[发明专利]一种基于多特征融合的高分辨率遥感影像城市功能分区方法

权利要求书

1.一种基于多特征融合的高分辨率遥感影像城市功能分区方法，其特征在于，包括以下步骤：

步骤1、图像预处理，并用合适的格网将图像分割，选取训练集和测试集；计算落入每个格网的POI类型数量比例，得到POI特征；分别提取遥感图像训练集中的局部特征、光谱特征、纹理特征、地表温度特征和三维空间特征；

步骤1.1、提取遥感图像局部特征：选用SURF算法，采用Hessian矩阵行列式近似值图像，求出每一个像素点(x，y)对应的Hessian矩阵：

上式中，(x，y)为像素点坐标，f(x，y)为该坐标点的灰度值；

当Hessian矩阵的判别式取得局部极大值时，判定当前点是比周围邻域内其他点更亮的点或更暗的点，定位关键点的位置；Hessian矩阵的判别式为：

使用添加了渐变信息的盒子滤波模板对积分图像进行盒子滤波计算，构建尺度空间；每个像素点的det(H)和相邻尺度空间的所有相邻点的det(H)进行比较，当其大于或小于所有相邻点时，det(H)值大于或小于自身所有相邻点的像素点就是极值点，并记下极值点的位置作为特征点；

在以特征点为圆心，6s为半径的圆形区域中，构建一个60度的扇形滑动窗口；所述s为特征点的尺度空间；以0.2的弧度进行旋转遍历整个圆形区域，并计算扇形滑动窗口内的Haar小波特征值；选择Haar小波特征值总和最大的方向作为该特征点的主方向；Haar小波特征总和的求法是对图像Harr小波特征值dx和dy进行累加，得到一个矢量(m_ω，θ_ω)：

m_ω＝∑_ωdx+∑_ωdy (3)

θ_ω＝arctan(∑_ωdx/∑_ωdy) (4)

主方向θ为图像最大Harr小波特征值所对应的方向，即：

θ＝θω|max{m_ω} (5)

在特征点处取一个带有θ方向的正方形框，框的边长为20s，所述s为特征点的尺度空间；将带有θ方向的正方形框分为4×4个子区域，统计每个子区域的Harr小波特征值的水平方向值之和、水平方向绝对值之和、垂直方向之和及垂直方向绝对值之和；所述SURF特征描述子共由4×4×4＝64维特征矢量组成；

步骤1.2、提取遥感图像光谱特征，计算每一个波段的均值与标准差，实现方式如下：

上式(6)和式(7)中，n为格网中总像元数量，v_i为在波段中第i个像元的灰度值；

步骤1.3、提取遥感图像纹理特征，选用LBP算子，将LBP算子定义在3×3像素的窗口内：

上式中，(x_c，y_c)表示每个3×3区域的中心点，p表示3×3窗口中除中心像素点外的第p个像素点；I(c)表示中心像素点的灰度值，I(p)表示领域内第p个像素点的灰度值；

以窗口中心像素为阈值，将中心像素值与相邻的8个像素的灰度值比较：若相邻的像素值大于中心像素值，则该位置被标记为1；否则标记为0：

上式中，x为中心像素值；得到一个8位二进制数，将这个8位二进制数作为窗口中心像素点的LBP值，来反应这个3×3像素窗口的纹理信息；

步骤1.4、提取地表温度特征，根据NDVI计算地表比射率：

上式中，ε为地表比辐射率；NDVI为归一化植被指数；根据单窗算法计算地表温度，其公式如下：

T_s＝{a·(1-C-D)[b·(1-C-D)+C+D]·T-D·T_a}/C (11)

上式中，T_s为地表温度；a和b为经验系数，其中a＝-67.35535，b＝0.458608；T为亮度温度；T_a为大气平均作用温度；C和D的计算公式如下：

C＝τ·ε (12)

D＝(1-τ)·[1+τ·(1-ε)] (13)

上式(12)至式(13)中，τ为大气透过率，ε为地表比辐射率；

步骤1.5、提取三维空间特征：通过LiDAR技术获得三维空间点云数据，再利用克里金空间插值算法生成数字地表模型DSM特征；

步骤2、将各图像中的特征值分配至与其最相近的视觉单词，统计各个视觉词汇的相应词频，形成视觉词汇特征；构建多特征BoW视觉字典：

步骤2.1、构建各类特征词汇表：分别对步骤1中提取的局部特征、光谱特征、纹理特征、地表温度特征和三维空间特征进行K均值聚类；每一个聚类中心即为一个单词，所有的聚类中心汇聚成一个单词表；

步骤2.2、通过计算每个格网的特征与各单词的距离，将该特征分配给单词表中距离最近的单词；

步骤2.3、统计各个单词对应的词频生成一个K维的特征向量，再用堆栈的方式将各K维的特征向量拼接，将每个格网用一个多维向量来表示：

f_i＝{sur_i，spe_i，lbp_i，lst_i，dsm_i，poi_i} (14)

上式中，sur_i为局部特征向量，spe_i为光谱特征向量，lbp_i为纹理特征向量，lst_i为地表温度特征向量，dsm_i为三维空间特征向量，poi_i为POI特征向量；

将每个格网当作文档用特征词汇描述：

Doc_i＝{word_sur，word_spe，word_lbp，word_lst，word_dsm，word_poi}_i (15)

步骤3、构建LDA概率主题模型，利用LDA概率主题模型挖掘图像的高维语义向量，LDA概率主题模型通过提取各特征向量所包含的高维语义向量来分配各特征向量的概率；

步骤3.1、利用LDA概率主题模型将文档集中的每篇文档按照概率分布的形式给出：

P(w|d)＝P(w|t)×P(t|d) (16)

上式中，w为词，d为文档，t为主题；以主题t为中间层，通过两个向量分别给出P(w|t)和P(t|d)，θ_d表示对每个总集合D中的个体文档d对应到不同个体主题t的概率，表示对每个总集合TA中的个体主题t生成不同单词的概率向量；

步骤3.2、LDA概率主题模型的学习过程为：

对所有的d和t，先随机地给θ_d，赋值；针对特定的文档d_s中的第i个单词w_i，如果单词w_i对应的主题为t_j，将公式(15)改写为：

P_j(w_i|d_s)＝P(w_i|t_j)×P(t_j|d_s) (17)

枚举总集合TA中的主题t，得到所有的P_j(w_i|d_s)；根据P_j(w_i|d_s)的结果为d_s中的第i个单词w_i选择一个主题t，所述w_i对应的主题t取P_j(w_i|d_s)概率最大的主题t_j；

将一次迭代过程定为：对文档总集合D中的所有文档d中的所有w进行一次P(w|d)计算，并重新选择主题；

重复迭代过程直到θ_d，收敛，最后输出估计参数θ_d，得到每个单词的主题以及每个主题的高维语义向量；

步骤4、根据步骤3得到的高维语义向量，训练SVM分类器；

步骤5、用SVM分类器对测试集进行城市功能分区。