得到训练样本的滤波图像集合,记为P;(3)从P中提取基于不同尺度的滤波图像集合,通过分别计算该集合中滤波图像最小值和最大值的平均值,得到该集合对应的直方图统计范围[Qmin(l),Qmax(l)],l=1,2,…,S,将该范围平均分成小区间,得到相应的直方图区间划分方式:[Qmin(l)+range*(z-1),Qmin(l)+range*z],z=1,2,…,c其中, <mrow> <mi>range</mi> <mo>=</mo> <mfrac> <mrow> <msub> <mi>Q</mi> <mi>max</mi> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>Q</mi> <mi>min</mi> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> <mi>c</mi> </mfrac> <mo>,</mo> </mrow>c为区间个数, <mrow> <msub> <mi>Q</mi> <mi>min</mi> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>A</mi> <mo>*</mo> <mi>T</mi> </mrow> </mfrac> <munder> <mi>Σ</mi> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <munder> <mi>Σ</mi> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <munder> <mi>Σ</mi> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <mi>min</mi> <mrow> <mo>(</mo> <msubsup> <mi>F</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> <mrow> <mi>l</mi> <mo>,</mo> <mi>r</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> </mrow> <mrow> <msub> <mi>Q</mi> <mi>max</mi> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>A</mi> <mo>*</mo> <mi>T</mi> </mrow> </mfrac> <munder> <mi>Σ</mi> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <munder> <mi>Σ</mi> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <munder> <mi>Σ</mi> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <mi>max</mi> <mrow> <mo>(</mo> <msubsup> <mi>F</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> <mrow> <mi>l</mi> <mo>,</mo> <mi>r</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> </mrow> <mrow> <msubsup> <mi>F</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> <mrow> <mi>l</mi> <mo>,</mo> <mi>r</mi> </mrow> </msubsup> <mo>=</mo> <mi>con</mi> <mrow> <mo>(</mo> <msubsup> <mi>I</mi> <mi>m</mi> <mi>n</mi> </msubsup> <mo>*</mo> <msubsup> <mi>G</mi> <mi>l</mi> <mi>r</mi> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> </mrow>Imn表示第m类事物的第n个训练样本,Glr表示第l个尺度的第r个角度的Gabor滤波器,con()为卷积运算,A为训练样本总数;(4)按照以下步骤提取每个训练样本基于不同尺度的排序直方谱特征向量:(4.1)从P中提取一个训练样本基于某尺度的滤波图像集合,根据基于该尺度的滤波图像集合的直方图区间划分方式,得到其对应的直方图集合和特征值集合;(4.2)对直方图集合里的元素按照特征值集合里对应元素的值的大小进行排序,得到训练样本基于该尺度的排序直方谱特征向量;(4.3)按照步骤(4.1)-(4.2)的方式,遍历所有训练样本和尺度,得到每个训练样本基于不同尺度的排序直方谱特征向量;(5)使用χ2统计距离,根据步骤(4)得到的排序直方谱特征向量对训练样本进行聚类,得到最佳分类尺度;(6)将待分类图像分成小块,按照步骤(4.1)-(4.2)的方式计算每个小块基于最佳分类尺度的排序直方谱特征向量;根据排序直方谱特征向量,使用分类器依次对小块分类并标记,最终得到整幅图像的分类结果。 |