李亮， 梁彬， 薛鵬， 應(yīng)國(guó)偉

(四川省第三測(cè)繪工程院,成都 610500)

?

基于像斑直方圖G統(tǒng)計(jì)量的遙感影像分類

李亮， 梁彬， 薛鵬， 應(yīng)國(guó)偉

(四川省第三測(cè)繪工程院,成都 610500)

為了充分利用像斑的光譜特征，提出一種基于像斑直方圖G統(tǒng)計(jì)量的影像分類方法。通過(guò)多尺度影像分割獲取像斑，選擇合適的訓(xùn)練樣本像斑； 依據(jù)像斑的光譜屬性，自適應(yīng)地設(shè)定光譜直方圖的灰度級(jí)，提取像斑的光譜直方圖； 采用G統(tǒng)計(jì)量度量測(cè)試像斑與各訓(xùn)練樣本像斑光譜直方圖間的距離，用來(lái)表達(dá)像斑光譜特征的異質(zhì)性； 利用最小距離分類器獲得影像分類結(jié)果。遙感影像分類實(shí)驗(yàn)結(jié)果表明，該方法能有效提高影像的分類精度。

像斑； 直方圖； G統(tǒng)計(jì)量； 最小距離； 影像分類

0 引言

遙感影像分類是以遙感影像為數(shù)據(jù)源，利用分類器將影像中像元?jiǎng)澐譃閷?duì)應(yīng)地物類別[1]，在土地覆蓋分類[2-3]、土地覆蓋變化檢測(cè)[4-5]和專題信息提取[6-7]等領(lǐng)域得到廣泛應(yīng)用。經(jīng)典的遙感影像分類器有最小距離分類器[8]、貝葉斯分類器[9]、支持向量機(jī)分類器[10]和神經(jīng)網(wǎng)絡(luò)分類器[11]等。

影像分類方法依據(jù)分類單元可分為基于像元與面向?qū)ο?大類[12-14]。影像對(duì)象又稱之為像斑，是一系列光譜相似、空間相鄰的像元集合。通?；谙裨姆诸惤Y(jié)果椒鹽噪聲較為嚴(yán)重，且不能有效利用影像中包含的空間上下文信息； 而面向?qū)ο蟮姆诸惙椒▌t較好地避免椒鹽噪聲，可用特征豐富，已成為影像分類的研究熱點(diǎn)。陳秋曉等[15]提出一種融合對(duì)象多特征的影像分類方法，利用對(duì)象的光譜、幾何及拓?fù)涮卣鬟M(jìn)行分類； 陳云浩等[16]利用影像對(duì)象的特征建立規(guī)則，分層進(jìn)行分類； 蔡曉斌等[17]將像斑空間關(guān)系引入到面向?qū)ο蟮姆诸惙椒ㄖ?，提高了影像分類的精度?陳杰等[18]提出一種利用粗糙集的面向?qū)ο蟮姆诸惙椒ǎY(jié)合像斑的光譜與紋理特征進(jìn)行分類。盡管面向?qū)ο蟮姆诸惙椒ㄔ谟跋穹诸愔腥〉昧溯^好效果，然而現(xiàn)有研究多采用均值來(lái)表達(dá)像斑的光譜特征，無(wú)法反映像斑內(nèi)部像元的分布情況，存在一定的局限性。

本文提出一種基于像斑直方圖G統(tǒng)計(jì)量的遙感影像分類方法。采用像斑的光譜直方圖來(lái)表達(dá)像斑的光譜特征，利用測(cè)試像斑與各訓(xùn)練樣本像斑的直方圖距離度量像斑光譜特征之間的異質(zhì)性，依據(jù)最小距離原則獲取影像分類結(jié)果，并通過(guò)遙感影像分類實(shí)驗(yàn)對(duì)比驗(yàn)證本文方法的分類精度。

1 基于像斑直方圖G統(tǒng)計(jì)量的影像分類

該方法是一種面向?qū)ο蟮挠跋穹诸惙椒ā＞唧w算法流程如圖1所示。

圖1 本文算法流程

1.1 影像分割

影像分割是獲取像斑的重要手段。通過(guò)影像分割，可將整景影像劃分為若干個(gè)互不重疊的連通區(qū)域。區(qū)域內(nèi)部具有光譜勻質(zhì)性，相鄰區(qū)域間具有光譜異質(zhì)性。經(jīng)典的影像分割方法有區(qū)域增長(zhǎng)法、邊緣檢測(cè)法和分裂合并法等。本文采用面向?qū)ο蟮挠跋穹治鲕浖Cognition中的多尺度分割模塊來(lái)獲取像斑(圖2)。

(a) 原始影像(b) 分割結(jié)果 (c) 像斑光譜直方圖

圖2 影像分割及光譜直方圖

Fig.2 Image segmentation and spectral histogram

圖2(a)為原始影像圖，單元格表示像元，數(shù)字表示灰度值； 圖2(b)為影像分割結(jié)果，相同背景色填充的單元格屬于同一像斑(共有2個(gè)像斑)。

1.2 光譜直方圖

像斑的光譜直方圖是灰度值的函數(shù)，用來(lái)描述像斑內(nèi)部各灰度值出現(xiàn)的頻數(shù)。令灰度值為v(0≤v

像斑的光譜直方圖能夠表達(dá)像斑內(nèi)部像元灰度值的分布情況，可以較好地反映像斑的光譜特征，同時(shí)還可以在一定程度上反映像斑的紋理特征。然而，光譜直方圖受灰度L的影響。當(dāng)L較大時(shí)，光譜直方圖能夠充分表達(dá)像斑的細(xì)節(jié)信息，但數(shù)據(jù)量較大，且存在大量頻數(shù)為0的灰度值； 當(dāng)L較小時(shí)，光譜直方圖數(shù)據(jù)量較小，卻可能會(huì)丟失一些重要的細(xì)節(jié)信息，導(dǎo)致不同地物間的可區(qū)分性變?nèi)酢?/p>

1.3 G統(tǒng)計(jì)量

利用直方圖統(tǒng)計(jì)像斑的光譜特征后，像斑的光譜異質(zhì)性就轉(zhuǎn)化為測(cè)試像斑與各訓(xùn)練樣本像斑的直方圖距離。直方圖距離用來(lái)度量2個(gè)直方圖之間的差異，常用的直方圖距離度量方法有KL距離法、直方圖相交法和G統(tǒng)計(jì)量法等。G統(tǒng)計(jì)量(G statistics)能夠較好地度量2個(gè)直方圖之間的距離，且無(wú)需對(duì)直方圖的分布預(yù)先作任何假設(shè)，已被廣泛應(yīng)用于影像分割中相鄰區(qū)域的距離測(cè)量[19-20]。

2個(gè)像斑光譜直方圖之間的G統(tǒng)計(jì)量為

(1)

式中：i為影像的灰度級(jí)，i=0,1,…,L-1；f和g分別為2個(gè)像斑的光譜直方圖。

將像斑直方圖歸一化，則累計(jì)頻數(shù)之和為1，故

(2)

(3)

(4)

將式(2)―(4)帶入式(1)，可將其簡(jiǎn)化為

(5)

G統(tǒng)計(jì)量的取值范圍為[0,4ln 2]。當(dāng)2個(gè)像斑的光譜直方圖完全相同時(shí)，G統(tǒng)計(jì)量取最小值0； 當(dāng)2個(gè)像斑的光譜直方圖不相關(guān)時(shí)，G統(tǒng)計(jì)量取最大值4ln 2。G統(tǒng)計(jì)量的值越大，則對(duì)應(yīng)像斑間的光譜直方圖距離越大，2個(gè)像斑間的相似性越?。?反之，G統(tǒng)計(jì)量的值越小，則光譜直方圖的距離越小，對(duì)應(yīng)的相似性越大。

上述為單波段影像中像斑間的G統(tǒng)計(jì)量。多光譜遙感影像分類時(shí)，影像的各波段都會(huì)對(duì)應(yīng)1個(gè)G統(tǒng)計(jì)量，不同波段對(duì)應(yīng)的G統(tǒng)計(jì)量不同。部分地物在單一波段上的可區(qū)分性較差，僅依靠單一波段的G統(tǒng)計(jì)量無(wú)法實(shí)現(xiàn)正確分類，從而導(dǎo)致G統(tǒng)計(jì)量判別準(zhǔn)則失效。對(duì)于多波段遙感影像，則可先單獨(dú)計(jì)算各波段上的G統(tǒng)計(jì)量，再對(duì)各波段上G統(tǒng)計(jì)量設(shè)定權(quán)重值，利用各波段G統(tǒng)計(jì)量的加權(quán)和作為最終的G統(tǒng)計(jì)量。確定權(quán)重時(shí)，地物可區(qū)分性較差的波段設(shè)置較小的權(quán)重值。

1.4 影像分類

令地物類別的集合為Ω={Ω1,Ω2,…,Ωm}，其中m表示地物類別數(shù)； 選取的訓(xùn)練樣本像斑個(gè)數(shù)為n，對(duì)應(yīng)的類別集合為C={C1,C2,…,Ck,…,Cn}，其中Ck(1≤k≤n)表示第k個(gè)訓(xùn)練樣本像斑的類別。依據(jù)最小距離原理，則待分類像斑的類別T表示為

(6)

式中：G(k)為待分類像斑與第k個(gè)訓(xùn)練樣本像斑的G統(tǒng)計(jì)量； arg min為取最小值函數(shù)。

從式(5)可以看出，G統(tǒng)計(jì)量與像斑光譜直方圖的灰度級(jí)密切相關(guān)。G統(tǒng)計(jì)量表達(dá)的關(guān)鍵在于選取光譜直方圖的最優(yōu)灰度級(jí)?；叶燃?jí)過(guò)大，光譜直方圖較為稀疏，計(jì)算的G統(tǒng)計(jì)量偏差較大； 灰度級(jí)過(guò)小，光譜直方圖過(guò)度壓縮，丟失大量細(xì)節(jié)信息，計(jì)算的G統(tǒng)計(jì)量偏差也較大。

不同的像斑對(duì)應(yīng)的最優(yōu)灰度級(jí)不同。像斑的光譜特征分布較為集中時(shí)，應(yīng)設(shè)定較小的灰度級(jí)； 像斑的光譜特征分布較為分散時(shí)，則應(yīng)設(shè)定較大的灰度級(jí)。為此，本文提出一種自適應(yīng)的灰度級(jí)設(shè)定方法。其基本思想是： 對(duì)于光譜特征分布集中的像斑，設(shè)置灰度級(jí)為8； 對(duì)于光譜特征分布分散的像斑，設(shè)置灰度級(jí)為256。由于光譜特征集中的像斑，光譜勻質(zhì)性較高，對(duì)應(yīng)的標(biāo)準(zhǔn)差較??； 光譜特征分散的像斑，光譜勻質(zhì)性較低，對(duì)應(yīng)的標(biāo)準(zhǔn)差較大，故采用標(biāo)準(zhǔn)差來(lái)衡量像斑內(nèi)部光譜特征的分布情況。像斑灰度級(jí)的自適應(yīng)設(shè)定公式為

(7)

式中：std為像斑的標(biāo)準(zhǔn)差；Thr為閾值，本文設(shè)定為13。

2 實(shí)驗(yàn)與分析

實(shí)驗(yàn)數(shù)據(jù)采用2010年獲取的天津地區(qū)IKONOS遙感影像，大小為688像元×641像元，空間分辨率為1 m，包含紅光、綠光和藍(lán)光3個(gè)波段。該研究區(qū)內(nèi)共包含道路、湖泊、建筑物、裸地和植被5類地物。

利用eCognition軟件的多尺度分割模塊進(jìn)行影像分割，設(shè)定形狀因子為0.3，緊致度為0.9，尺度參數(shù)為50，共獲取494個(gè)像斑。原始影像如圖3(a)所示，圖3(b)為影像分割矢量圖疊合在遙感影像上的結(jié)果，其中紅色線條表示分割像斑的邊界，圖中A處為裸地，B處為建筑物。

(a) 原始影像 (b) 影像分割圖 (c) 光譜直方示意圖

圖3 實(shí)驗(yàn)數(shù)據(jù)與影像分割結(jié)果

Fig.3 Experimental data and image segmentation result

針對(duì)監(jiān)督分類方法，訓(xùn)練樣本的選擇十分重要，要盡可能覆蓋各種地物類別。在圖3(a)中，建筑物與裸地的光譜特征十分相似，都具有較高的反射率，在影像中亮度較高，色調(diào)相近。但是從圖3(c)可以看出，雖然2個(gè)像斑的光譜均值相近，然而光譜分布卻有著較大差異，建筑物的光譜分布較為集中，裸地的光譜分布較為分散，從而可以有效區(qū)分光譜特征相似的地物類別。

為了衡量分類方法的精度，通過(guò)目視解譯制作了標(biāo)準(zhǔn)分類圖(圖4(a))。同時(shí)，為了驗(yàn)證本文方法的有效性，利用光譜均值的最小距離分類方法與本文方法進(jìn)行了對(duì)比，分類結(jié)果對(duì)比如圖4所示。

(a) 標(biāo)準(zhǔn)分類圖 (b) 光譜均值最小距離分類結(jié)果 (c) 本文方法分類結(jié)果

圖4 影像分類結(jié)果對(duì)比

Fig.4 Comparison of image classification results

從圖4中可以看出，利用光譜均值進(jìn)行最小距離分類，大量的建筑物被誤分為裸地，少量裸地被誤分為建筑物，部分湖泊被錯(cuò)誤劃分為植被； 而利用本文方法，大部分地物得到正確劃分。

在定性分析的基礎(chǔ)上，對(duì)2種分類方法進(jìn)行了定量評(píng)價(jià)。分類精度如表1所示。

表1 2種方法的分類精度

Tab.1 Classification accuracy by two methods(%)

地物類別光譜均值最小距離法制圖精度用戶精度本文方法制圖精度用戶精度道路86．080．4100．094．8湖泊63．862．986．080．2建筑物53．861．673．587．4裸地74．682．290．691．3植被98．485．193．688．7

從表1可以看出，與光譜均值最小距離法分類結(jié)果相比，本文方法建筑物和裸地的分類精度均有較大提高。其中，建筑物的制圖精度和用戶精度分別提升了19.7%和25.8%，裸地的制圖精度和用戶精度分別提升了16.0%和9.1%。這是因?yàn)榻ㄖ锵癜吲c裸地像斑的光譜均值相近，利用光譜均值進(jìn)行分類時(shí)，分類器很難將兩者有效地區(qū)分開(kāi)來(lái)，兩者互相混淆，導(dǎo)致兩者的分類精度均較差； 本文方法利用光譜直方圖表達(dá)像斑光譜特征，考慮了像斑內(nèi)部像元的分布情況，分類器能夠?qū)⒔ㄖ锱c裸地正確劃分，因而改善了兩者的分類精度?？傮w而言，光譜均值最小距離法的總體分類精度和Kappa系數(shù)分別為79.0%和0.688，而本文方法的總體分類精度和Kappa系數(shù)分別為88.9%和0.837，分類精度得到顯著提高。

為了驗(yàn)證本文方法中自適應(yīng)確定像斑直方圖灰度級(jí)方法的有效性，分別固定影像的灰度級(jí)為8和256，利用本文方法進(jìn)行影像分類，不同灰度級(jí)的分類精度見(jiàn)表2。

表2 不同灰度級(jí)的分類精度

從表2可以看出，自適應(yīng)方法確定灰度級(jí)的分類精度最優(yōu)。當(dāng)灰度級(jí)為8時(shí)，部分光譜分布分散的像斑光譜直方圖被過(guò)度壓縮； 當(dāng)灰度級(jí)為256時(shí)，部分光譜分布集中的像斑光譜直方圖過(guò)于稀疏，都導(dǎo)致計(jì)算的G統(tǒng)計(jì)量存在較大偏差，降低了分類的精度。自適應(yīng)確定灰度級(jí)的方法對(duì)于不同的像斑設(shè)定不同的灰度級(jí)，可以獲得最優(yōu)的分類精度。

3 結(jié)論

本文利用像斑的光譜直方圖表達(dá)像斑的光譜特征，依據(jù)像斑的標(biāo)準(zhǔn)差自適應(yīng)設(shè)定光譜直方圖的灰度級(jí)，采用G統(tǒng)計(jì)量來(lái)度量測(cè)試像斑與各訓(xùn)練樣本像斑的直方圖距離，基于最小距離法獲得了最優(yōu)分類結(jié)果。遙感影像分類實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法的有效性，得出以下結(jié)論：

1)光譜直方圖可以反映像斑內(nèi)光譜特征分布，能夠較好地表達(dá)像斑的光譜特征，有效減少同物異譜及同譜異物現(xiàn)象對(duì)影像分類的影響。

2)不同地物類別對(duì)應(yīng)光譜直方圖的最優(yōu)灰度級(jí)不同。光譜勻質(zhì)性較高的湖泊和建筑物對(duì)應(yīng)的最優(yōu)灰度級(jí)較小，而植被對(duì)應(yīng)的最優(yōu)灰度級(jí)較大。

3)G統(tǒng)計(jì)量表達(dá)了像斑之間的光譜異質(zhì)性，可以較好地度量直方圖距離，遙感影像分類實(shí)驗(yàn)結(jié)果也驗(yàn)證了G統(tǒng)計(jì)量的有效性。

4)未來(lái)將研究像斑紋理特征的表達(dá)方法，并將其引入到本文的影像分類方法中，以期進(jìn)一步提高影像的分類精度。

[1] 趙紅蕊,閻廣建,鄧小煉,等.一種簡(jiǎn)單加入空間關(guān)系的實(shí)用圖像分類方法[J].遙感學(xué)報(bào),2003,7(5):358-363. Zhao H R,Yan G J,Deng X L,et al.A classification method based on spatial information[J].Journal of Remote Sensing,2003,7(5):358-363.

[2] Aguilar M A,Saldaa M M,Aguilar F J.GeoEye-1 and WorldView-2 pan-sharpened imagery for object-based classification in urban environments[J].International Journal of Remote Sensing,2013,34(7):2583-2606.

[3] 楊耘,徐麗,顏佩麗.條件隨機(jī)場(chǎng)框架下基于隨機(jī)森林的城市土地利用/覆蓋遙感分類[J].國(guó)土資源遙感,2014,26(4):51-55.doi:10.6046/gtzyyg.2014.04.09. Yang Y,Xu L,Yan P L.Urban land use/cover classification of remote sensing using random forests under the framework of conditional random fields[J].Remote Sensing for Land and Resources,2014,26(4):51-55.doi:10.6046/gtzyyg.2014.04.09.

[4] Doxani G,Karantzalos K,Tsakiri-Strati M. Monitoring urban changes based on scale-space filtering and object-oriented classification[J].International Journal of Applied Earth Observation and Geoinformation,2012,15:38-48.

[5] 李莎,倪維平,嚴(yán)衛(wèi)東,等.基于選權(quán)迭代估計(jì)與非監(jiān)督分類的多光譜圖像變化檢測(cè)[J].國(guó)土資源遙感,2014,26(4):34-40.doi:10.6046/gtzyyg.2014.04.06. Li S,Ni W P,Yan W D,et al.Change detection of multi-spectral images based on iterative estimation with weight selection and unsupervised classification[J].Remote Sensing for Land and Resources,2014,26(4):34-40.doi:10.6046/gtzyyg.2014.04.06.

[6] 孫永軍,童慶禧,秦其明.利用面向?qū)ο蠓椒ㄌ崛竦匦畔J].國(guó)土資源遙感,2008,20(1):79-82.doi:10.6046/gtzyyg.2008.01.18. Sun Y J,Tong Q X,Qin Q M.The object-oriented method for wetland information extraction[J].Remote Sensing for Land and Resources,2008,20(1):79-82.doi:10.6046/gtzyyg.2008.01.18.

[7] 周林滔,楊國(guó)范,趙福強(qiáng),等.EMD與分形相結(jié)合的遙感影像水體信息提取方法[J].國(guó)土資源遙感,2014,26(4):41-45.doi:10.6046/gtzyyg.2014.04.07. Zhou L T,Yang G F,Zhao F Q,et al.Water information extraction from remote sensing image using EMD and fraction method[J].Remote Sensing for Land and Resources,2014,26(4):41-45.doi:10.6046/gtzyyg.2014.04.07.

[8] 周前祥,敬忠良.高光譜遙感圖像聯(lián)合加權(quán)隨機(jī)分類器的設(shè)計(jì)與應(yīng)用[J].測(cè)繪學(xué)報(bào),2004,33(3):254-257. Zhou Q X,Jing Z L.Weighted combination random classifier of high spectral remote sensing image:Design and application[J].Acta Geodaetica et Cartographica Sinica,2004,33(3):254-257.

[9] 駱劍承,王欽敏,馬江洪,等.遙感圖像最大似然分類方法的EM改進(jìn)算法[J].測(cè)繪學(xué)報(bào),2002,31(3):234-239. Luo J C,Wang Q M,Ma J H,et al.The EM-based maximum likelihood classifier for remotely sensed data[J].Acta Geodaetica et Cartographica Sinica,2002,31(3):234-239.

[10]Maulik U,Chakraborty D.A self-trained ensemble with semisupervised SVM:An application to pixel classification of remote sensing imagery[J].Pattern Recognition,2011,44(3):615-623.

[11]張友水,馮學(xué)智,阮仁宗,等.Kohonen神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的應(yīng)用研究[J].遙感學(xué)報(bào),2004,8(2):178-184. Zhang Y S,Feng X Z,Ruan R Z,et al.Application of Kohonen network in RS image classification[J].Journal of Remote Sensing,2004,8(2):178-184.

[12]Tansey K,Chambers I,Anstee A,et al.Object-oriented classification of very high resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas[J].Applied Geography,2009,29(2):145-157.

[13]鄧媛媛,巫兆聰,易俐娜,等.面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類[J].國(guó)土資源遙感,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24. Deng Y Y,Wu Z C,Yi L N,et al.Research on object-oriented classification of agricultural land based on high resolution images[J].Remote Sensing for Land and Resources,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24.

[14]王琰,舒寧,龔龑,等.基于類別光譜變化規(guī)律的土地利用變化檢測(cè)[J].國(guó)土資源遙感,2012,24(3):92-96.doi:10.6046/gtzyyg.2012.03.17. Wang Y,Shu N,Gong Y,et al.Land use change detection based on class spectral change rule[J].Remote Sensing for Land and Resources,2012,24(3):92-96.doi:10.6046/gtzyyg.2012.03.17.

[15]陳秋曉,駱劍承,周成虎,等.基于多特征的遙感影像分類方法[J].遙感學(xué)報(bào),2004,8(3):239-245. Chen Q X,Luo J C,Zhou C H,et al.Classification of remotely sensed imagery using multi-features based approach[J].Journal of Remote Sensing,2004,8(3):239-245.

[16]陳云浩,馮通,史培軍,等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2006,31(4):316-320. Chen Y H,Feng T,Shi P J,et al.Classification of remote sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[17]蔡曉斌,陳曉玲,王濤,等.基于圖斑空間關(guān)系的遙感專家分類方法研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2006,31(4):321-324. Cai X B,Chen X L,Wang T,et al.Remote sensing expert classification method based on patch spatial relationship[J].Geomatics and Information Science of Wuhan University,2006,31(4):321-324.

[18]陳杰,鄧敏,肖鵬峰,等.粗糙集高分辨率遙感影像面向?qū)ο蠓诸怺J].遙感學(xué)報(bào),2010,14(6):1139-1155. Chen J,Deng M,Xiao P F,et al.Rough set theory based object-oriented classification of high resolution remotely sensed imagery[J].Journal of Remote Sensing,2010,14(6):1139-1155.

[19]Ojala T,Pietik?inen M.Unsupervised texture segmentation using feature distributions[J].Pattern Recognition,1999,32(3):477-486.

[20]Wang A P,Wang S G,Lucieer A.Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J].International Journal of Remote Sensing,2010,31(6):1471-1483.

LI Liang， LIANG Bin， XUE Peng， YING Guowei

(TheThirdAcademyofEngineeringofSurveyingandMapping，Chengdu610500，China)

(責(zé)任編輯： 陳理)

Remote sensing image classification based on G statistics of object histogram

In order to make full use of the spectral feature of the object, this paper proposes a classification method for remote sensing image based on G statistics of the object histogram. Image objects were obtained by multi-resolution image segmentation method. Then training objects were chosen from these objects. The histogram of the object was obtained with the adaptive gray level according to the spectral property. G statistics was used to measure the histogram distance between test object and training object which describes the heterogeneity of two objects. Minimum distance classifier was employed to get the image classification result. The experiment on the remote sensing image shows that the proposed method can improve the accuracy of the classification.

object； histogram； G statistics； minimum distance； image classification

10.6046/gtzyyg.2016.04.11

李亮,梁彬,薛鵬,等.基于像斑直方圖G統(tǒng)計(jì)量的遙感影像分類[J].國(guó)土資源遙感,2016,28(4)：71-76.(Li L,Liang B,Xue P,et al.Remote sensing image classification based on G statistics of object histogram[J].Remote Sensing for Land and Resources,2016,28(4)：71-76.)

2015-05-05；

2015-06-03

測(cè)繪地理信息公益性行業(yè)科研專項(xiàng) “衛(wèi)星遙感與地面?zhèn)鞲芯W(wǎng)一體化的湖泊流域地理國(guó)情監(jiān)測(cè)關(guān)鍵技術(shù)研究”(編號(hào): 201512026)、四川省地理國(guó)情監(jiān)測(cè)工程技術(shù)研究中心資助項(xiàng)目“基于時(shí)序遙感影像的土地利用變化檢測(cè)方法研究”(編號(hào)： GC201506)、“川南經(jīng)濟(jì)區(qū)交通網(wǎng)絡(luò)綜合研究——以瀘州市為例”(編號(hào)： GC201509)和數(shù)字制圖與國(guó)土信息應(yīng)用工程國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助項(xiàng)目“基于遙感影像的矢量圖更新關(guān)鍵技術(shù)研究”(編號(hào)： DM2016SC04)共同資助。

TP 751.1

A

1001-070X(2016)04-0071-06

李亮(1987-),男,博士,工程師,主要從事遙感影像智能化解譯研究。Email： liliang1987wuda@163.com。