基于小波的高分辨率遥感影像纹理分类方法研究

第31卷第1期2006年1月武汉大学学报 信息科学版

GeomaticsandInformationScienceofWuhanUniversityVol.31No.1Jan.2006

文章编号:167128860(2006)0120066204文献标志码:A

基于小波的高分辨率遥感影像纹理分类方法研究

黄　昕1　张良培1　李平湘1

(1　,)

摘　要:,,使小波纹理分析能够用,对纹理特征进行自适应加权。实验结果表明,使地物的内部和边缘的分类效果都得到改善。关键词:小波变换;高分辨率;逐点特征加权中图法分类号:TP753

　　随着遥感对地观测数据空间分辨率的不断提高,地物的细节特征得到进一步表现,同类地物在

高分辨率下表现出更为复杂的光谱特征,混合像元个数减少,纯净像元个数增加。于是,一定区域内相邻像元之间的纹理信息在高分辨率影像的模式分类中将扮演更重要的角色[1]。本文用小波变换提取高分辨率影像的纹理特征,并以此特征进行分类。

设以待分类像元为中心的原始影像窗口为L,进行i阶小波分解得到的低频、水平、垂直和对角4个子影像分别为Li_L、Li_H、Li_V和Li_D,i=1,2,3。实验中逐渐增加特征向量的维数:对于16×16窗口,先进行1阶小波变换,提取4维特征向量(即L、L1_L、L1_H和L1_V四幅子影像的ENT值),然后加上L1_D,提取5维特征,再加上L2_L,最后加上L2_H、L2_V、L2_D,提取9维特征;而对于32×32和64×64窗口,由于它们的窗口大小允许进行3阶小波分解,所以先进行1阶小波变换,提取5维特征向量(L、L1_L、L1_H、L1_V和L1_D)作为纹理特征,然后加上L2_L,提取6维特征,第三步加上L2_H、L2_V、L2_D,提取9维特征,再加上L3_L,最后提取所有的13维特征向量;对于8×8窗口,由于窗口的限制,只进行1阶小波变换,所以用全部5幅子影像构成特征向量,而不再进行特征向量的选择。小波分解后的特征向量将用最小距离分类器对样本进行测试。图1(a)、1(b)、1(c)分别表示16×16窗口住宅、农田和植被的实验结果,图中,Li_j表示i维小波分解采用j维特征向量分类,纵轴表示测试精度,图1(d)、1(e)分别表示32×32窗口住宅和农田的测试精度,1(f)表示64×64窗口住宅的测试精度,1(g)表示8×8窗口下四种地物的测试精度。

从图1可得如下结论:

1)

随着小波分解阶数的提高和特征向量维

1　基于小波变换的影像纹理特征提

取实验

　　由于小波对空间信号变化的敏感性以及在一定尺度下能分离细节的特点,可以把小波系数看作信号在某一尺度上的纹理测度。本文的计算选用db4小波基[2]。图像中的每一个像元对应于一个窗口,以该窗口小波变换子影像的能量值序列作为该像素的特征向量,用熵Entropy(简记ENT)作为小波子影像的特征值。

由于大窗口在地物边缘会产生windowsize效应,而小窗口对边界的判别更准确,分类结果更细致[3,4],因此,本文在用64×64、32×32、16×16窗口实验的基础上采用8×8窗口提取纹理特征,是为了使小波分析能够用于自然影像的分类。以下将从样区中选取四类典型地物样本进行分类测试。

收稿日期:2005210213。

项目来源:国家自然科学基金资助项目。