向?qū)ο筮b感圖像分類中的特征屬性集包 括光譜值、紋理特征、形狀特征、和專題特征等并對其進(jìn)行歸一化處理。
[0036] 2、確定隨機(jī)森林參數(shù)范圍，即生成一棵決策樹所隨機(jī)選取的屬性特征數(shù)量m和最 終生成的決策樹數(shù)量η的參數(shù)范圍。
[0037] 3、遺傳算法自行選擇兩個參數(shù)(m，n)的取值。
[0038] 4、從樣本集中選擇部分樣本作為檢驗(yàn)樣本，從樣本集剩余樣本中選擇w個樣本作 為訓(xùn)練樣本，組成總訓(xùn)練集，然后利用有放回的自舉重采樣方法，從總訓(xùn)練集中抽取w次組 成新的訓(xùn)練集，最后共生成η個訓(xùn)練集，每個訓(xùn)練集生成一棵決策樹，共生成η棵決策樹。 [0039] 5、在參數(shù)范圍內(nèi)生成初始種群。
[0040] 6、利用遺傳算法優(yōu)化每棵決策樹中用于分類的特征屬性的類別數(shù)量以及整個算 法中決策樹的數(shù)量，以分類精度作為適應(yīng)度函數(shù)進(jìn)行遺傳操作，輸出(m，n)參數(shù)組合的最優(yōu) 解及與該解對應(yīng)的最優(yōu)分類結(jié)果。
[0041] 7、基于最優(yōu)參數(shù)組合(m，n)，計(jì)算基于精細(xì)化影像對象的面向?qū)ο蠓诸惥取?br>[0042](三)有益效果
[0043] 1、本發(fā)明利用粗尺度的紋理特征實(shí)現(xiàn)影像背景區(qū)域的初步劃分，然后在粗尺度下 的局部區(qū)域劃分的基礎(chǔ)上，在局部區(qū)域內(nèi)通過空間統(tǒng)計(jì)優(yōu)選尺度分割參數(shù)進(jìn)行精細(xì)尺度精 細(xì)分割，避免了單一尺度分割難以全面顧及各種不同景觀地類的尺度特點(diǎn)而造成的分割結(jié) 果過于概括或過于破碎，進(jìn)而本發(fā)明的面向?qū)ο筮b感信息提取的多尺度分層處理方法，一 定程度上保證了面向?qū)ο筮b感信息提取精度。
[0044] 2、在基于紋理分類的粗尺度區(qū)域劃分中，紋理采樣間隔和模板窗口大小以及紋理 分類后處理膨脹算子的大小，采用空間統(tǒng)計(jì)學(xué)方法定量化選擇，避免了傳統(tǒng)紋理分類中人 為設(shè)置相關(guān)參數(shù)的主觀性和盲目性。
[0045] 3、本發(fā)明允許用戶根據(jù)圖像特征自主選擇以全局(全圖）或者是局部區(qū)域?yàn)閱挝?進(jìn)行影像分類，由于局部區(qū)域影像的類別可能少于全局影像類別，所以用戶根據(jù)圖像特征 選擇以區(qū)域?yàn)閱挝贿M(jìn)行遙感影像分類可以減少誤分類，進(jìn)而提高遙感影像分類的總體精 度。
【附圖說明】
[0046]圖1為本發(fā)明實(shí)施例的面向?qū)ο蟾呖臻g分辨率遙感信息提取的多尺度分層處理流 程圖。
[0047]圖2為本發(fā)明實(shí)施例中利用GMRF-SVM方法進(jìn)行粗尺度下的局部區(qū)域劃分的流程 圖。
[0048]圖3為本發(fā)明實(shí)施例中利用MS方法在局部區(qū)域圖像上進(jìn)行精細(xì)尺度精細(xì)分割的流 程圖。
[0049] 圖4為本發(fā)明實(shí)施例中利用GA-RF方法對局部區(qū)域影像對象進(jìn)行分類的流程圖。
【具體實(shí)施方式】
[0050] 下面結(jié)合附圖和實(shí)施例，對本發(fā)明的【具體實(shí)施方式】做進(jìn)一步詳細(xì)描述，以下實(shí)施 例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
[0051] 步驟10、輸入待分類遙感影像，本發(fā)明選用高分辨率遙感全色或多光譜影像。
[0052]步驟20、運(yùn)用GMRF-SVM方法對整幅影像進(jìn)行基于紋理的分類，得到粗尺度下的劃 分區(qū)域。
[0053]本實(shí)施例的GMRF-SVM方法進(jìn)行粗尺度下的區(qū)域劃分包括:確定紋理采樣間隔和模 版窗口大小、選取具有代表性的采樣點(diǎn)、計(jì)算特征樣本點(diǎn)的GMRF特征向量并進(jìn)行歸一化、設(shè) 置SVM參數(shù)、GMRF紋理特征計(jì)算、SVM分類器訓(xùn)練、基于SVM進(jìn)行紋理分類、紋理分類結(jié)果后處 理。包括如下步驟：
[0054]步驟21、確定紋理采樣間隔和模版窗口大小。
[0055] 由于變異函數(shù)的變程表明屬性因子空間自相關(guān)范圍的大小，它與觀測尺度或采樣 尺度下影響因子的各種生態(tài)過程有關(guān)，因此變異函數(shù)的變程可以作為確定粗尺度下GMRF紋 理計(jì)算采樣間隔的依據(jù)。如果待處理影像為全色影像，則用全色波段數(shù)據(jù)計(jì)算。如果待處理 影像是多光譜影像，則用信息量大的波段(一般為近紅外波段)計(jì)算。
[0056] 采用不同的采樣間隔11(2^1<50，11為偶整數(shù)），在水平方向和垂直方向上，分別計(jì) 算影像在不同采樣間隔下的半方差，計(jì)算公式為：
[0057]
[0058] 式中，γ(h)是半方差，N(h)是某方向上(水平和垂直)距離等于h時的像素點(diǎn)對數(shù)， x(i)是在位置i處的影像灰度值，x(i+h)是在距離（i+h)處的影像灰度值。某一采樣間隔下 的影像水平半方差和垂直半方差的均值即為影像綜合半方差。
[0059] 計(jì)算在第j個采樣間隔上影像綜合半方差隨采樣間隔變化的變化率第一次 出現(xiàn)負(fù)值時所對應(yīng)的采樣間隔h*即為待確定的GMRF紋理采樣間隔。的計(jì)算公式如下：
[0060] Ryj=(γ(h)j-γ(h)j-i)/γ(h)j-i [0061 ] 則采樣模板大小也進(jìn)一步為Ws = 2h*+1。
[0062] 步驟22、在圖像上基于紋理特征選取具有代表性的采樣點(diǎn)。
[0063] 步驟23、計(jì)算特征樣本點(diǎn)的GMRF特征向量并進(jìn)行歸一化。
[0065]
[0064] 根據(jù)設(shè)定的采樣間隔和模版窗口大小用GMRF紋理特征計(jì)算器計(jì)算特征樣本點(diǎn)的 GMRF 特征向量(0(1，1)，0(1，〇)，0(1，-1)，0(〇，1)^，〇)。公式如下：
[0066]
[0067]
[0068] 式中，μ為圖象采樣模板尺寸范圍W內(nèi)的平均灰度值，Nw表示W(wǎng)內(nèi)像素點(diǎn)的數(shù)目，f (m，n)為W內(nèi)像元(m，n)的灰度值。為了求得σ以及{0(t，s)，（t，s)eN}，（t，s)表示鄰域內(nèi)像 元的位置，需在W上計(jì)算相關(guān)系數(shù)的值r(t，s)，其計(jì)算公式為：
[0069]
[0070] i田tffl天值計(jì)算公式的對稱?生，
[0071] r(t,s) =r(-t,-s)
[0072] 以上GMRF特征向量的參數(shù)r(t，s)用最小二乘法估計(jì)。對GMRF6維特征矢量（θ(1， 1)，θ(1，〇)，θ(1，-1)，θ(〇，1)，μ，σ)進(jìn)行歸一化，對應(yīng)相應(yīng)的類別進(jìn)行標(biāo)號，建立包含序號、 位置、類別ID和歸一化后的GMRF特征向量值的樣本數(shù)據(jù)集，構(gòu)成特征空間，并進(jìn)行下一步的 分類。
[0073] 步驟24、設(shè)置SVM參數(shù)。包括設(shè)置核(KERNEL)函數(shù)類型、核函數(shù)擴(kuò)散范圍等SVM參 數(shù)，將樣本特征空間的劃分問題轉(zhuǎn)換為高維特征空間的線性分類問題，通過有限的支撐向 量點(diǎn)的線性組合建立SVM分類器(分類決策函數(shù)）。
[0074] 其中計(jì)算內(nèi)積的核函數(shù)?Κχ,χ')需要滿足Mercer條件的對稱函數(shù)，一般主要有多 項(xiàng)式、徑向基函數(shù)和神經(jīng)網(wǎng)絡(luò)SIGMOID函數(shù)等。本實(shí)施例以基于高斯核的徑向基函數(shù)為例， 公式如下：
[0075]
[0076] 其中，X為輸入空間的η維向量，即輸入樣本，Xi為第i個輸入空間的η維向量，即第i 個輸入樣本，〇為核函數(shù)寬度，為用戶需要的設(shè)置的參數(shù)，本實(shí)施例取〇為0.16。
[0077] 步驟25、GMRF紋理特征計(jì)算。根據(jù)上述步驟確定的采樣間距的大小在圖像上移動 窗口，GMRF紋理特征計(jì)算器計(jì)根據(jù)設(shè)定的采樣間隔和模版窗口大小計(jì)算每個窗口的歸一化GMR