吴庆岗 赵伊兰 夏永泉 李灿林

摘  要： 在住宅区遥感图像分类中，为了克服尺度变化和旋转变化带来的影响，提出一种结合金字塔原理和局部二值模式的图像分类算法。首先对原始住宅区遥感图像进行多次下采样以构建不同尺度的空间金字塔;然后利用局部二值模式提取不同尺度遥感图像的纹理特征，以消除旋转变化的影响;最后将不同尺度下的纹理特征融合到一起，利用支持向量机对住宅区遥感图像进行分类。在标准图像数据集上的实验结果表明，低尺度纹理特征将会降低住宅区遥感图像的分类精度，与单尺度纹理特征相比，多尺度融合的纹理特征提高了遥感图像分类精度，平均高达4.77%。

关键词： 遥感图像; 局部二值模式; 空间金字塔; 特征融合; 支持向量机; 图像分类

中图分类号： TN911.73?34; TP751                  文献标识码： A                   文章编号： 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

随着遥感技术的不断发展进步，遥感影像已经成为获取地物、地貌等要素信息的主要途径，如何从海量遥感数据中高效、精准地提取各类地貌、地物等信息，并将其广泛应用于灾害预报、环境监测和土地规划利用等多种军事及民用领域，是目前仍待解决的关键技术问题之一[1]。采用遥感技术对住宅区遥感图像分类来掌握居民分布情况具有重要的意义。一般情况下，密集住宅区所在位置的人口数量也会相对较多，而稀疏住宅区人口的数量则相对较少。当发生某些自然灾害时，需要及时掌握该地区住宅分布情况，以便于合理地安排救助行动，尽可能地保障居民人身财产安全，减少损失。因此，如何实现并提高密集住宅区和稀疏住宅区遥感图像分类精度，是当前急需研究的一个关键问题。

近年来，已有大量学者对遥感图像分类进行研究探索[2?6]。文献[7]采用BP神经网络实现对遥感图像中建筑物与非建筑区域的分类，正确率达到95.7%。文献[8]将支持向量机理论应用到遥感图像分类研究中，实验结果表明，利用 SVM进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度，居民区分类精度达到97.78%。文献[9]针对建筑物的遥感影像特征，研究了SVM在建筑物识别与分类中的应用，提出一种交叉验证的方法对参数敏感度进行分析，实验表明优化后的SVM算法对建筑物的分类精度达到90%。文献[10]提出一种特征组合的方法实现高分辨率遥感影像中建筑物的分类提取，结果表明該方法克服了采用单一特征提取建筑物的局限性，有效提高了建筑物的分类精度。目前，针对密集与稀疏两类住宅区遥感图像分类的研究相对较少，同时由于遥感图像存在分辨率低、背景复杂、旋转变化和尺度变化等问题，这给住宅区遥感图像分类带来了巨大的困难和挑战。

结合住宅区遥感图像的多尺度特性和旋转特性，本文提出一种基于金字塔和LBP纹理特征的住宅区遥感图像分类算法。首先对原始住宅区遥感图像进行下采样，构建不同尺度的空间金字塔，然后利用局部二值模式提取多尺度住宅区遥感图像的纹理特征，并将不同尺度下的纹理特征融合到一起，最后利用SVM分类器对住宅区遥感图像进行分类。

1  图像预处理

在遥感图像分类中，图像质量的好坏将直接影响到分类算法的设计与分类精度。遥感图像背景复杂，细节模糊，同时容易受尺度变化和旋转变化的影响。因此，在对图像进行分类之前需要进行预处理，以增强感兴趣目标的对比度，消除尺度变化的影响。

1.1  直方图均衡化

遥感图像拍摄过程中，由于灰度分布大多集中在较窄的范围内，导致图像的细节不够清晰。为增加图像的对比度，使图像更加清晰，以有利于感兴趣区域特征的提取，首先对图像进行直方图均衡化，将图像进行非线性拉伸，使得变换后的图像直方图分布均匀。图1为某稀疏居民区遥感图像直方图均衡化前后结果的比较。其中，图1a）为稀疏居民区原始遥感灰度图像，图1b）为通过直方图均衡化增强后的结果图像，图1c）和图1d）分别为原始图像和增强后的图像所对应的直方图。从图1可以看出，增强后的图像对比度得到明显提高，为下一步纹理特征提取奠定良好的基础。

1.2  构建多尺度空间金字塔

遥感图像中感兴趣目标往往具有不同的尺度，这为遥感图像分类带来困难。利用金字塔原理可以将原始图像通过下采样生成一系列具有不同尺度的图像集合。金字塔原理如图2a）所示，底部是待处理的高分辨率遥感图像，顶部是低分辨率所对应原始图像的近似，当金字塔由下往上移动时，分辨率逐渐降低。在不同尺度遥感图像上提取纹理特征时，会得到不同个数的纹理特征值。探究不同尺度间纹理特征融合对分类精度的影响是本文的主要工作。图2b）为一幅原始稀疏住宅区遥感图像，图2c）和图2d）分别为利用金字塔原理进行一次下采样和二次下采样处理所得结果。

图1  住宅区遥感图像直方图均衡化预处理

图2  金字塔结构原理图和图像下采样结果

2  局部二值模式特征提取

局部二值模式（Local Binary Pattern，LBP）是一种用来描述图像局部特征的算子，可对图像中局部邻近区域的纹理信息进行度量和提取。该方法主要用于计算机视觉分类等任务中。LBP具有原理简单、计算复杂度低和旋转不变等优势，故本文采用LBP模式提取住宅区遥感图像的纹理特征。在提取过程中，首先需要将图像划分为多个小区域，然后对区域中的每个像素点，利用相邻的8像素灰度值与其进行比较，可得到[3×3]邻域内8位二进制数，接着将8位二进制数按一定的顺序排列，成为一个8位无符号的二进制数，最后将其化为整数，即为中心像素的LBP值，其原理如图3所示。LBP纹理特征可以利用式（1）表示：

图3  LBP计算示意图

在每个像素点计算出来LBP值之后，统计每个区域的直方图并进行归一化，最终得到图像的LBP特征向量。对图2中不同尺度下的住宅区遥感图像提取LBP纹理特征直方图，结果如图4所示。当图像分辨率为256×256时，提取的LBP特征向量数目为15 104个，一次下采样后提取的LBP特征向量数目为7 552个，二次下采样后提取的LBP特征向量数目为3 776个。可以看出，随着图像尺度的减小，图像所对应的LBP纹理特征值个数也在减少，相应的直方图区分能力会有所降低。

3  基于SVM的住宅区遥感图像分类

支持向量机（SVM）原理是利用有限的样本特征值，在分类模型的复杂性和自学习能力之间寻找最佳的平衡点，使目标函数达到最佳泛化能力[11]。传统的学习算法（比如人工神经网络）通常只考虑分类器对训练样本的拟合情况，容易出现过度拟合的问题，导致其推广能力降低。SVM以结构化风险最小化为原则，它将样本数据映射到一个高维的空间里，并在其中寻找并建立一个最大分类间隔的超平面[H]作为决策曲面，在决策曲面的两边建立两个平行的超平面[H1]和[H2]，二者的间距越大，SVM分类器的误差越小[12]。图5为SVM分类示意图，其中[H1]，[H2]上的样本为支持向量，寻找最优分类超平面的问题可以转化成优化模型[12?14]。

图4  不同尺度下LBP纹理特征直方图

綜上所述，基于LBP纹理特征和SVM算法的住宅区遥感图像分类步骤如下：

1） 首先读入住宅区遥感图像训练数据集;

2） 将训练数据集中的图像灰度化后进行直方图均衡化预处理，增大图像对比度;

3） 对预处理后住宅区遥感图像进行两次下采样，得到多尺度下的图像集;

4） 根据式（1）和式（2）对多尺度下的遥感图像提取LBP纹理特征向量，并两两融合;

5） 利用融合后的纹理特征向量进行SVM分类。

图5  SVM分类示意图

4  实验与分析

为验证本文算法的有效性，探究不同尺度下纹理特征间融合对分类精度的影響，实验环境是Matlab R2016a，系统配置环境是Inter[?] CoreTM i3?2130 CPU @3.40 GHz，4.00 GB RAM。实验采用两个子数据集：

1） 在NWPU?RESISC45标准遥感图像集[15]中选取的稠密住宅区（Dense_Residential）和稀疏住宅区（Sparse_Residential）两类图像，每类图像各有700幅;

2） UC Merced Land?Use标准遥感图像集[16]中选取稠密住宅区（Dense_Residential）和稀疏住宅区（Sparse_Residential）两类图像，每类图像都有100幅，部分示例如图6所示。

在第一类标准遥感图像数据集UC Merced Land?Use中每类住宅区遥感图像各用60幅作为训练集，30幅图像作为测试集，10幅图像作为验证集，分类结果如表1所示。可以看出：与原始分辨率的住宅区遥感图像相比，随着图像尺度的降低，分类正确率逐渐减小，原因是图像分辨率的减小，使得具有较强分辨能力的LBP纹理特征也在减少;当图像分辨率为64×64和128×128时，分类正确率只有82%和86.7%，但是将两个尺度下提取的LBP特征融合后（特征向量个数为11 328），分类正确率提升到了91.7%，表明低尺度纹理特征的融入有助于提高遥感图像分类的准确率;将三个尺度下提取出的LBP纹理特征融合后（特征向量个数为26 432），分类正确率达到了95%，但是在融合256×256和128×128两种尺度纹理特征时（特征向量个数为22 656），分类正确率达到96.7%，高出三尺度融合正确率1.7%，表明过低尺度的纹理特征并不总是有利于分类正确率的提高。总体来说，多尺度纹理特征融合后的分类正确率要高于单尺度特征分类正确率，平均提升6.49%。

图6  住宅区遥感图像示例

NWPU?RESISC45数据集中每类住宅区遥感图像各用420幅作为训练集，210幅作为测试集，70幅作为验证集，分类结果如表2所示。

从表2中可以得出类似的结论：当图像的尺度降低时，分类正确率随之减小;不同尺度下提取的LBP特征两两融合后，分类正确率均高于单尺度下的分类结果，正确率平均提升3.04%;但是，在三个尺度融合时（特征向量个数为26 432），正确率并没有明显提高，说明过度下采样得到的纹理特征不利于后续的图像分类。实验结果总体表明，将图像在不同尺度下提取的LBP特征经过适度融合后得到的分类正确率会明显高于单尺度LBP纹理特征所得到的分类正确率。

表1 不同尺度LBP 纹理特征在住宅区遥感图像上的分类结果比较（UC Merced Land?Use 数据集）

表2 不同尺度LBP 纹理特征在住宅区遥感图像上的分类结果比较（NWPU?RESISC45 数据集）

5  结  语

本文提出一种基于金字塔原理提取多尺度LBP纹理特征的住宅区遥感图像分类算法。通过对原始遥感图像下采样构建不同尺度的空间金字塔，再对不同尺度下的图像进行LBP纹理特征提取并融合，最后用SVM分类器进行分类。实验结果表明，本文方法能更好地对密集住宅区和稀疏住宅区图像进行分类，提高分类精度。但是，在构建空间金字塔时，过度下采样得到的纹理特征不利于后续的图像分类，何种程度的下采样会降低图像分类精度，这是未来的一个研究方向。

参考文献

[1] 金飞，王番，刘智，等.基于对数极坐标变换的遥感影像居民地提取[J].测绘科学，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] 杨剑，宋超峰，宋文爱，等.基于遗传算法的模糊RBF神经网络对遥感图像分类[J].小型微型计算机系统，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.结合纹理特征和边缘信息的遥感影像分类[J].遥感信息，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，李胜，等.一种利用多尺度直方图的遥感影像分类方法[J].遥感信息，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，周坚华.多描述符和多尺度城镇建筑分类[J].遥感信息，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，谢明鸿，宋纳.基于DSM与阴影的彩色遥感影像建筑物提取[J].郑州轻工业学院学报（自然科学版），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] 郝会娟.建筑物轮廓提取和区域分类的研究[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，贾银山.基于支持向量机的遥感图像分类研究[J].科学技术与工程，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] 张浩，赵云胜，陈冠宇，等.基于支持向量机的遥感图像建筑物识别与分类方法研究[J].地质科技情报，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，叶华平，吴书金，等.基于波段与形状特征的遥感影像建筑物分类提取[J].后勤工程学院学报，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，张怀清，陈永富，等.基于“高分四号”卫星影像洞庭湖湿地信息提取[J].航天返回与遥感，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] 张俊红，刘昱，马文朋，等.基于GAPSO?SVM的航空发动机典型故障诊断[J].天津大学学报，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] 徐晓明.SVM参数寻优及其在分类中的应用[D].大连：大连海事大学，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，谢晓兰，等.基于粒子群优化的支持向量机人脸识别[J].计算机工程，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.