基于扩展的局部二值模式的图像纹理及图像分类应用

探索适合高分辨率遥感图像处理的新方法是目前遥感信息处理领域的前沿研究方向之一。与中低分辨率图像相比，高分辨率图像中地物的几何结构及细节特征更加清晰，为利用空间信息识别地物特征提供了可能。纹理作为高分辨率图像的一种重要特征，已被广泛用于遥感信息处理中，探索新的纹理计算方法是图像纹理分析中的重要问题之一。 局部二值模式(Local Binary Pattern，LBP)是最近发展起来的一种理论简单但功能强大的纹理分析算法，在计算机视觉等领域表现出良好的性能，并得到了较广泛的应用和认可。但该方法在遥感领域的应用还很少。本文将该纹理提取算法应用到高分辨率遥感图像的纹理提取及分类中，并进一步将其算法扩展到多维空间，提取多波段图像纹理，通过图像分类评价它们的性能；同时，对其中所涉及到的特征提取方法进行了深入研究。 论文首先将现有的单波段、两波段LBP算法分别用于遥感图像的纹理提取，并将得到的纹理特征分别用于图像分类中，以评价LBP纹理的性能。实验结果表明，加入LBP纹理后，分类的总体精度比单纯光谱分类的精度有明显提高，尤其是对于纹理特征显著的地物类别，分类精度的改善更为显著。 论文将现有的LBP算法扩展到多维空间中，提取遥感图像的多维纹理特征，定量描述多波段的空间变化信息。本文共提出了三种多维扩展方法，将它们提取的多元纹理特征分别加入到图像分类过程中。实验结果表明，将三种扩展算法提取的多元LBP纹理分别加入到分类中，得到的分类结果精度均比单纯基于光谱信息的分类结果精度有较大提高，表明本文提出的扩展方法是有效的。本文提出的多维LBP算法直接对多波段图像进行多元纹理信息提取，避免了运用现有各种LBP纹理方法时所必需的波段选择，显示出其应用的简便性。 为充分利用由LBP方法所得到的大量纹理信息进行图像分类，针对LBP纹理的特点，本文在现有的最小噪声分量(Minimum Noise Fraction，MNF)变换方法基础上，提出了分块的MNF(Segmented MNF)方法对数据进行特征提取，并基于该变换的分量图像进行分类。实验结果表明，对于维数较高的数据而言，分块MNF变换不仅能显著减轻运算负担，而且能较好地保留分类所需的信息。与基于直接MNF变换的分类相比，基于分块MNF变换的分类能获得更可靠的结果。