基于完整的LBP纹理特征的高分辨率遥感图像分类

科技论坛　民营科技２０１５年第２期　基于完整的ＬＢＰ纹理特征的高分辨率遥感图像　分类　郭鲁魏颖　（沈阳工学院，辽宁抚顺１１３１１２）　摘要：由于高分辨率遥感图像纹理信息和光谱信息丰富，提出将这些信息利用完整局部二值模式（ＣＬＢＰ）方法进行高分辨率图　像的土地覆盖分类。结果表明：完整局部二值模式（ＣＬＢＰ）方法具有很好的抗噪性能，大大提高了地物分类的精度。　关键词：纹理信息；光谱信息：ＣＬＢＰ　　高分辨率图像的大量获取为详细地表特征制图和监测提供　等预处理；了数据基础。遥感信息提取一般通过遥感图像分类来实现。纹理　特征是用于遥感图像分类的一种重要的特征信息。目前，已有灰　度共生矩阵、小波变换以及地统计学变差函数的纹理特征提取算　法。局部二值模式ＬＢＰ是一种简便、功能强大的纹理分析方法，具　有不受光照强度变化影响的特征。但ＬＢＰ不能有效完全地描述纹　理特征以及比较容易受到噪声的干扰。本文提出改进的完整局部　二值模式ＣＬＢＰ纹理分析方法将所得的纹理信息应用于高分辨率　遥感图像的土地覆盖ＩｌＪ。实验表明，该方法得到的结果比ＬＢＰ效果　更好，鲁棒性更高。　１　局部二值模式算法ＬＢＰ　描述图像局部纹理特征的ＬＢＰ算子用式（１）表示：　．　ＬＢＰｐ　ｓ（ｇｐ－ｇ￣）２　（１）　Ｐ：０　其中：＆表示区域内中心位置处的灰度值，ｇ　表示均匀分布在　中心为半径为Ｒ圆周上的Ｐ个点的灰度值。　由于ＬＢＰ算法中，提出一种等价模式ＬＢＰ　，可以找到一种　组合确切地表示图像的局部特征，共有２　种０和１组合的可能　性。ＬＢＰ算子被视为首尾链接的环形的二进制特征值时，至多存在　两位由０到ｌ或是１到０的转换。比如，０００００１１０和０１１１１０００包　含了两个从０到１的转换。ＬＢＰ　表示一种等价模式的ＬＢＰ算　子，Ｕ：表示等价模式，如式（２）所示，其中Ｕ（ＧＰ）表示０到１或１　到０跳变的次数。　ｕ（Ｇ　）＝ＩＳ（ｇｐ－ｌ－ｇ　）一ｓ（ｇｊ—ｇ　）ｆ＋　：ｆｓ（ｇ　一ｇ　）～ｓ（１　１一ｇ　）ｌ　（２）　Ｐ＝１　一般等价模式类通过旋转后模式种类由２　类减少为Ｐ＋Ｉ类，　而且变成旋转不变的等价模式。ＬＢＰＰ．　直方图应用于纹理分类，能　够反映全局模式特征的统计分布情况，并且性能很好。　２完整局部二值模式ＣＬＢＰ　本文提出一种基于ＣＬＢＰ的遥感图像分类算法。ＣＬＢＰ算子包　括三个部分：中心像素的ＬＢＰ（ＣＬＢｐ＿ｃ）、符号部分的ＬＢＰ　（ＣＬＢＰ＿Ｓ）、数值部分的ＬＢＰ（ＣＬＢＰ＿Ｍ）。首先对遥感图像进行一系　列的预处理；然后对预处理后的图像采用ＣＬＢｐ＿ｃ、ＣＬＢＰ＿Ｓ和　ＣＬＢＰ＿Ｍ算子，提取后分别形成三个不同ＣＬＢＰ直方图，进行直方　图相似性比较；最后根据：最近邻原则进行分类。通过实验表明，将　ＣＬＢＰ＿Ｓ和ＣＬＢＰ　Ｍ算子提取的特征融合后可以获得更高的识别　率。因此通过两种方法将直方图融合：　１）串接，例如ＣＬＢＰ＿Ｓ和ＣＬＢＰ＿Ｍ串接成新的一维直方图，记　为ＣＬＢＰ＿Ｓ～Ｍ；　２）联合，例如ＣＬＢＰ＿一Ｓ和ＣＬＢＰ＿Ｍ联合成二维直方图，记为　ＣＬＢＰ＿Ｓ／Ｍ。当三个直：　图串接成新的一维直方图，记为　ＣＬＢＰ－Ｍ—Ｓ／Ｃ；当三个直方图联合成三维直方图，记为ＣＬＢＰ　Ｓ／Ｍ／　Ｃ。　该算法既能描述图像的整体特征，又能描述图像的细节特　征。本文实验的具体步骤如下：　１）对遥感图像进行一系列的差分高斯滤波和直方图均衡化　２）提取预处理后的遥感图像的ＣＬＢＰ直方图特征，分别是　ＣＬＢＰ＿Ｃ、ＣＬＢＰ＿Ｓ和ＣＬＢＰＭ直方图；　３）将直方图融合成ＣＬＢＰ＿Ｓ、ＣＬＢＰ＿Ｍ、ＣＬＢＰ＿Ｍ／Ｃ：ＣＬＢＰ＿Ｍ／Ｃ／　Ｓ；　４）比较测试图像直方图和训练图像直方图的相似性；　５）通过最近邻分类器进行识别分类。　３仿真与分析　为了分析ＣＬＢＰ算法的性能，本文以北京香山ＩＫＯＮＯＳ多光　谱图像为试验数据进行实验测试。。该数据空间分辨率为４ｍ。图像　覆盖区域包括树木、农田、村庄、水体和大棚地等５种地物类型，　其中大棚地为应用蔬菜和花卉培育的塑料大棚。　首先手动截取图像中各个地物部分，并归一化为ｌＯＯｘｌＯ０的　灰度图像。在数据库中选取２Ｏ个图像作为训练集，剩余的作为测　试集；实验中ＣＬＢＰ算子分别采用半径为１、邻点数为６，半径为　２、邻点数为１６。实验结果是采用不同的训练集情况下的识别率的　平均值，如表所示。　实验表明ＣＬＢＰ＿Ｓ在大部分情况下的识别率要好于　ＣＬＢＰ＿Ｍ，这是因为符号算子能够描述更多地信息。ＣＬＢＰ　Ｍ／Ｃ获　得比ＣＬＢＰ—Ｍ更好的识别率，同样因为中心像素包含额外的判别　信息。　４结论　本文将完整局部二值模式ＣＬＢＰ方法用于高分辨率图像的纹　理特征提取，然后用于图像分类，通过与纯光谱分类以及完整局　部二值模式ＣＬＢＰ纹理的分类对比，验证方法的性能：与ＬＢＰ相　比，完整局部二值模式ＣＬＢＰ纹理能更有效地反映纹理特征，同时　还能很好地抵制噪声的干扰，是一种有效的、可用于提高图像分　类精度的分类方法。　参考文献　『１１黄颖端，李培军，李争晓．基于地统计学的图像纹理在岩性分类　中的应用［Ｊ］．国土资源遥感，２００３（３）：４５—４９．　［２］ＧＵＯ　Ｚｈｅｎ－ｈｕａ，ＺＨＡＮＧ　Ｌｅｉ，ＺＨＡＮＧ　Ｄ．Ｒｏｔａｔｉｏｎ　ｉｎｖａｒｉａｎｔ　ｔｅｘｔｕｒｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｕｓｉｎｇ　ＬＢＰ　ｖａｒｉａｎｃｅ（ＬＢＰＶ）ｗｉｔｈ　ｇｌｏｂａｌ　ｍａｔｃｈｉｎｇ［Ｊ］．Ｐａｔｔｅｍ　Ｒｅｃｏｇｎｉｔｉｏｎ．２０１０，４３（３）：７０６—７１９．　【３１吴高洪，章毓晋，林行刚．利用小波变换和特征加权进行纹理　分割ｌＪＩ．中国图象图形学报，２００１（６）：１４．