吳慶崗 趙伊蘭 夏永泉 李燦林
摘 ?要: 在住宅區(qū)遙感圖像分類中,為了克服尺度變化和旋轉變化帶來的影響,提出一種結合金字塔原理和局部二值模式的圖像分類算法。首先對原始住宅區(qū)遙感圖像進行多次下采樣以構建不同尺度的空間金字塔;然后利用局部二值模式提取不同尺度遙感圖像的紋理特征,以消除旋轉變化的影響;最后將不同尺度下的紋理特征融合到一起,利用支持向量機對住宅區(qū)遙感圖像進行分類。在標準圖像數(shù)據(jù)集上的實驗結果表明,低尺度紋理特征將會降低住宅區(qū)遙感圖像的分類精度,與單尺度紋理特征相比,多尺度融合的紋理特征提高了遙感圖像分類精度,平均高達4.77%。
關鍵詞: 遙感圖像; 局部二值模式; 空間金字塔; 特征融合; 支持向量機; 圖像分類
中圖分類號: TN911.73?34; TP751 ? ? ? ? ? ? ? ? ?文獻標識碼: A ? ? ? ? ? ? ? ? ? 文章編號: 1004?373X(2019)13?0056?05
Remote sensing image classification based on pyramid and local binary pattern
WU Qinggang, ZHAO Yilan, XIA Yongquan, LI Canlin
(School of Computer and Communication Engineering, Zhengzhou University of Light Industry, Zhengzhou 450001, China)
Abstract: In order to overcome the effects of scale and rotation variations for the classification of residential areas in remote sensing images, an image classification algorithm based on pyramid principle and local binary pattern (LBP) is proposed. The original residential remote sensing images are repetitiously down?sampled to construct the spatial pyramids with different scales. The local binary pattern (LBP) is used to extract the texture features of remote sensing images with different scales, so as to eliminate the effect of rotation variation. The extracted texture features with different scales are fused together, and the support vector machine (SVM) is adopted to classify the remote sensing images of residential area. The extensive experimental results obtained from standard remote sensing image datasets demonstrate that the texture features with low scale can reduce the classification accuracy of remote sensing image of residential area, and the texture features with multi?scale fusion can improve the classification accuracy of remote sensing image as high as 4.77% in comparison with the single?scale texture features.
Keywords: remote sensing image; local binary pattern; spatial pyramid; feature fusion; support vector machine; image classification
0 ?引 ?言
隨著遙感技術的不斷發(fā)展進步,遙感影像已經(jīng)成為獲取地物、地貌等要素信息的主要途徑,如何從海量遙感數(shù)據(jù)中高效、精準地提取各類地貌、地物等信息,并將其廣泛應用于災害預報、環(huán)境監(jiān)測和土地規(guī)劃利用等多種軍事及民用領域,是目前仍待解決的關鍵技術問題之一[1]。采用遙感技術對住宅區(qū)遙感圖像分類來掌握居民分布情況具有重要的意義。一般情況下,密集住宅區(qū)所在位置的人口數(shù)量也會相對較多,而稀疏住宅區(qū)人口的數(shù)量則相對較少。當發(fā)生某些自然災害時,需要及時掌握該地區(qū)住宅分布情況,以便于合理地安排救助行動,盡可能地保障居民人身財產(chǎn)安全,減少損失。因此,如何實現(xiàn)并提高密集住宅區(qū)和稀疏住宅區(qū)遙感圖像分類精度,是當前急需研究的一個關鍵問題。
近年來,已有大量學者對遙感圖像分類進行研究探索[2?6]。文獻[7]采用BP神經(jīng)網(wǎng)絡實現(xiàn)對遙感圖像中建筑物與非建筑區(qū)域的分類,正確率達到95.7%。文獻[8]將支持向量機理論應用到遙感圖像分類研究中,實驗結果表明,利用 SVM進行遙感圖像分類的精度明顯優(yōu)于神經(jīng)網(wǎng)絡算法和最大似然算法分類精度,居民區(qū)分類精度達到97.78%。文獻[9]針對建筑物的遙感影像特征,研究了SVM在建筑物識別與分類中的應用,提出一種交叉驗證的方法對參數(shù)敏感度進行分析,實驗表明優(yōu)化后的SVM算法對建筑物的分類精度達到90%。文獻[10]提出一種特征組合的方法實現(xiàn)高分辨率遙感影像中建筑物的分類提取,結果表明該方法克服了采用單一特征提取建筑物的局限性,有效提高了建筑物的分類精度。目前,針對密集與稀疏兩類住宅區(qū)遙感圖像分類的研究相對較少,同時由于遙感圖像存在分辨率低、背景復雜、旋轉變化和尺度變化等問題,這給住宅區(qū)遙感圖像分類帶來了巨大的困難和挑戰(zhàn)。
結合住宅區(qū)遙感圖像的多尺度特性和旋轉特性,本文提出一種基于金字塔和LBP紋理特征的住宅區(qū)遙感圖像分類算法。首先對原始住宅區(qū)遙感圖像進行下采樣,構建不同尺度的空間金字塔,然后利用局部二值模式提取多尺度住宅區(qū)遙感圖像的紋理特征,并將不同尺度下的紋理特征融合到一起,最后利用SVM分類器對住宅區(qū)遙感圖像進行分類。
1 ?圖像預處理
在遙感圖像分類中,圖像質量的好壞將直接影響到分類算法的設計與分類精度。遙感圖像背景復雜,細節(jié)模糊,同時容易受尺度變化和旋轉變化的影響。因此,在對圖像進行分類之前需要進行預處理,以增強感興趣目標的對比度,消除尺度變化的影響。
1.1 ?直方圖均衡化
遙感圖像拍攝過程中,由于灰度分布大多集中在較窄的范圍內(nèi),導致圖像的細節(jié)不夠清晰。為增加圖像的對比度,使圖像更加清晰,以有利于感興趣區(qū)域特征的提取,首先對圖像進行直方圖均衡化,將圖像進行非線性拉伸,使得變換后的圖像直方圖分布均勻。圖1為某稀疏居民區(qū)遙感圖像直方圖均衡化前后結果的比較。其中,圖1a)為稀疏居民區(qū)原始遙感灰度圖像,圖1b)為通過直方圖均衡化增強后的結果圖像,圖1c)和圖1d)分別為原始圖像和增強后的圖像所對應的直方圖。從圖1可以看出,增強后的圖像對比度得到明顯提高,為下一步紋理特征提取奠定良好的基礎。
1.2 ?構建多尺度空間金字塔
遙感圖像中感興趣目標往往具有不同的尺度,這為遙感圖像分類帶來困難。利用金字塔原理可以將原始圖像通過下采樣生成一系列具有不同尺度的圖像集合。金字塔原理如圖2a)所示,底部是待處理的高分辨率遙感圖像,頂部是低分辨率所對應原始圖像的近似,當金字塔由下往上移動時,分辨率逐漸降低。在不同尺度遙感圖像上提取紋理特征時,會得到不同個數(shù)的紋理特征值。探究不同尺度間紋理特征融合對分類精度的影響是本文的主要工作。圖2b)為一幅原始稀疏住宅區(qū)遙感圖像,圖2c)和圖2d)分別為利用金字塔原理進行一次下采樣和二次下采樣處理所得結果。
2 ?局部二值模式特征提取
局部二值模式(Local Binary Pattern,LBP)是一種用來描述圖像局部特征的算子,可對圖像中局部鄰近區(qū)域的紋理信息進行度量和提取。該方法主要用于計算機視覺分類等任務中。LBP具有原理簡單、計算復雜度低和旋轉不變等優(yōu)勢,故本文采用LBP模式提取住宅區(qū)遙感圖像的紋理特征。在提取過程中,首先需要將圖像劃分為多個小區(qū)域,然后對區(qū)域中的每個像素點,利用相鄰的8像素灰度值與其進行比較,可得到[3×3]鄰域內(nèi)8位二進制數(shù),接著將8位二進制數(shù)按一定的順序排列,成為一個8位無符號的二進制數(shù),最后將其化為整數(shù),即為中心像素的LBP值,其原理如圖3所示。LBP紋理特征可以利用式(1)表示:
在每個像素點計算出來LBP值之后,統(tǒng)計每個區(qū)域的直方圖并進行歸一化,最終得到圖像的LBP特征向量。對圖2中不同尺度下的住宅區(qū)遙感圖像提取LBP紋理特征直方圖,結果如圖4所示。當圖像分辨率為256×256時,提取的LBP特征向量數(shù)目為15 104個,一次下采樣后提取的LBP特征向量數(shù)目為7 552個,二次下采樣后提取的LBP特征向量數(shù)目為3 776個。可以看出,隨著圖像尺度的減小,圖像所對應的LBP紋理特征值個數(shù)也在減少,相應的直方圖區(qū)分能力會有所降低。
3 ?基于SVM的住宅區(qū)遙感圖像分類
支持向量機(SVM)原理是利用有限的樣本特征值,在分類模型的復雜性和自學習能力之間尋找最佳的平衡點,使目標函數(shù)達到最佳泛化能力[11]。傳統(tǒng)的學習算法(比如人工神經(jīng)網(wǎng)絡)通常只考慮分類器對訓練樣本的擬合情況,容易出現(xiàn)過度擬合的問題,導致其推廣能力降低。SVM以結構化風險最小化為原則,它將樣本數(shù)據(jù)映射到一個高維的空間里,并在其中尋找并建立一個最大分類間隔的超平面[H]作為決策曲面,在決策曲面的兩邊建立兩個平行的超平面[H1]和[H2],二者的間距越大,SVM分類器的誤差越小[12]。圖5為SVM分類示意圖,其中[H1],[H2]上的樣本為支持向量,尋找最優(yōu)分類超平面的問題可以轉化成優(yōu)化模型[12?14]。
綜上所述,基于LBP紋理特征和SVM算法的住宅區(qū)遙感圖像分類步驟如下:
1) 首先讀入住宅區(qū)遙感圖像訓練數(shù)據(jù)集;
2) 將訓練數(shù)據(jù)集中的圖像灰度化后進行直方圖均衡化預處理,增大圖像對比度;
3) 對預處理后住宅區(qū)遙感圖像進行兩次下采樣,得到多尺度下的圖像集;
4) 根據(jù)式(1)和式(2)對多尺度下的遙感圖像提取LBP紋理特征向量,并兩兩融合;
5) 利用融合后的紋理特征向量進行SVM分類。
4 ?實驗與分析
為驗證本文算法的有效性,探究不同尺度下紋理特征間融合對分類精度的影響,實驗環(huán)境是Matlab R2016a,系統(tǒng)配置環(huán)境是Inter[?] CoreTM i3?2130 CPU @3.40 GHz,4.00 GB RAM。實驗采用兩個子數(shù)據(jù)集:
1) 在NWPU?RESISC45標準遙感圖像集[15]中選取的稠密住宅區(qū)(Dense_Residential)和稀疏住宅區(qū)(Sparse_Residential)兩類圖像,每類圖像各有700幅;
2) UC Merced Land?Use標準遙感圖像集[16]中選取稠密住宅區(qū)(Dense_Residential)和稀疏住宅區(qū)(Sparse_Residential)兩類圖像,每類圖像都有100幅,部分示例如圖6所示。
在第一類標準遙感圖像數(shù)據(jù)集UC Merced Land?Use中每類住宅區(qū)遙感圖像各用60幅作為訓練集,30幅圖像作為測試集,10幅圖像作為驗證集,分類結果如表1所示??梢钥闯觯号c原始分辨率的住宅區(qū)遙感圖像相比,隨著圖像尺度的降低,分類正確率逐漸減小,原因是圖像分辨率的減小,使得具有較強分辨能力的LBP紋理特征也在減少;當圖像分辨率為64×64和128×128時,分類正確率只有82%和86.7%,但是將兩個尺度下提取的LBP特征融合后(特征向量個數(shù)為11 328),分類正確率提升到了91.7%,表明低尺度紋理特征的融入有助于提高遙感圖像分類的準確率;將三個尺度下提取出的LBP紋理特征融合后(特征向量個數(shù)為26 432),分類正確率達到了95%,但是在融合256×256和128×128兩種尺度紋理特征時(特征向量個數(shù)為22 656),分類正確率達到96.7%,高出三尺度融合正確率1.7%,表明過低尺度的紋理特征并不總是有利于分類正確率的提高??傮w來說,多尺度紋理特征融合后的分類正確率要高于單尺度特征分類正確率,平均提升6.49%。
NWPU?RESISC45數(shù)據(jù)集中每類住宅區(qū)遙感圖像各用420幅作為訓練集,210幅作為測試集,70幅作為驗證集,分類結果如表2所示。
從表2中可以得出類似的結論:當圖像的尺度降低時,分類正確率隨之減小;不同尺度下提取的LBP特征兩兩融合后,分類正確率均高于單尺度下的分類結果,正確率平均提升3.04%;但是,在三個尺度融合時(特征向量個數(shù)為26 432),正確率并沒有明顯提高,說明過度下采樣得到的紋理特征不利于后續(xù)的圖像分類。實驗結果總體表明,將圖像在不同尺度下提取的LBP特征經(jīng)過適度融合后得到的分類正確率會明顯高于單尺度LBP紋理特征所得到的分類正確率。
5 ?結 ?語
本文提出一種基于金字塔原理提取多尺度LBP紋理特征的住宅區(qū)遙感圖像分類算法。通過對原始遙感圖像下采樣構建不同尺度的空間金字塔,再對不同尺度下的圖像進行LBP紋理特征提取并融合,最后用SVM分類器進行分類。實驗結果表明,本文方法能更好地對密集住宅區(qū)和稀疏住宅區(qū)圖像進行分類,提高分類精度。但是,在構建空間金字塔時,過度下采樣得到的紋理特征不利于后續(xù)的圖像分類,何種程度的下采樣會降低圖像分類精度,這是未來的一個研究方向。
參考文獻
[1] 金飛,王番,劉智,等.基于對數(shù)極坐標變換的遙感影像居民地提取[J].測繪科學,2013,38(3):102?105.
JIN Fei, WANG Fan, LIU Zhi, et al. Extraction of residential areas from remote sensing images based on log?polar transformation [J]. Science of surveying and mapping, 2013, 38(3): 102?105.
[2] 楊劍,宋超峰,宋文愛,等.基于遺傳算法的模糊RBF神經(jīng)網(wǎng)絡對遙感圖像分類[J].小型微型計算機系統(tǒng),2018,39(3):621?624.
YANG Jian, SONG Chaofeng, SONG Wenai, et al. Remote sensing images classification based on fuzzy RBF neural network based on genetic algorithm [J]. Journal of Chinese compu?ter systems, 2018, 39(3): 621?624.
[3] 邱中原,朱希安,郁建林.結合紋理特征和邊緣信息的遙感影像分類[J].遙感信息,2018,33(3):130?132.
QIU Zhongyuan, ZHU Xian, YU Jianlin. Classification of remote sensing image based on texture feature and edge information [J]. Remote sensing information, 2018, 33(3): 130?132.
[4] 李亮,王蕾,李勝,等.一種利用多尺度直方圖的遙感影像分類方法[J].遙感信息,2017,32(3):149?154.
LI Liang, WANG Lei, LI Sheng, et al. An image classification method based on multi?scale histogram [J]. Remote sensing information, 2017, 32(3): 149?154.
[5] 徐偲,周堅華.多描述符和多尺度城鎮(zhèn)建筑分類[J].遙感信息,2014,29(2):17?22.
XU Si, ZHOU Jianhua. Multi?dimensional descriptors and multi?scale classification of urban architecture [J]. Remote sensing information, 2014, 29(2): 17?22.
[6] 高春霞,謝明鴻,宋納.基于DSM與陰影的彩色遙感影像建筑物提取[J].鄭州輕工業(yè)學院學報(自然科學版),2015(z2):108?112.
GAO Chunxia, XIE Minghong, SONG Na. Building extraction from color remote sensing imagery based on DSM and shadows [J]. Journal of Zhengzhou University of Light Industry (Natural science), 2015(S2): 108?112.
[7] 郝會娟.建筑物輪廓提取和區(qū)域分類的研究[D].北京:北京交通大學,2010.
HAO Huijuan. Research on building extraction and regional classification [D]. Beijing: Beijing Jiaotong University, 2010.
[8] 朱海洲,賈銀山.基于支持向量機的遙感圖像分類研究[J].科學技術與工程,2010,10(15):3659?3663.
ZHU Haizhou, JIA Yinshan. Remote sensing image classification based on support vector machine [J]. Science technology and engineering, 2010, 10(15): 3659?3663.
[9] 張浩,趙云勝,陳冠宇,等.基于支持向量機的遙感圖像建筑物識別與分類方法研究[J].地質科技情報,2016(6):194?199.
ZHANG Hao, ZHAO Yunsheng, CHEN Guanyu, et al. Remote sensing image building recognition and classification based on the support vector machine [J]. Geological science and technology information, 2016(6): 194?199.
[10] 唐羊洋,葉華平,吳書金,等.基于波段與形狀特征的遙感影像建筑物分類提取[J].后勤工程學院學報,2016,32(1):93?96.
TANG Yangyang, YE Huaping, WU Shujin, et al. Building classification and extraction from remote sensing image based on wave range and shape features [J]. Journal of logistical engineering university, 2016, 32(1): 93?96.
[11] 由佳,張懷清,陳永富,等.基于“高分四號”衛(wèi)星影像洞庭湖濕地信息提取[J].航天返回與遙感,2016,37(4):116?122.
YOU Jia, ZHANG Huaiqing, CHEN Yongfu, et al. Comparative study of Dongting Lake wetland information extraction based on GF?4 satellite image [J]. Spacecraft recovery and remote sensing, 2016, 37(4): 116?122.
[12] 張俊紅,劉昱,馬文朋,等.基于GAPSO?SVM的航空發(fā)動機典型故障診斷[J].天津大學學報,2012,45(12):1057?1061.
ZHANG Junhong, LIU Yu, MA Wenpeng, et al. Typical fault diagnosis of aircraft engine based on GAPSO?SVM [J]. Journal of Tianjin University, 2012, 45(12): 1057?1061.
[13] 徐曉明.SVM參數(shù)尋優(yōu)及其在分類中的應用[D].大連:大連海事大學,2014.
XU Xiaoming. SVM parameter optimization and its application in the classification [D]. Dalian: Dalian Maritime University, 2014.
[14] 廖周宇,王鈺婷,謝曉蘭,等.基于粒子群優(yōu)化的支持向量機人臉識別[J].計算機工程,2017,43(12):248?254.
LIAO Zhouyu, WANG Yuting, XIE Xiaolan, et al. Face re?cognition by support vector machine based on particle swarm optimization [J]. Computer engineering, 2017, 43(12): 248?254.
[15] YANG Yi, NEWSAM Shawn. Bag?of?visual?words and spatial extensions for Land?Use classification [C]// Proceedings of the 18th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. San Jose: ACM, 2010: 270?279.
[16] CHENG G, HAN J, LU X. Remote sensing image scene classification: benchmark and state of the art [J]. Proceedings of the IEEE, 2017, 105(10): 1865?1883.