遙感影像融合下自然資源地類特征提取仿真

蒙友波,廖艷梅,覃 鋒,王曉紅

(1. 貴州省自然資源勘測規劃研究院,貴州 貴陽 550000;2. 貴州理工學院礦業工程學院,貴州 貴陽 550003;3. 貴州大學林學院,貴州 貴陽 550025)

1 引言

在我國第三次國土調查時,國家有關部門圍繞“兩統一”原則,提出了2021年度的地理國情監測[1]方案,并依據該方案給國家自然資源進行了細致的監測分析,建立了完整的遙感數據庫,以便后續的監察研究。遙感技術[2]依靠其自身覆蓋范圍廣、數據信息客觀以及實時性高的特性,受到各個國家的喜愛。隨著我國國民經濟水平的穩步提升,國家對于自然資源的保護愈加注重。自然資源地類特征提取作為其中重要組成部分,提出合理有效的特征提取方法是該領域亟待解決的問題。

文獻[3]提出基于非規則標識點過程的遙感圖像零星地物目標幾何特征提取。該方法首先使用非規則標識點建立目標幾何函數,確定目標位置;再通過高斯分布的散度定義法提取目標提取函數,使用最大化概率分布準則算法獲取目標提取結果;最后通過提取結果實現特征提取。該方法未能對圖像進行融合處理,導致識別正確率低。文獻[4]提出高分辨率遙感影像建筑區域局部幾何特征提取方法。該方法通過對影像的多尺度變換,獲取圖像的奇異性特征;通過張量投票理論對圖像進行二階張量對稱處理,用概率密度估計算法生成全局概率密度場,最后通過最大類間方差法完成閾值分割,實現特征提取。該方法在進行張量對稱時存在問題,所以該方法進行特征提取時的查全率低。文獻[5]提出面向高光譜影像分類的顯著性特征提取方法。該方法基于相鄰波段法對圖像進行分割處理;基于分割結果,獲取不同圖像區域的顯著性特征;最后利用滑窗法對遙感圖像的光譜方向進行計算,并使用支持向量機對計算結果進行分類,實現特征提取。該方法在進行光譜計算時存在誤差,所以該方法的誤報率高。

為解決上述特征提取方法中存在的問題,提出遙感影像融合下自然資源地類特征提取方法。

2 遙感影像融合

使用拉普拉斯法[6]對自然資源遙感圖像進行融合處理。

2.1 圖像分解

2.1.1 建立高斯金字塔

設定原始遙感圖像為金字塔的底層圖像G0,并將其進行高斯濾波[7]采樣,獲取金字塔第一層圖像G1,以此類推構建一個自然資源遙感圖像的高斯金字塔。金字塔構建過程如下式所示

(1)

式中,金字塔頂層標記成n,層數為l,常數分別為i和j。由此建立高斯金字塔G={G0,G1,…,GN}。

2.1.2 建立拉普拉斯金字塔

(2)

(3)

式中,第l層的拉普拉斯分解圖像為LPl,金字塔頂層層數標記為N,頂層分解圖像標記為LPn。

依據上述可知,在建立的金字塔中,每一層獲取的遙感圖像都是通過內插放大獲取的,所以又稱該過程為圖像帶通濾波分解過程。

2.1.3 圖像重構

基于上述約束條件,建立圖像重構約束準則,實現遙感圖像的重構[8],過程如下式所示

(4)

式中,金字塔頂層圖像重構約束準則為GN。圖像的重構過程如下式所示

(5)

式中,重構的圖像為S,噪聲方差標記為?。

根據上述可知,在遙感圖像重構的過程中,通過建立的拉普拉斯金字塔由頂層逐級向下遞推,從而完成自然資源遙感圖像的重構。

2.2 圖像融合

由于拉普拉斯金字塔分解的遙感圖像處于不同空間頻帶上,所以遙感圖像在融合時也要依據頻帶的不同,分頻帶進行圖像融合[9],從而突出特定頻帶細節特征。

設定原始遙感圖像A、B在拉普拉斯分解后的第l層圖像為LAl和LBl,融合后金字塔頂層原始圖像分別標記成LAN和LBN,像素的中心區域為M×N,通過計算獲取大小該區域的平均梯度,過程如下式所示

(6)

式中,在x、y兩個方向上的一階差分[10]標記成ΔIx和ΔIy,二者的描述過程如下式所示

(7)

式中,遙感圖像像素標記為f(x,y)。

根據上述可知,通過金字塔頂層中LAN(i,j)與LBN(i,j)中各個像素的計算,可獲取相應的圖像像素平均梯度值。

將獲取的平均梯度值[11]設定為GA(i,j)和GB(i,j)形式,通過下式完成頂層圖像的融合,結果如下式所示:

(8)

式中,融合后的圖像標記為LFN。當0≤l≤n時,通過分解后的第l層圖像,計算各區域像素能量,過程如下式所示

(9)

式中,融合函數標記為?(p,q),函數中的融合向量為p和q,原始圖像A、B的融合結果分別為ARE和BRE。最后通過下式完成自然資源遙感圖像各層級的融合

0≤l≤N

(10)

式中,獲取的金字塔各層融合圖像標記為{LF1,LF2,…LFN},原始自然資源遙感圖像最終的融合結果標記為LFl(i,j)。

3 特征提取

3.1 小波變換

建立一個基本函數并將其標記成ψ(t)∈L2R形式,設定傅立葉變換值[12]為ψ(ω),且二者需要滿足下式

(11)

式中,母小波標記為ψ(t),變換系數標記為ω。對母小波進行平移伸縮處理,過程如下式所示

(12)

式中,伸縮因子用a標記,平移因子標記為τ,小波基函數標記為ψa,τ(t)。

將小波變換函數設定成f(t)形式,變換過程中,由于a和τ為連續變量,因此要通過計算獲取圖像的等價頻域,并基于獲取的等價頻域,完成對圖像信號的恢復,過程如下式所示

(13)

式中,變換系數分別為WTf(a,τ)和WTx(a,τ),頻域為F(ω)。依據上述結果對融合后的圖像進行小波變換,恢復圖像中的像素分量。

3.2 圖像聚類

通過聚類算法[13]計算圖像的流形距離,將聚類樣本設定成X={X1,X2,…,XN}?RN×q形式,特征類別標記為c,聚類矩陣為U=[uik]c×n,隸屬度標記為uik形式,建立的目標函數如下式所示

(14)

3.3 選取濾波器

由于遙感圖像的多維特性,需要將原始濾波器組中的各項參數進行更新確定,設定濾波噪聲為σ,濾波器[14]方向角標記θ,中心偏移量為φ。由于濾波器中參數較多,所以要根據適當的方法對濾波器參數進行設定,若濾波器頻率帶寬標記成B=1,根據徑向中心頻率的方向角數量,確定濾波器參數?；谏鲜鲈O定的濾波參數獲取濾波公式過程如下式所示

Fg(x,y)=gf,θ(x,y)?I(x,y)=

(15)

式中,特定區域紋理特征為Fg(x,y),濾波系數標記為g。因為降維后的圖像高光譜數據值較大,所以需要對遙感圖像進行分塊,并通過圖像的分類運算獲取圖像能量信息,過程如下式所示

(16)

式中,遙感圖像中第u行第v列的特定圖像分塊用ROI(u,v)表示,圖像能量信息用E(u,v)標記,設定濾波器個數為k。

3.4 提取算法

使用等距映射方法對遙感影像的樣本維數進行降維處理,從而降低迭代次數,再通過FCM聚類算法進行計算,實現特征提取。首先基于遙感影像建立目標函數,過程如下

(17)

式中,遙感圖像數據樣本xj的低維映射標記為φ(xj),圖像數據的聚類中心標記為pi,模糊加權指數用m標記。最后使用拉格朗日乘子[15]對目標函數進行優化,獲取自然資源地類特征的提取。過程如下式所示

(18)

式中,遙感影像的聚類中心標記為pk。

4 實驗

為了驗證上述特征提取方法的整體有效性,需要對此方法進行測試。

4.1 實驗結果及分析

分別采用遙感影像融合下自然資源地類特征提取方法(方法1)、基于非規則標識點過程的遙感圖像零星地物目標幾何特征提取(方法2)、面向高光譜影像分類的顯著性特征提取方法(方法3)進行測試;

在對自然資源遙感影像進行地類特征提取過程中,平均正確識別率、平均查全率以及平均誤報率的高低都會對特征提取性能帶來影響。所以基于上述的三種特征提取方法,將上述三種指標分為三個階段,測試不同特征提取方法的提取效果。

1)第一階段,隨機選定1000張圖像,將其分為兩個小組,設定1組為無噪聲圖像,2組為有噪聲圖像。采用方法1、方法2以及方法3進行特征提取時,測試三種方法的平均正確識別率,測試結果如圖1所示。

圖1 不同特征提取方法的正確識別率測試結果

當圖像數量不斷增加時,三種特征提取方法的平均正確識別率都出現了不同程度的下降。由于圖1(b)為有噪聲圖像,所以對比圖1(a)來看,檢測出的正確識別率要低于無噪聲圖像的檢測結果。在圖1(a)中,當圖像數量為100時,三種特征提取方法檢測出的正確識別率無較大差距,且方法2與方法3的檢測結果一致,隨著測試的進行,三種方法逐漸拉開差距。由此可知,本文所提方法無論在噪聲圖像中還是無噪聲圖像中檢測出的識別正確率均高于其它兩種方法,方法2略低于本文所提方法,方法3的檢測結果最差。

2)在第二階段中,選定一張圖像,采用方法1、方法2以及方法3進行特征提取,對三種特征提取方法的平均查全率進行測試,測試結果如圖2所示。

圖2 不同方法的查全率測試結果

分析圖2可知,本文所提方法的查全率要高于其它兩種方法,方法2低于本文所提方法,方法3的檢測結果較不理想。這主要是因為本文所提方法在進行圖像特征提取前使用拉普拉斯法對圖像進行了融合處理,所以本文所提方法在進行特征提取時的平均查全率高。

3)基于上述實驗結果,開展第三階段的測試,采用方法1、方法2以及方法3提取圖像特征時,對三種方法的平均誤報率進行測試,測試結果如圖3所示。

圖3 不同方法的平均誤報率測試結果

圖像數量的多少會對誤報率的檢測結果帶來影響,圖像數量越多,誤報率的檢測結果越差。本文所提方法自實驗初期,誤報率的檢測結果低于其它兩種方法,并且將其維持至實驗結束。雖然方法2與方法3在圖像數量為100時,誤報率檢測結果一致,但是隨著測試的進行,二者差距逐漸拉開,方法2的誤報率要遠低于方法3。

5 結束語

針對傳統圖像特征提取方法中存在的諸多問題,提出遙感影像融合下自然資源地類特征提取方法。該方法首先對遙感圖像進行融合處理;再通過小波去噪恢復圖像像素分量;最后通過聚類算法實現對圖像的特征提取。由于該特征提取方法在進行圖像像素分量恢復時,還存在一定的缺陷,今后會針對該項問題繼續對該圖像特征提取方法進行優化處理。