蒙友波,廖艷梅,覃 鋒,王曉紅

(1. 貴州省自然資源勘測(cè)規(guī)劃研究院,貴州 貴陽(yáng) 550000;2. 貴州理工學(xué)院礦業(yè)工程學(xué)院,貴州 貴陽(yáng) 550003;3. 貴州大學(xué)林學(xué)院,貴州 貴陽(yáng) 550025)

1 引言

在我國(guó)第三次國(guó)土調(diào)查時(shí),國(guó)家有關(guān)部門圍繞“兩統(tǒng)一”原則,提出了2021年度的地理國(guó)情監(jiān)測(cè)[1]方案,并依據(jù)該方案給國(guó)家自然資源進(jìn)行了細(xì)致的監(jiān)測(cè)分析,建立了完整的遙感數(shù)據(jù)庫(kù),以便后續(xù)的監(jiān)察研究。遙感技術(shù)[2]依靠其自身覆蓋范圍廣、數(shù)據(jù)信息客觀以及實(shí)時(shí)性高的特性,受到各個(gè)國(guó)家的喜愛。隨著我國(guó)國(guó)民經(jīng)濟(jì)水平的穩(wěn)步提升,國(guó)家對(duì)于自然資源的保護(hù)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(lǐng)域亟待解決的問題。

文獻(xiàn)[3]提出基于非規(guī)則標(biāo)識(shí)點(diǎn)過程的遙感圖像零星地物目標(biāo)幾何特征提取。該方法首先使用非規(guī)則標(biāo)識(shí)點(diǎn)建立目標(biāo)幾何函數(shù),確定目標(biāo)位置;再通過高斯分布的散度定義法提取目標(biāo)提取函數(shù),使用最大化概率分布準(zhǔn)則算法獲取目標(biāo)提取結(jié)果;最后通過提取結(jié)果實(shí)現(xiàn)特征提取。該方法未能對(duì)圖像進(jìn)行融合處理,導(dǎo)致識(shí)別正確率低。文獻(xiàn)[4]提出高分辨率遙感影像建筑區(qū)域局部幾何特征提取方法。該方法通過對(duì)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(duì)圖像進(jìn)行二階張量對(duì)稱處理,用概率密度估計(jì)算法生成全局概率密度場(chǎng),最后通過最大類間方差法完成閾值分割,實(shí)現(xiàn)特征提取。該方法在進(jìn)行張量對(duì)稱時(shí)存在問題,所以該方法進(jìn)行特征提取時(shí)的查全率低。文獻(xiàn)[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(duì)圖像進(jìn)行分割處理;基于分割結(jié)果,獲取不同圖像區(qū)域的顯著性特征;最后利用滑窗法對(duì)遙感圖像的光譜方向進(jìn)行計(jì)算,并使用支持向量機(jī)對(duì)計(jì)算結(jié)果進(jìn)行分類,實(shí)現(xiàn)特征提取。該方法在進(jìn)行光譜計(jì)算時(shí)存在誤差,所以該方法的誤報(bào)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(duì)自然資源遙感圖像進(jìn)行融合處理。

2.1 圖像分解

2.1.1 建立高斯金字塔

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

(1)

式中,金字塔頂層標(biāo)記成n,層數(shù)為l,常數(shù)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L(zhǎng)Pl,金字塔頂層層數(shù)標(biāo)記為N,頂層分解圖像標(biāo)記為L(zhǎng)Pn。

依據(jù)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(nèi)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(gòu)

基于上述約束條件,建立圖像重構(gòu)約束準(zhǔn)則,實(shí)現(xiàn)遙感圖像的重構(gòu)[8],過程如下式所示

(4)

式中,金字塔頂層圖像重構(gòu)約束準(zhǔn)則為GN。圖像的重構(gòu)過程如下式所示

(5)

式中,重構(gòu)的圖像為S,噪聲方差標(biāo)記為?。

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

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(shí)也要依據(jù)頻帶的不同,分頻帶進(jìn)行圖像融合[9],從而突出特定頻帶細(xì)節(jié)特征。

設(shè)定原始遙感圖像A、B在拉普拉斯分解后的第l層圖像為L(zhǎng)Al和LBl,融合后金字塔頂層原始圖像分別標(biāo)記成LAN和LBN,像素的中心區(qū)域?yàn)镸×N,通過計(jì)算獲取大小該區(qū)域的平均梯度,過程如下式所示

(6)

式中,在x、y兩個(gè)方向上的一階差分[10]標(biāo)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(biāo)記為f(x,y)。

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

將獲取的平均梯度值[11]設(shè)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(jié)果如下式所示:

(8)

式中,融合后的圖像標(biāo)記為L(zhǎng)FN。當(dāng)0≤l≤n時(shí),通過分解后的第l層圖像,計(jì)算各區(qū)域像素能量,過程如下式所示

(9)

式中,融合函數(shù)標(biāo)記為?(p,q),函數(shù)中的融合向量為p和q,原始圖像A、B的融合結(jié)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(jí)的融合

0≤l≤N

(10)

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

3 特征提取

3.1 小波變換

建立一個(gè)基本函數(shù)并將其標(biāo)記成ψ(t)∈L2R形式,設(shè)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(biāo)記為ψ(t),變換系數(shù)標(biāo)記為ω。對(duì)母小波進(jìn)行平移伸縮處理,過程如下式所示

(12)

式中,伸縮因子用a標(biāo)記,平移因子標(biāo)記為τ,小波基函數(shù)標(biāo)記為ψa,τ(t)。

將小波變換函數(shù)設(shè)定成f(t)形式,變換過程中,由于a和τ為連續(xù)變量,因此要通過計(jì)算獲取圖像的等價(jià)頻域,并基于獲取的等價(jià)頻域,完成對(duì)圖像信號(hào)的恢復(fù),過程如下式所示

(13)

式中,變換系數(shù)分別為WTf(a,τ)和WTx(a,τ),頻域?yàn)镕(ω)。依據(jù)上述結(jié)果對(duì)融合后的圖像進(jìn)行小波變換,恢復(fù)圖像中的像素分量。

3.2 圖像聚類

通過聚類算法[13]計(jì)算圖像的流形距離,將聚類樣本設(shè)定成X={X1,X2,…,XN}?RN×q形式,特征類別標(biāo)記為c,聚類矩陣為U=[uik]c×n,隸屬度標(biāo)記為uik形式,建立的目標(biāo)函數(shù)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(xiàng)參數(shù)進(jìn)行更新確定,設(shè)定濾波噪聲為σ,濾波器[14]方向角標(biāo)記θ,中心偏移量為φ。由于濾波器中參數(shù)較多,所以要根據(jù)適當(dāng)?shù)姆椒▽?duì)濾波器參數(shù)進(jìn)行設(shè)定,若濾波器頻率帶寬標(biāo)記成B=1,根據(jù)徑向中心頻率的方向角數(shù)量,確定濾波器參數(shù)。基于上述設(shè)定的濾波參數(shù)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(qū)域紋理特征為Fg(x,y),濾波系數(shù)標(biāo)記為g。因?yàn)榻稻S后的圖像高光譜數(shù)據(jù)值較大,所以需要對(duì)遙感圖像進(jìn)行分塊,并通過圖像的分類運(yùn)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(biāo)記,設(shè)定濾波器個(gè)數(shù)為k。

3.4 提取算法

使用等距映射方法對(duì)遙感影像的樣本維數(shù)進(jìn)行降維處理,從而降低迭代次數(shù),再通過FCM聚類算法進(jìn)行計(jì)算,實(shí)現(xiàn)特征提取。首先基于遙感影像建立目標(biāo)函數(shù),過程如下

(17)

式中,遙感圖像數(shù)據(jù)樣本xj的低維映射標(biāo)記為φ(xj),圖像數(shù)據(jù)的聚類中心標(biāo)記為pi,模糊加權(quán)指數(shù)用m標(biāo)記。最后使用拉格朗日乘子[15]對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)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(biāo)記為pk。

4 實(shí)驗(yàn)

為了驗(yàn)證上述特征提取方法的整體有效性,需要對(duì)此方法進(jìn)行測(cè)試。

4.1 實(shí)驗(yàn)結(jié)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(guī)則標(biāo)識(shí)點(diǎn)過程的遙感圖像零星地物目標(biāo)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(jìn)行測(cè)試;

在對(duì)自然資源遙感影像進(jìn)行地類特征提取過程中,平均正確識(shí)別率、平均查全率以及平均誤報(bào)率的高低都會(huì)對(duì)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(biāo)分為三個(gè)階段,測(cè)試不同特征提取方法的提取效果。

1)第一階段,隨機(jī)選定1000張圖像,將其分為兩個(gè)小組,設(shè)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(jìn)行特征提取時(shí),測(cè)試三種方法的平均正確識(shí)別率,測(cè)試結(jié)果如圖1所示。

圖1 不同特征提取方法的正確識(shí)別率測(cè)試結(jié)果

當(dāng)圖像數(shù)量不斷增加時(shí),三種特征提取方法的平均正確識(shí)別率都出現(xiàn)了不同程度的下降。由于圖1(b)為有噪聲圖像,所以對(duì)比圖1(a)來看,檢測(cè)出的正確識(shí)別率要低于無噪聲圖像的檢測(cè)結(jié)果。在圖1(a)中,當(dāng)圖像數(shù)量為100時(shí),三種特征提取方法檢測(cè)出的正確識(shí)別率無較大差距,且方法2與方法3的檢測(cè)結(jié)果一致,隨著測(cè)試的進(jìn)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(cè)出的識(shí)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(cè)結(jié)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(jìn)行特征提取,對(duì)三種特征提取方法的平均查全率進(jìn)行測(cè)試,測(cè)試結(jié)果如圖2所示。

圖2 不同方法的查全率測(cè)試結(jié)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(cè)結(jié)果較不理想。這主要是因?yàn)楸疚乃岱椒ㄔ谶M(jìn)行圖像特征提取前使用拉普拉斯法對(duì)圖像進(jìn)行了融合處理,所以本文所提方法在進(jìn)行特征提取時(shí)的平均查全率高。

3)基于上述實(shí)驗(yàn)結(jié)果,開展第三階段的測(cè)試,采用方法1、方法2以及方法3提取圖像特征時(shí),對(duì)三種方法的平均誤報(bào)率進(jìn)行測(cè)試,測(cè)試結(jié)果如圖3所示。

圖3 不同方法的平均誤報(bào)率測(cè)試結(jié)果

圖像數(shù)量的多少會(huì)對(duì)誤報(bào)率的檢測(cè)結(jié)果帶來影響,圖像數(shù)量越多,誤報(bào)率的檢測(cè)結(jié)果越差。本文所提方法自實(shí)驗(yàn)初期,誤報(bào)率的檢測(cè)結(jié)果低于其它兩種方法,并且將其維持至實(shí)驗(yàn)結(jié)束。雖然方法2與方法3在圖像數(shù)量為100時(shí),誤報(bào)率檢測(cè)結(jié)果一致,但是隨著測(cè)試的進(jìn)行,二者差距逐漸拉開,方法2的誤報(bào)率要遠(yuǎn)低于方法3。

5 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)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(duì)遙感圖像進(jìn)行融合處理;再通過小波去噪恢復(fù)圖像像素分量;最后通過聚類算法實(shí)現(xiàn)對(duì)圖像的特征提取。由于該特征提取方法在進(jìn)行圖像像素分量恢復(fù)時(shí),還存在一定的缺陷,今后會(huì)針對(duì)該項(xiàng)問題繼續(xù)對(duì)該圖像特征提取方法進(jìn)行優(yōu)化處理。