基于特征融合的无人机低空遥感影像高分地貌分类方法

摘要

本发明公开了一种基于特征融合的无人机低空遥感影像高分地貌分类方法，在待处理遥感图像中分别选择常见且有代表性的各种地貌，以分别作为各种地貌的训练样本；将每种地貌的训练样本，分别提取颜色特征和纹理特征；然后将颜色特征和纹理特征进行融合，将融合后的特征利用分类方法进行分类学习，得到每种地貌的分类模型；将待分类的无人机低空遥感影像同样进行颜色特征和纹理特征提取并融合，最后根据分类对象融合后的特征，并结合得到的每种地貌的分类模型，利用分类器即可将分类对象划分为某种地貌，由此实现无人机低空遥感影像的分类。本发明能够更有效快速地提取出鉴别特征，且使分类结果更准确。

权利要求

1.基于特征融合的无人机低空遥感影像高分地貌分类方法，其特征在于：包括如下步骤，

1)将无人机航拍采集的所有单帧图像导入计算机，对单帧图像分别预处理，以此消除在实际航拍环境中，光照、噪声和其他因素的干扰，获得更加清晰的单帧图像；

2)对预处理后的所有单帧图像进行拼接，得到完整的无人机航拍遥感影像，然后在完整的无人机航拍遥感影像中提取出地貌种类丰富且易于识别的矩形区域作为待处理遥感图像；

3)在待处理遥感图像中分别选择常见且有代表性的各种地貌，以分别作为各种地貌的训练样本；

4)将每种地貌的训练样本，分别利用数字图像由红绿蓝RGB颜色空间转化到HSV颜色空间，提取颜色特征，并选择一阶矩均值、二阶矩方差、三阶矩斜度3个统计量表征颜色特征，由此得到每种地貌训练样本的颜色特征；同时再分别将每种地貌的训练样本数字图像转换成灰度图像，采用LBP算法，提取每种地貌训练样本的纹理特征；

5)将步骤4)得到的每种地貌训练样本的颜色特征和纹理特征进行融合，得到融合后的特征；

6)将融合后的特征利用遥感数据分类方法进行分类学习，得到每种地貌的分类模型；

7)将待分类的无人机低空遥感影像按照步骤1)进行预处理并按照步骤2)进行拼接后得到待处理的完整的无人机航拍遥感影像；

8)将步骤7)待处理的完整的无人机航拍遥感影像按照步骤4)分别进行颜色特征和纹理特征提取，然后将提取得到的颜色特征和纹理特征按照步骤5)进行融合，得到待分类对象融合后的特征；

9)根据分类对象融合后的特征，并结合步骤6)得到的每种地貌的分类模型，利用分类器即可将分类对象划分为某种地貌，由此实现无人机低空遥感影像的分类；

设步骤4)得到的地貌训练样本纹理特征矢量为fLBP，步骤4)得到的地貌训练样本颜色特征矢量为fc＝[uH,σH,sH,us,σs,ss,uV,σV,sV]，两者融合后的特征矢量为fmix＝[uH,σH,sH,us,σs,ss,uV,σV,sV,fLBP]；

步骤4)得到地貌训练样本颜色特征矢量的过程为，

在特征提取过程中，首先对输入向量x进行RGB颜色空间转化成HSV颜色空间，x∈Rd，RGB颜色空间数值与HSV颜色空间数值转换关系如下，V＝Imax                             (1)Imax、Imin是RGB的亮度的最大值和最小值；

用三个低阶颜色矩来表达颜色分布，分别是均值ur,i，标准差σr,i和偏度sr,i，即对每个H，S和V通道做低阶颜色矩计算，来提取颜色特征，其具体公式如下：代表在图像区域r中，第j幅图像像素在第i个颜色通道的亮度值，N为图像区域r中总的像素点个数，故颜色特征矢量fc为fc＝[uH,σH,sH,us,σs,ss,uV,σV,sV]。

2.根据权利要求1所述的基于特征融合的无人机低空遥感影像高分地貌分类方法，其特征在于：步骤4)通过LBP算法得到地貌训练样本纹理特征矢量fLBP的过程为，选取一个以中心点为圆心，Ra为半径的区域，并且允许在此区域内有任意多个像素点，记为LBPP,Ra，表示在半径为Ra的圆形邻域内有P个像素点，并结合旋转不变性质，通过对图像顺时针旋转得到一系列LBP值，选择其中的最小值作为该区域的LBP值；LBP旋转不变算子riLBP P,Ra计算公式为

式中LBPriP,Ra函数为旋转函数，表示将x循环右移i位，i

通过LBP运算后，再计算选择区域直方图，并归一化处理，最后将所有统计直方图连接成一个特征矢量，即构成整幅图的LBP纹理特征向量fLBP。

3.根据权利要求1所述的基于特征融合的无人机低空遥感影像高分地貌分类方法，其特征在于：第6)步遥感数据分类方法为支持向量机，支持向量机算法具体过程为，设训练样本集Str为{(xi,yi),i＝1,2，...,n}，其中xi∈Rd为输入向量，yi为输出向量；对于非线性支持向量回归，通过核函数k(xi,xj)将输入样本空间非线性映射到高维特征空间进行线性回归，非线性回归估计函数f(xi)可表示为：式(10)中 表示向量w与 的内积，w为权值向量， 为非线性映射函数，b为阈值，b∈R；

为使支持向量回归保持较好的稀疏性，引入不敏感损失函数最小化经验风险，得到损失函数为c(x,y,f)＝|y-f(x)|ε＝max{0,|y-f(x)|-ε}          (11)若点x的观察值y和回归预测函数值f(x)之间的差别小于ε时，损失为0；

为求解支持向量回归函数中的w与b，在满足不敏感损失函数ε前提下将 最小化；

引入松弛变量ξ,ξ*≥0，进一步将式(11)转化为如下优化问题：其中约束条件为：

式(12)中，C为惩罚因子，用于平衡模型复杂项和训练误差项的权重参数，C越大表示对*训练误差大于ε的样本惩罚越大；不敏感损失函数ε，规定了回归函数的误差要求；ξ,ξ都为松弛变量；

将Lagrange函数引入式(13)，用核函数K(xi,xj)将高维空间内积运算通过原空间运算来实现，有* *

αi和αi 为拉格朗日算子，(αi-αi )≠0的训练样本为支持向量，得到回归函数：式(15)中nsv为支持向量个数，核函数采用高斯径向基(RBF)函数：K(xi,xj)＝exp{-|xi-xj|2/(2σ2)}           (16)。

说明书

基于特征融合的无人机低空遥感影像高分地貌分类方法

技术领域

[0001] 本发明涉及地貌分类，具体指一种基于颜色纹理特征融合的无人机低空遥感影像高分地貌分类的方法，属于无人机遥感影像地貌分类技术领域。

背景技术

[0002] 无人机遥感是遥感领域发展趋势之一，无人机遥感系统具有运行成本低、执行任务灵活性高等优点，是遥感数据获取的重要工具。随着技术的成熟和民用领域的需求，无人机已经逐渐渗透到民用领域的各个行业。近年来出现的性能各异的无人机,广泛应用于军用战场侦察和监视任务以及民用研究。按用途可分为民用通信中继无人机、气象探测无人机、灾害监测无人机、农药喷洒无人机、地质勘测无人机、地图测绘无人机、交通管制无人机和边境控制无人机等。

[0003] 作为遥感平台，无人机遥感系统更可显示其独特的优势:它成本低廉，能够低速、低空飞行，有利于遥感作业；并且机动灵活，能快速响应拍摄任务；可以承担高风险或高科技的飞行任务。其缺点是对载荷的体积重量有严格限制了，对载荷的抗震性能也有较高要求。费用低廉使得许多中小型用户也有能力支付，扩大了遥感的应用范围和用户群，具有广阔的应用前景。

[0004] 和其他遥感影像分类一样，无人机遥感图像分类也涉及不同的特征提取方法和不同的分类方法。

[0005] 一、特征提取方法介绍

[0006] 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。无人机遥感影像是利用多波段摄像机来获取的，提供了比单个波段摄像更加丰富的遥感信息，给地物研究带来了新的机遇。常用的图像特征有颜色特征、纹理特征、形状特征等。以下内容将详细介绍针对各特征传统的提取方法的基本原理。

[0007] 1.颜色直方图

[0008] 颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。

[0009] 2.灰度共生矩阵

[0010] 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法。共生矩阵用两个位置的像素的联合概率密度来定义，它不仅反映亮度的分布特征，也反映具有同样亮度或者接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征。它是定义一组纹理特征的基础，是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。缺陷在于只能对单波段的灰度图像进行纹理特征提取，不能用于多波段彩色图像的纹理特征计算。

[0011] 3.形状特征

[0012] 各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从2-D图像中表现的3-D物体实际上只是物体在空间某一平面的投影，从2-D图像中反映出来的形状常不是3-D物体真实的形状，由于视点的变化，可能会产生各种失真。

[0013] 二、遥感数据的分类方法

[0014] 无人机高分辨遥感影像中不同地物的差异通过像元的光谱信息及几何空间信息进行表达，不同的地物类型具有不同的光谱信息或几何空间特性。遥感影像分类就是以影像像元的光谱和空间特征为基础，对每个像元或比较均质的像元组中所代表的不同类别地物进行类别属性的确定和标注。通过对无人机高分辨遥感影像中各地物的光谱信息和几何空间信息进行分析，获得可分性最大的特征，选择适当的分类系统，将各个像元划分为对应的类别属性中。传统的分类方法主要有如下几种。

[0015] 1.k最近邻分类(k-NN)

[0016] k最近邻算法(k-Nearest Neighbor,k-NN)是一种比较经典的分类方法，该方法由k个已知近邻来判断未知数据点的类别信息，其理论已经非常成熟，在模式分类中得到了广泛的应用。k-NN算法不需要对样本进行训练，受噪声影响较小，但k值对算法的结果影响较大，其值的选择需要反复地进行调整；在维数较高时，计算时间较长。

[0017] 2.光谱角制图分类(SAM)

[0018] 光谱角制图(Spectral Angle Mapping,SAM)是对地物光谱波形相似性的一种度量，它把每条光谱都视为波谱空间的一个矢量，通过计算未知光谱与已知光谱间夹角来确定光谱间的相似程度，进而确定未知光谱曲线的类别信息。由于光谱曲线间的夹角越小表示两光谱曲线越相似，属于同类光谱的可能性越大，从而可以通过计算光谱曲线间的夹角来确定未知光谱曲线所属类别。

[0019] SAM是一个基于统计特征的算法，与光谱矢量的模无关，具有较好的抗干扰能力，受光照变化影响小，并且受“同物异谱”现象的影响小，现已在光谱数据分类中得到广泛的应用，具有较好的分类效果。但是SAM算法在两种光谱曲线相似程度很大时，对光谱曲线区分度较难，不能取得较好的分类效果。

[0020] 3.支持向量机分类(SVM)

[0021] 支持向量机(Support Vector Machines,SVM)是以统计学中的VC维理论和结构风险最小原理为理论基础，根据有限的样本信息在模型的复杂度(即特定训练样本的学习精度)和学习能力(即正确识别任意样本的能力)之间寻求最佳折衷，以获得最好的推广能力。SVM算法是以统计学为基础寻求数据间的最优分类面，通过把非线性数据映射到核函数空间，使其线性化，进而简化了计算复杂度，具有较好的分类效果；但是如何选择子空间和建立合适模型成为SVM运用的难点。

[0022] 通过上述现有技术介绍可以看出，对于杂波干扰大，目标轮廓模糊，特征不明显的无人机低空遥感图像，目前的特征提取方法和分类方法都存在各自不足，常用的特征提取方法均不能有效地提取出鉴别地貌的完备特征，同时几种分类方法要么影响因素多，要么存在某些局限性，例如学习过程计算量大，耗时长等，两者都会导致分类结果准确性受到影响。

发明内容

[0023] 针对现有技术存在的上述不足，本发明的目的是提供一种能够更有效快速地提取出鉴别特征，且使分类结果更准确，对无人机高分遥感影像的地物分类效果更好的基于颜色纹理特征融合的无人机低空遥感影像高分地貌分类方法。

[0024] 本发明的技术方案是这样实现的：

[0025] 基于特征融合的无人机低空遥感影像高分地貌分类方法，步骤如下，

[0026] 1)将无人机航拍采集的所有单帧图像导入计算机，对单帧图像分别预处理，以此消除在实际航拍环境中，光照、噪声和其他因素的干扰，获得更加清晰的单帧图像；

[0027] 2)对预处理后的所有单帧图像进行拼接，得到完整的无人机航拍遥感影像，然后在完整的无人机航拍遥感影像中提取出地貌种类丰富且易于识别的矩形区域作为待处理遥感图像；

[0028] 3)在待处理遥感图像中分别选择常见且有代表性的各种地貌，以分别作为各种地貌的训练样本；

[0029] 4)将每种地貌的训练样本，分别利用数字图像由红绿蓝RGB颜色空间转化到HSV颜色空间，提取颜色特征，并选择一阶矩均值、二阶矩方差、三阶矩斜度3个统计量表征颜色特征，由此得到每种地貌训练样本的颜色特征；同时再分别将每种地貌的训练样本数字图像转换成灰度图像，采用LBP算法，提取每种地貌训练样本的纹理特征；

[0030] 5)将步骤4)得到的每种地貌训练样本的颜色特征和纹理特征进行融合，得到融合后的特征；

[0031] 6)将融合后的特征利用遥感数据分类方法进行分类学习，得到每种地貌的分类模型；

[0032] 7)将待分类的无人机低空遥感影像按照步骤1)进行预处理并按照步骤2)进行拼接后得到待处理的完整的无人机航拍遥感影像；

[0033] 8)将步骤7)待处理的完整的无人机航拍遥感影像按照步骤4)分别进行颜色特征和纹理特征提取，然后将提取得到的颜色特征和纹理特征按照步骤5)进行融合，得到待分类对象融合后的特征；

[0034] 9)根据分类对象融合后的特征，并结合步骤6)得到的每种地貌的分类模型，利用分类器即可将分类对象划分为某种地貌，由此实现无人机低空遥感影像的分类。

[0035] 设步骤4)得到的地貌训练样本纹理特征矢量为fLBP，步骤4)得到的地貌训练样本颜色特征矢量为fc＝[uH,σH,sH,us,σs,ss,uV,σV,sV]，两者融合后的特征矢量为fmix＝[uH,σH,sH,us,σs,ss,uV,σV,sV,fLBP]。

[0036] 步骤4)通过LBP算法得到地貌训练样本纹理特征矢量fLBP的过程为，

[0037] 选取一个以中心点位圆心，R为半径的区域，并且允许在此区域内有任意多个像素点，记为LBPP,R，表示在半径为R的圆形邻域内有P个像素点，并结合旋转不变性质，通过对图像顺时针旋转得到一系列LBP值，选择其中的最小值作为该区域的LBP值；LBP旋转不变算子LBPriP,R计算公式为

[0038]

[0039] 式中LBPriP,R函数为旋转函数，表示将x循环右移i(i

[0040] 通过LBP运算后，再计算选择区域直方图，并归一化处理，最后将所有统计直方图连接成一个特征矢量，即构成整幅图的LBP纹理特征向量fLBP。

[0041] 步骤4)得到地貌训练样本颜色特征矢量的过程为，

[0042] 在特征提取过程中，首先对输入向量x(x∈Rd)进行RGB颜色空间转化成HSV颜色空间，(R,G,B)颜色空间数值与(H,S,V)颜色空间数值转换关系如下，

[0043] V＝Imax

[0044] (1)

[0045]

[0046]

[0047] Imax、Imin是(RGB)的亮度的最大值和最小值；

[0048] 用三个低阶颜色矩来表达颜色分布，分别是均值ur,i，标准差σr,i和偏度sr,i，即对每个H，S和V通道做低阶颜色矩计算，来提取颜色特征，其具体公式如下：

[0049]

[0050]

[0051]

[0052] Ii,j代表在图像区域r中，第j幅图像像素在第i个颜色通道的亮度值，N为图像区域r中总的像素点个数，故颜色特征矢量fc为fc＝[uH,σH,sH,us,σs,ss,uV,σV,sV]。

[0053] 第6)步遥感数据分类方法为支持向量机，支持向量机算法具体过程为，设训练样本集S为{(xi,yi),i＝1,2，...,n}，其中xi∈Rd为输入向量，yi为输出向量；对于非线性支持向量回归，通过核函数k(xi,xj)将输入样本空间非线性映射到高维特征空间进行线性回归，非线性回归估计函数f(xi)可表示为：

[0054]

[0055] 式(10)中 表示向量w与 的内积，w为权值向量， 为非线性映射函数，b为阈值，b∈R；

[0056] 为使支持向量回归保持较好的稀疏性，引入不敏感损失函数最小化经验风险，得到损失函数为

[0057] c(x,y,f)＝|y-f(x)|ε＝max{0,|y-f(x)|-ε}  (11)

[0058] 若点x的观察值y和回归预测函数值f(x)之间的差别小于ε时，损失为0；

[0059] 为求解支持向量回归函数中的w与b，在满足不敏感损失函数ε前提下将 最小化；引入松弛变量ξ,ξ*≥0，进一步将式(11)转化为如下优化问题：

[0060]

[0061] 其中约束条件为：

[0062]

[0063] 式(12)中，C为惩罚因子，用于平衡模型复杂项和训练误差项的权重参数，C越大表示对训练误差大于ε的样本惩罚越大；不敏感损失函数ε，规定了回归函数的误差要求；ξ,ξ*都为松弛变量。

[0064] 将Lagrange函数引入式(13)，用核函数K(xi,xj)将高维空间内积运算通过原空间运算来实现，有

[0065]

[0066] αi和αi*为拉格朗日算子，(αi-αi*)≠0的训练样本为支持向量，得到回归函数：

[0067]

[0068] 式(15)中n为支持向量个数，核函数采用高斯径向基(RBF)函数：

[0069] K(xi,xj)＝exp{-|xi-xj|2/(2σ2)}  (16)

[0070] 本发明是基于无人机携带的为非量测型相机—高分相机为平台，在规划好航拍区域与轨迹的前提下，不同高度下垂直拍摄，实时采集实验样本图像；经过图像预处理之后，特征提取，实现维数约简，加入合适的分类器，对提取出来的特征进行分类，以此来对各种地貌有效地分类识别。

[0071] 相比现有技术，本发明具有如下有益效果：

[0072] (1)针对无人机低空遥感图像数据呈现复杂的非线性分布特性，本发明在传统的特征提取算法中加入颜色纹理特征并进行特征融合，可以较好挖掘出其中隐藏的信息，消除波段的相关性，降低冗余度，为建立效果良好的基于颜色纹理特征融合的无人机高分遥感影像低空地貌分类模型提供了有力的保证。

[0073] (2)本发明建立了一种适用于小样本的非线性基于无人机遥感的地貌分类模型，即通过颜色纹理特征提取，得到少量地貌遥感数据的本质特征，利用最近邻算法和支持向量机算法进行学习，得到适合整个航拍区域的地貌分类模型，适用于对地面样本数据少的地貌遥感图像进行地貌分类精度评价和目标识别。

附图说明

[0074] 图1-基于颜色纹理特征融合的无人机高分遥感影像地貌分类方法流程图。

[0075] 图2-重庆大学虎溪校区图书馆建筑区域的遥感影像。

[0076] 图3-在不同训练样本率下，颜色特征、LBP纹理特征、融合特征的最近邻算法总体精度参数对比图。

[0077] 图4-在不同训练样本率下，颜色特征、LBP纹理特征、融合特征的支持向量机算法总体精度参数对比图。

[0078] 图5-在不同训练样本率下，颜色特征、LBP纹理特征、融合特征的最近邻算法分类精度参数对比图。

[0079] 图6-在不同训练样本率下，颜色特征、LBP纹理特征、融合特征的支持向量机算法分类精度参数对比图。

具体实施方式

[0080] 以下结合说明书附图对本发明作进一步详述。

[0081] 为能有效快速分类识别某区域建筑地貌种类情况，本发明提出了一种颜色纹理特征融合的无人机高分遥感影像地貌分类方法，根据颜色矩，LBP纹理特征融合，训练样本，建立无人机高分遥感影像地貌分类模型，得到了地貌分类精度情况图。

[0082] 下面结合附图对本发明进行详细说明，具体可结合图1。

[0083] 1)将无人机航拍采集的图像导入计算机，做滤波等基本的图像预处理，以此消除在实际航拍环境中，光照、噪声和其他因素的干扰，获得更加清晰的图像。

[0084] 2)对预处理后的图像进行拼接，并提取出地貌种类比较丰富的矩形范围作为待处理遥感图像；

[0085] 3)选择常见且有代表性的地貌，有针对的对待处理遥感图像进行裁剪，来获取大量的地貌分类样本，一部分作为训练样本，剩余部分作为测试样本；

[0086] 4)将所有作为训练样本数据，利用数字图像由RGB颜色空间转化HSV颜色空间，提取颜色特征，选择一阶矩(均值)、二阶矩(方差)、三阶矩(斜度)3个统计量表征颜色特征；同时再将数字图像转换成灰度图像处理，采用LBP算法，提取纹理特征；最后将颜色矩和LBP纹理特征融合，输出量利用分类方法(如最近邻算法和支持向量机)学习，得到地貌分类模型；

[0087] 5)利用所构建的地貌分类模型对测试样本数据进行反演，得到测试样本中地形要素的分类情况；根据其处于不同的训练样本率情况下，得到不同的地貌分类精度参数，绘制图像，从而直观显示整个航拍区域地貌分类精度情况，实现地形要素最佳分类识别。

[0088] 在步骤4)中，本发明用到了颜色矩与LBP纹理特征融合和支持向量机算法。下面分别对其进行详细说明。

[0089] 一、颜色矩

[0090] 颜色是图像中最不可或缺的特征之一，对人类来说也是至关重要的。颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。颜色对图像或图像区域的方向、大小等变化具有不敏感性，所以颜色特征不能很好地捕捉图像中对象的局部特征。

[0091] 颜色特征提取的主要方面是一个色彩空间的选择，在数字图像、RGB颜色空间是最普遍的选择。但是RGB色彩空间的主要缺点是它给人的感觉是不均匀的。色相，饱和度和亮度(HSV)颜色空间也广泛应用在视觉任务和色相、饱和度描述了一个特定的颜色和亮度值这种颜色系统与人类的视觉感知联系在一起，在交互式颜色选择中是有用的，因此我们在HSV颜色空间中提取颜色特征，并根据公式对像素的HSV值进行变换。

[0092] 在特征提取过程中，模型首先对输入向量x(x∈Rd)，进行RGB颜色空间转化成视觉均衡的HSV颜色空间，(R，G，B)颜色空间数值与(H,S,V)颜色空间数值转换关系如下：

[0093] V＝Imax  (1)

[0094]

[0095]

[0096] Imax、Imin是(R、G、B)的亮度的最大值和最小值。

[0097] 许多方法被用来描述颜色特征，如颜色直方图、颜色结构描述符，颜色相关性，颜色矩。本发明选择颜色矩来描述颜色特征由于其低的特征向量的维数，计算复杂度低，缩放和旋转不变性。用三个低阶颜色矩来表达颜色分布，分别是均值(ur,i)，标准差(σr,i)，偏度(sr,i)对每个H，S和V通道通过计算颜色矩来提取颜色特征,其具体公式如下：

[0098]

[0099]

[0100]

[0101] (6)

[0102] Ii,j代表在图像区域r(r＝32*32)中，第j幅图像像素第i个颜色通道的亮度值，N为图像区域r中总的像素点个数。所以一副图像fc的颜色特征矢量,即：fc＝[uH,σH,sH,us,σs,ss,uV,σV,sV]。

[0103] 二、LBP纹理特征

[0104] 图像中相当多的信息都分布在图像的纹理结构中，通过纹理分析可以得到更多的宏观和微观信息，所以，在机器视觉的图像处理中，纹理的特征分析越来越受到人们青睐。

[0105] 本发明采用的局部二值模式(Local Binary Patterns,缩写为LBP)。LBP是一种用来描述图像局部纹理特征的不相关算子，它主要通过对图像任意一点与其周围点的灰度值的大小关系来表示图像局部纹理特征。由于LBP相对简单，计算复杂程度低，被广泛应用于图像处理的各个领域。

[0106] 原始图像LBP算子定义在像素N*N的领域内，以邻域中心像素为阈值，相邻的2N-1个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，N*N邻域内的2N-1个点经过比较可产生2N-1位二进制数，将这2N-1位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值，LBP值共有2N种可能，因此LBP值有2N种。中心像素的LBP值反映了该像素周围区域的纹理信息。LBP计算公式如下：

[0107]

[0108]

[0109] 上式ic为中心点的像素值，iW为邻域点的像素值。W为除中心点外在区域内的其他领域点。

[0110] 如果区域中的图像进行旋转，二进制顺序也会随之发生改变很明显不能对各种形式的纹理特征进行提取。因此，需要对原始LBP算子进行改进，将3*3的矩形区域扩展成一个以中心点位圆心，R为半径的区域，并且允许在此区域内有任意多个像素点，记LBPP,R，表示在半径为R的圆形领域内有P个像素点，并结合旋转不变性质，通过对图像顺时针旋转得到一系列LBP值，选择其中的最小值作为该区域的LBP值。LBP旋转不变算子LBPriP,R计算公式为[0111]

[0112] 式中LBPriP,R函数为旋转函数，表示将x循环右移i(i

[0113] 最后，对LBP特征向量进行提取的步骤小结：首先将检测窗口划分为N*N的小区域；对于每个区域中的一个像素，将相邻的像素灰度值与其进行比较，若周围2N-1个像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，N*N邻域内的2N-1个点经过比较可产生2N-1位二进制数，将这2N-1位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值；然后计算每一个区域的直方图，即每个数字(假定是十进制数LBP值)出现的频率，进行归一化处理；最后将得到的每个区域的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量fLBP。

[0114] 最后将提取得到的颜色特征矢量与LBP纹理特征矢量构成一个特征融合矢量fmix＝[uH,σH,sH,us,σs,ss,uV,σV,sV,fLBP]，来进行训练与识别。

[0115] 三、支持向量机

[0116] Vapnik等人于1963年提出了支持向量机(Support Vector Machines,SVM)原理。SVM以VC维理论(统计学)和结构风险最小化为基础，凭借有限的样本信息在训练样本的学习精度和正确识别任意样本的能力，即模型复杂度和学习能力之间寻求最好的推广能力。
SVM原理是在统计学习理论的基础上提出的一种机器学习方法，在许多领域都得到了推广和应用。

[0117] 支持向量回归(Support Vector Regression,SVR)是在SVM原理基础上建立的一种回归技术，在时间序列的预测、非线性建模与预测及优化控制等方面，具有泛化能力强和预测准确度高等优点。设训练样本集S为{(xi,yi),i＝1,2，...,n}，其中xi∈Rd为输入向量，yi为输出向量；对于非线性支持向量回归，通过核函数k(xi,xj)将输入样本空间非线性映射到高维特征空间进行线性回归，非线性回归估计函数f(xi)可表示为：

[0118]

[0119] 式(10)中 表示向量w与 的内积，w为权值向量， 为非线性映射函数，b为阈值，b∈R；

[0120] 为使支持向量回归保持较好的稀疏性，引入不敏感损失函数最小化经验风险，得到损失函数为

[0121] c(x,y,f)＝|y-f(x)|ε＝max{0,|y-f(x)|-ε}  (11)

[0122] 若点x的观察值y和回归预测函数值f(x)之间的差别小于ε时，损失为0；

[0123] 为求解支持向量回归函数中的w与b，在满足不敏感损失函数ε前提下将 最小化；引入松弛变量ξ,ξ*≥0，进一步将式(11)转化为如下优化问题：

[0124]

[0125] 其中约束条件为：

[0126]

[0127] 式(12)中，C为惩罚因子，用于平衡模型复杂项和训练误差项的权重参数，C越大表示对训练误差大于ε的样本惩罚越大；不敏感损失函数ε，规定了回归函数的误差要求；ξ,ξ*都为松弛变量。

[0128] 将Lagrange函数引入式(13)，用核函数K(xi,xj)将高维空间内积运算通过原空间运算来实现，有

[0129]

[0130] αi和αi*为拉格朗日算子，(αi-αi*)≠0的训练样本为支持向量，得到回归函数：

[0131]

[0132] 式(15)中n为支持向量个数，核函数采用高斯径向基(RBF)函数：

[0133] K(xi,xj)＝exp{-|xi-xj|2/(2σ2)}  (16)

[0134] 以下结合具体实施例对本发明进行进一步详细说明。

[0135] 本实施例以四旋翼无人机搭载高分相机为航拍平台，针对重庆大学虎溪校区图书馆附近区域(GPS坐标是(29。35,106。8’))规划合适的航线，飞行高度设置从50m至250m,垂直拍摄，来获取重庆大学虎溪校区图书馆附近区域大量遥感图像样本数据进行地貌分类识别。本例仅选择四种基本地貌，分别是草地、树木、水泥地、水体，进行数据实验和分析。图2是本次实施例得到的重庆大学虎溪校区图书馆建筑区域的遥感影像。

[0136] 具体步骤为：

[0137] 1)将无人机航拍遥感图像数据读入计算机，并提取出包含地貌分类信息较丰富的矩形范围(这里暂且分为四类：草地、树木、水泥地、水体)：计算机读入重庆大学虎溪校区图书馆附近区域遥感图像，选定[1260:2100，400:2300]的矩形范围，得到包含所有地貌的遥感图像。

[0138] 2)通过相关软件平台，做图像拼接处理，得到拼接效果较好的影像75张。假设实验选择样本图像，大小为32*32，每一类地形要素数据各取300张，总共1200张，进行实验。每一类存储在一个文件夹内，其中的样本图片以1～300按序由小到大标号。故每一类地貌在每张图中截取2张图片，大小为32*32，即遥感数据矩阵B＝x{i}{j}，i∈[1，4]，j∈[1，300]，x{i}{j}是第i分类j张样本像素值构成的列向量。

[0139] 3)采用获取的地貌遥感数据，每类从中选取10组不同的训练样本率下的数据作为训练样本，剩下的作为测试样本，重复做10次实验。介于考虑到数据的大小不一致，务必使训练样本和测试样本的数据分布较为均匀，尽量使训练样本中的浓度数据能够包含较大、中等及较小的数据，而测试样本也符合这种分布，即图像尺寸均保持32*32。

[0140] 4)根据设置标签，使样本数据进行最近邻算法和支持向量机学习，从而构建分类模型。对测试样本进行反演，其测试结果如图3-图6；根据图3和图4的反演结果可知，在不同的训练样本率下，经过最近邻分类器和支持向量机分类器训练后，仅在颜色特征或是LBP纹理特征，即在单一特征情况下，经分类器训练后地貌分类总体精度较该特征融合方法达到的地貌分类总体精度效果差；根据图5和图6的测试结果可知，在不同的训练样本率下，经过最近邻分类器和支持向量机分类器训练后，该特征融合方法达到的地貌分类精度效果明显比仅在颜色特征或是LBP纹理特征，即在单一特征情况下，经分类器训练后地貌分类精度效果好。

[0141] 随着训练样本率的不断增加，即训练样本集增大，经过最近邻分类器和支持向量机分类器的学习，不管仅在颜色特征或是LBP纹理特征，还是颜色纹理特征融合的情况，地貌分类结果精度大体上呈上升趋势，且该特征融合方法达到的地貌分类精度效果明显比仅在颜色特征或是LBP纹理特征优越，即在多特征融合情况下，经分类器训练后地貌分类精度效果比单一特征情况下得到分类结果比较理想，符合预期理论推导值，可较好的实现样本量较少时，能快速有效地得到对监测的区域地貌分类情况。

[0142] 最后需要说明的是，本发明的上述实例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。尽管申请人参照较佳实施例对本发明进行了详细说明，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。