[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

说明书

本发明涉及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，包括：步骤1、图像预处理；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；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。本发明的有益效果是：引入了POI数据降低了遥感数据因同物异谱和同谱异物导致的误分；综合利用图像的多种特征,包括局部特征、光谱特征、纹理特征、地表温度特征、空间三维特征和POI特征,能够在图像单一特征不明显的情况得到更高的分类精度。

技术领域

本发明涉及遥感图像分类领域，尤其包括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，通过结合POI数据利用语义模型和概率主题模型来跨越遥感图像低层视觉特征与高层语义之间的鸿沟，实现城市功能分区精度的提高。

背景技术

随着遥感技术的发展，遥感图像的时间、空间分辨率的不断提高，遥感图像的数据量急剧增加。在面对海量的遥感数据的情况下，利用人工目视解译的方法对遥感图像解译需要花费大量的时间和人力。因此，如何利用计算机自动地把遥感图像进行解译成为了遥感领域的热点研究问题。同时，新常态时期的中国经济和城市进入新的发展阶段，传统的城市发展模式面临诸多问题，对城市规划理念、策略和建设提出新的要求和挑战。为了加强城市功能区的合理规划，确定最合理的城市功能区空间布局，在提高城市土地利用效率的基础上，将城市各项产业集聚起来并发挥最大效能，在一定程度上提高城市土地利用效率，确保新型城镇战略的有效实施。

为了克服遥感图像低层视觉特征与高层语义之间的鸿沟,基于中层特征对土地利用场景语义建模描述的方法逐渐得到广泛的关注。尤其是近年来的词袋模型(Bag ofWords model)在图像分析和图像分类的应用中取得了巨大成功,成为一种新的、有效的图像内容表达的研究思路,并在遥感图像土地利用场景分类中取得了一定成果。它将图像表示为一些局部图像块,每幅图像块像句子一样表示为不同比例的单词,所有单词的集合组成一个视觉词典。

词袋模型具有计算简单,对噪声、光照和局部遮挡更加鲁棒等特点。但是由于遥感图像纹理信息丰富,局部特征点较多,直接采用基于聚类方法获得视觉单词不一定能反映场景特征,从而造成了总体分类精度也不高。而对于高分辨率遥感图像中的不同建筑物类型,各个特征的表现并不一致。如有些类可能由于其光谱特征的显著性,所以最适合采用光谱特征来进行分类,而有些类纹理比较丰富,使得局部特征比较明显。并且仅仅使用遥感影像进行城市功能分区时，会出现“同物异谱”、“同谱异物”的情况，导致分类精度的降低。显然如果采用同一种特征对不同类别地物进行分类的方法不再适用。

综上所述，提出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，就显得尤为重要。

发明内容

本发明的目的是克服现有技术中的不足，提供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，具体包括如下步骤：

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：