[发明专利]一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法

说明书

本发明公开了一种基于OpenStreetMap的高分辨率遥感影像多分类器联合分类方法，本发明利用分割算法将遥感影像划分为一系列内部均质的对象块，以对象块代替像素作为影像最小处理单元，结合影像对象块和OpenStreetMap的地物标记信息获取分类样本，构建多个分类模型进行面向对象块的影像分类，计算各个对象块在不同分类器下属于不同类别的概率，获取对象块对应的分类可靠性，实现多分类结果的加权融合，完成高分辨率遥感影像分类。本发明基于影像对象块为基本单元获取训练样本，能够避免选择大量具有相似特征的像素作为样本，降低样本间的冗余信息，提升分类模型的构建效率与准确度。

技术领域

本发明涉及遥感影像处理技术领域，特别涉及一种高分辨率遥感影像多分类器联合分类方法，尤其是一种结合OpenStreetMap的高分辨率遥感影像多特征联合分类方法。

背景技术

分类技术作为遥感影像信息解译的重要手段，被广泛应用于地表覆盖检测、城市景观分析等方面。立足于样本提供的类别先验信息，分类方法根据影像特征赋予每个像素特定的类别标记，完成影像的信息解译。然而，通过专家外业调绘或目视解译的样本采集方式需要大量的人力及物力，难以快速获取足量标记样本用于遥感影像分类。近年来，研究者逐步认识到OpenStreetMap(OSM)能够为遥感影像提供分类样本。OSM是一种典型的自发地理信息，旨在发挥公众对其熟悉环境的认知优势，利用公众贡献的地理数据实现地图绘制。随着公众自发参与地理信息贡献热情的提升，OSM数据得到了迅速的扩充，能够为高分辨率遥感影像分类样本获取提供支撑。

当前基于OSM的遥感影像分类方法通常使用单一的分类器根据像素的光谱特征对影像进行分类。已有方法直接根据用户上传的OSM信息提取标记样本，使用预先选定的分类器，结合光谱信息对每个像素进行类别的判定。然而，逐像素的分类方式忽略了像素间的空间位置关系，无法有效挖掘地物分布的潜在联系，难以发挥高分辨率遥感影像细节信息丰富的优势。同时，高分辨率遥感影像地物信息高度细节化，逐像素的分类方式容易出现椒盐噪声，无法保持统一地物内部所有像素的类别一致性，不利于分类结果的进一步应用。另一方面，由于高分辨率遥感影像地物属性的复杂性，仅适用单一分类器进行分类，难以准确对像素的类别进行预测。不同分类器基于不同判别准则，能够反映像素在特定规则下属于不同类别的可能。立足于多个分类结果的互补信息，能够有效地修正单一分类器对于像素类别的错误预测。但是，当前多分类器联合的方法主要依赖于众数投票，选择出现次数最高的类别作为像素的标记，未能考虑到不同分类结果的可靠性和对融合结果的贡献，不利于分类精度的进一步提升。

发明内容

针对现有工作中存在的问题，本发明提供一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法，该方法通过分割算法处理遥感影像获取对象块，并以对象块代替像素作为遥感影分类的最小处理单元，根据OSM类别标记和对象块获取分类样本，使用多个分类器对影像进行分类，获取每个对象块在不同分类器下属于不同类别的概率，融合不同分类器的结果，完成高分辨率遥感影像分类。

本发明的技术方案为一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法，包含以下步骤：

1)对OpenStreetMap(OSM)与待分类高分辨率遥感影像进行配准，根据实际分类需求，从OSM中选择出感兴趣类别对应的矢量图层，并将矢量数据转化为栅格影像；

2)利用分割算法处理待分类高分辨率遥感影像，将影像上空间相邻且具有相似光谱特性的像素进行聚集，形成一系列的影像对象块，并计算每一个对象块的光谱特征；

3)针对每个类别对应的OSM栅格影像，结合待分类高分辨率遥感影像对象块获取训练样本；

4)以影像对象块为最小处理单元，使用从OSM数据获得的训练样本，利用多个分类器对待分类高分辨率遥感影像进行分类，获取不同分类器下每个对象块隶属于不同类别的概率；