高分辨率遙感影像的壓縮紋理元分類

金 晶,鄒崢嶸,陶 超

中南大學(xué)地球科學(xué)與信息物理學(xué)院,湖南長沙 410012

高分辨率遙感影像的壓縮紋理元分類

金 晶,鄒崢嶸,陶 超

中南大學(xué)地球科學(xué)與信息物理學(xué)院,湖南長沙 410012

針對高分辨率遙感影像的特征提取復(fù)雜、特征維數(shù)大等問題,提出一種基于原始像素塊的紋理元特征提取方法,并結(jié)合支持向量機將其應(yīng)用于高分辨率遙感影像分類。首先,利用隨機投影對基于原始像素灰度值的特征向量降維,得到壓縮的局部紋理特征。然后,對各類紋理特性向量進行聚類,將聚類中心作為視覺詞匯形成壓縮紋理元字典。再將樣本中的紋理元編碼到紋理字典中對應(yīng)距離最近的詞匯,得到樣本的視覺詞匯圖,并融合詞匯統(tǒng)計直方圖與詞匯二階矩信息作為全局的紋理表達。最后,將所得全局紋理特征作為支持向量機的輸入進行分類。通過兩個試驗影像,驗證了本文方法能夠有效地表達紋理,提高分類精度。

高分辨率遙感;隨機投影;紋理特征;紋理元;視覺詞匯;分類

1 引 言

遙感影像中地物復(fù)雜、信息豐富,特別是隨著分辨率的提高,地物細節(jié)更加清晰、信息量成倍增長,因此尋找一種合適的特征描述方法成為高分辨率遙感影像分類過程中的關(guān)鍵問題。紋理特征[1-2]作為重要的視覺表現(xiàn)方式,在遙感圖像處理中被廣泛應(yīng)用。

目前存在兩種主流的紋理特征提取方法[2]:基于統(tǒng)計信息的紋理特征提取方法和基于濾波器的紋理特征提取方法。以灰度共現(xiàn)矩陣[3]、分形模型方法[4]、紋理譜方法[5]為代表的基于統(tǒng)計信息的方法將紋理看做是按照一定的規(guī)律分布的一系列像元的排列,并通過其統(tǒng)計特性來描述紋理特征。但統(tǒng)計方法通常會存在計算耗時等問題,同時缺乏在不同尺度以及不同方向上的紋理特征描述[2]?；跒V波器的方法將紋理看做是由不同頻率信號構(gòu)成的復(fù)合信號,通過不同方向以及帶寬的濾波器濾波后的特征值作為紋理特征描述,這一點優(yōu)于統(tǒng)計方法,也使得濾波器組成為紋理特征描述的重要方法。如Gabor紋理特征[6-7]是濾波器方法中的典型代表。近些年,文獻[8—10]基于其多年在紋理分析上的研究工作,對傳統(tǒng)的基于濾波器組的方法在紋理提取方法中的重要地位提出了質(zhì)疑,并指出濾波器組方法存在特征易模糊損失,且計算復(fù)雜等問題。文獻[9—10]提出一種基于紋理元的紋理特征提取方法:直接利用影像局部像素塊的原始灰度信息聚類形成紋理元,作為組成紋理圖像的局部特征基元,然后利用圖像中紋理元的統(tǒng)計直方圖表達全局紋理特征。該方法能兼顧局部特征與全局特征來表達紋理,并且具有計算簡單、特征全面等優(yōu)點。

僅利用紋理信息是不夠的,在遙感影像分類時結(jié)合光譜和紋理信息能夠得到更有效的結(jié)果[11]。但同時也給特征提取帶來一個挑戰(zhàn):特征降維。目前主流的數(shù)據(jù)降維方法有獨立成分分析[12]、流行學(xué)習(xí)方法[13]、主成分分析法[14]、隨機投影[15-16]等。文獻[15]對這些降維方法進行比較分析得出,傳統(tǒng)的降維方法,如主成分分析(PCA)、奇異值分解(SVD)、潛在語義分析(LSI)等,存在計算復(fù)雜等問題,而隨機投影(random projection)能夠在降維的同時很好地保持信息量,降維效果最優(yōu)。

兼顧高分辨率影像中對象的局部特征及全局特征,本文提出基于紋理元特征描述以及結(jié)合SVM的分類方法,主要包括如下步驟:①利用隨機投影對基于原始的像素灰度值的紋理元矢量進行降維,得到本文中所說的壓縮紋理元;②利用k-均值聚類學(xué)習(xí)紋理字典;③融合樣本中詞匯統(tǒng)計直方圖與詞匯二階矩信息作為最終的紋理特征度量,并結(jié)合SVM進行分類。

2 基于紋理元方法的特征提取

隨著遙感技術(shù)的發(fā)展,遙感影像的分辨率也越來越高,能分辨的地物目標(biāo)尺寸達到米級甚至亞米級。傳統(tǒng)的利用像素及其鄰域像素的特征表達方法,對噪音敏感且不穩(wěn)定,已經(jīng)無法滿足高分辨率遙感影像分類的要求。基于紋理元的特征提

取方法兼顧了對象的局部特征及全局特征,全面地描述了對象紋理特征。

2.1 基于隨機投影的局部紋理元提取

針對結(jié)合光譜與空間信息的特征提取存在特征維數(shù)大等問題,本文提出基于隨機投影的紋理特征提取方法,利用隨機投影對原始紋理特征進行降維,映射到壓縮的紋理特征子空間。

隨機投影[15-20]是指將高維信號投影到隨機選擇的低維子空間的過程。隨機投影能降維,又能保留信息不損失的特性,在壓縮感知理論[18]中有充分的說明,即少量的隨機量能夠保持稀疏信號的大部分信息,近似地表達信號,并可由它精確重構(gòu)原信號[18]。文獻[19]利用隨機投影針對人臉識別問題提出稀疏分類器,并指出大部分的信號是稀疏可壓縮的。本文中的基于隨機映射的紋理特征提取方法包含以下兩個步驟。

2.1.1 旋轉(zhuǎn)不變紋理特征的提取

傳統(tǒng)紋理特征都是基于原始像素灰度信息進一步計算得到的,這表明原始灰度信息包含了完整的紋理信息。文獻[9—10]通過試驗證明直接利用原始影像灰度信息來描述紋理比傳統(tǒng)濾波器方法要好。本文依照此結(jié)論,直接利用原始灰度信息,并采用文獻[20]提出的排序框架來提取旋轉(zhuǎn)不變的原始紋理元向量。假定圖像I有n個波段,對圖像每個波段逐像素提取m×m窗口大小的圖像塊,按如下規(guī)則進行排序

式中,a＝1,2,…,fix(m/2);p0,0為中心像素點。式(1)表示對m×m窗口中每一個以p0,0為中心的矩形環(huán)上所有灰度值進行排序,并串聯(lián)成原始特征向量fSp∈Rm2。

2.1.2 基于隨機投影的特征降維

本文采用光譜與空間信息相結(jié)合的方法,組合n個波段的原始特征向量fSp,構(gòu)成原始特征向量fSp∈Rnm2×1

式(2)表示利用隨機投影將高維的特征向量fSp映射到低維的特征向量FCS,其中Φ∈Rh×k為隨機投影矩陣,k＝nm2,h?k。所有的壓縮特征向量構(gòu)成壓縮特征子空間{fCS}。

隨機投影矩陣Φ需滿足一定的要求:①Φ的大小參數(shù)h與k滿足JL(Johnson-Lindenstrauss)引論[15];②根據(jù)壓縮感知理論[18],隨機投影矩陣Φ應(yīng)滿足受限等距性質(zhì)。文獻[15]中列舉了幾種構(gòu)建隨機矩陣的方法,包括高斯隨機矩陣和簡單的隨機矩陣等。本文選擇滿足均值為0,方差為1的正交的高斯隨機矩陣作為隨機投影矩陣,并在試驗中分析了隨機矩陣Φ中h的大小與分類精度的關(guān)系。

2.2 基于局部紋理元的全局紋理特征

傳統(tǒng)的結(jié)合空間信息的分類方法利用中心像素及其鄰域像素信息提取對應(yīng)像素點的紋理特征,以像元為基元,使得特征描述對噪音敏感。本文利用每個像素點所在的中心單詞及其鄰域v×v內(nèi)的單詞作為紋理基元,構(gòu)成視覺詞匯圖(visual words map,VWM),通過視覺詞匯圖提取表達興趣像素點的紋理特征。該描述方法優(yōu)點包括:①大小為m× m的紋理基元,包含局部紋理信息,能更好地確定紋理基元的性質(zhì);②由鄰域v×v內(nèi)的單詞組成的VWM,表達全局空間信息,包含了確定中心像素點所屬類別的空間信息;③兩個窗口共同表達的紋理特征具有多尺度描述作用。

基于視覺詞匯圖的全局紋理特征提取包括3個步驟:字典學(xué)習(xí)、詞匯編碼、特征提取。

2.2.1 字典學(xué)習(xí)

在壓縮特征子空間中,利用k-均值算法,以歐氏距離作為相似性度量準則,對每一類訓(xùn)練樣本進行聚類,將聚類中心作為該類的詞匯字典di。假設(shè)共有C類樣本,每類的聚類中心數(shù)為K,通過組合各類的詞匯字典合成最終的大小為CK的壓縮紋理詞匯字典D∈Rh×CK＝{d1,d2,…,dC}。

2.2.2 詞匯編碼

根據(jù)第一步中得到的紋理字典D,利用最近鄰算法,通過計算FCS{}中的紋理基元到紋理字典D中每個單詞的歐氏距離,并采用距離最小的單詞對應(yīng)的編號對紋理基元進行編碼。通過中心單詞及其v×v鄰域內(nèi)的單詞的編號構(gòu)成視覺詞匯圖,用wi,j表示視覺詞匯圖中每個單詞對應(yīng)的紋理基元。視覺詞匯圖生成示意圖如圖1所示,其中,中心像素x0,0用紅色框標(biāo)注。

2.2.3 特征提取

3 試驗與討論

在Matlab平臺下,利用VL-feat工具箱[21],采用兩幅高分辨率的遙感影像進行分類試驗,對本文方法提出的紋理特征進行驗證。試驗分析了本文方法中的特征尺度及特征維數(shù)對分類精度的影響,并比較分析了本文方法與其他特征提取方法的分類精度。試驗通過全局分類精度(overall accuracy,OA)、Kappa系數(shù)對結(jié)果進行評價。

3.1 試驗數(shù)據(jù)

數(shù)據(jù)1(Japan數(shù)據(jù))為GeoEye-1衛(wèi)星的高分辨率數(shù)據(jù)(如圖2),空間分辨率為0.5 m,包含R、G、B 3個波段,全圖數(shù)據(jù)大小3000像素×3000像素,本文截取其中大小為1100像素×1300像素的圖像作為試驗數(shù)據(jù)。數(shù)據(jù)2(Pavia University數(shù)據(jù),簡稱Pavia U數(shù)據(jù))為ROSIS高光譜傳感器系統(tǒng)在意大利南部的Pavia University上空獲取的空間分辨率為1.3 m,有103個連續(xù)波段,大小為610像素×340像素,具有公共的ground truth高光譜數(shù)據(jù)[22]。本文利用PCA方法提取3個主成分作為試驗數(shù)據(jù),其偽彩色如圖3(a)所示。

3.2 尺度大小對分類精度的影響

本文方法中圖像塊大小m和詞匯圖大小v分別對應(yīng)了局部特征尺度和全局特征尺度。表1和表2分別為兩個試驗數(shù)據(jù)的尺度大小對全局精度的影響結(jié)果(每個試驗數(shù)據(jù)均為10次相同試驗取均值)。

從表1、表2中可以看到,對于兩個試驗數(shù)據(jù),詞匯圖大小v及圖像塊大小m都存在著相同的趨勢,由行向數(shù)據(jù)表明當(dāng)全局特征尺度選擇合適時,局部特征對OA的影響不大,列向數(shù)據(jù)表明局部尺度一定,全局特征尺度變化對OA影響較大。同時,隨著尺度選擇的增大,試驗運行時間也增加劇烈,所以對于這兩組數(shù)據(jù),考慮到運行時間,選擇精度相當(dāng)?shù)妮^小尺度。因此在面臨尺度選擇的問題時,尺度過小會導(dǎo)致特征表達不完整,降低分類精度;尺度過大則容易造成對象的異質(zhì)性增加,導(dǎo)致特征的區(qū)分性降低,從而降低分類精度。對于高分辨率遙感影像,全局特征的尺度問題比局部特征的尺度問題更加重要,分辨率越高,全局特征的尺度宜選擇更高。

圖1 視覺詞匯圖生成示意圖Fig.1 Sketch map of the producing process for VWM

圖2 Japan數(shù)據(jù)Fig.2 Japan data

圖3 Pavia University數(shù)據(jù)Fig.3 Pavia University data

表1 日本數(shù)據(jù):特征尺度大小對OA的影響Tab.1 Effective of feature scale size on OA of Japan data%

表2 PaviaU數(shù)據(jù):特征尺度大小對OA的影響Tab.2 Effective of feature scale size on OA of PaviaU data%

3.3 特征維數(shù)對分類精度的影響

對于本文方法,降維后的紋理向量特征維數(shù)h以及紋理字典大小k分別對應(yīng)局部特征維數(shù)與全局特征維數(shù)。圖4和圖5分別為h和k對OA的影響結(jié)果表。這里所選用的局部特征尺度均為7×7,因此原始特征維數(shù)均為49。

圖4 局部特征維數(shù)h與OA關(guān)系曲線Fig.4 Relationship between local feature dimension h and OA

圖5 全局特征維數(shù)k與OA關(guān)系曲線Fig.5 Relationship between global feature dimension k and OA

從圖4中可以看到,h與OA的關(guān)系曲線呈現(xiàn)一種上升后變緩的趨勢,隨著h的增加,特征的冗余性增加,這也引起分類精度的下降。同時,可以看到OA的變化范圍較小,對于Japan數(shù)據(jù)在1.3%以內(nèi),對于PaviaU數(shù)據(jù)在1%以內(nèi)。這說明了隨機投影在降維的同時能夠很好地保持信息量。因此,在選擇局部特征維數(shù)h時,為了得到較好的分類精度,同時考慮試驗運行效率,當(dāng)局部尺度為7×7時,本文選擇的最佳降維維數(shù)為25。

從圖5中可以看到,OA隨著全局特征維數(shù)參數(shù)k的增加而增加,k越大,曲線越平緩。同樣,試驗的運行時間也隨著h的增大而劇烈增加。因此,在選擇k時也綜合考慮運行時間和分類精度,本文選擇k為50。

比較圖4和圖5,發(fā)現(xiàn)全局特征維數(shù)對OA的影響更大,主要因為局部特征維數(shù)只關(guān)系到樣本中詞匯編碼的準確性,而全局特征包含樣本的全局紋理特征,所以其完整性更容易影響分類精度。

3.4 不同特征提取方法比較

為驗證本文所采用的排序紋理塊特征(Sorted-patch)的有效性,本文分別在同一分類框架下對其他4種局部紋理特征方法及顏色特征方法進行驗證:局部二進模式(LBP)、尺度不變特征轉(zhuǎn)換(SIFT)、灰度共生矩陣(GLCM)、原始圖像塊(Patch)及顏色特征(RGB)。

從表3中可以看到,其他5種局部特征的描述能力均不及本文中的Sorted-patch特征。LBP、SIFT和GLCM等特征分類精度均比較低,可以看出這3類從紋理塊中取出的局部特征分別對不同的類別敏感。而Patch特征的分類全局精度OA到達93.30%,比LBP、SIFT、GLCM、RGB高出很多,能夠有效地描述紋理。而本文提出的Sorted-patch特征,與Patch特征比較,對草地、公路、土地3類的分類精度有明顯提高,說明Sorted-patch特征的旋轉(zhuǎn)不變性使得分類精度提高。表4中,對于Pavia U數(shù)據(jù),LBP、SIFT、GLCM、RGB特征的全局分類精度都達到了90%以上,但在部分地物類別上的分類效果仍然不理想,而且類別間的分類精度差別大,導(dǎo)致Kappa系數(shù)較低。Patch特征的分類精度明顯高于前面4種特征,而本文方法Sorted-patch方法得到較高的分類精度。對比兩個表各個特征的表現(xiàn),可以發(fā)現(xiàn)LBP、SIFT、GLCM、RGB對不同數(shù)據(jù)的表達能力不穩(wěn)定,不如Patch和Sorted-patch方法,本文方法取得較高分類精度。通過對高空間分辨率遙感影像以及用PCA降維后的高光譜遙感影像的試驗,表明本文方法能有效地表達紋理,取得較為穩(wěn)定的分類結(jié)果。

表3 日本數(shù)據(jù)的不同局部特征分類精度表Tab.3 Classification accuracy of different local features for Japan data%

表4 PaviaU數(shù)據(jù)中不同局部特征分類精度表Tab.4 Classification accuracy of different local features for PaviaU data%

4 結(jié) 論

本文針對高分辨率遙感影像,提出的基于壓縮紋理元的遙感影像分類方法。試驗表明該方法取得了比較好的分類結(jié)果。本文方法的優(yōu)點為:①特征提取算法簡單,直接利用原始像素塊作為局部紋理描述;②隨機投影能夠在降維的同時保持信息量不損失;③結(jié)合詞匯圖的統(tǒng)計與空間分布特征,加入詞匯空間信息,能夠有效地區(qū)分地物。當(dāng)然本文方法還存在著需要改進的地方,首先考慮尺度選擇的問題,其次字典學(xué)習(xí)算法有待改善,用稀疏編碼的方法增強區(qū)分性,并可以結(jié)合面向?qū)ο蟮姆诸惙椒?有望能取得更好的效果。

[1] ZHENG Zhaobao,ZHOU Yueqin.A Study of Texture and Description for Aerial Images[J].Acta Geodaetica et Cartographica Sinica,1997,26(3):228-234.(鄭肇葆,周月琴.論航空影像的紋理與描述[J].測繪學(xué)報,1997,26 (3):228-234.)

[2] ZH A NG Zhilong.Feature Extraction and Recognition of Im portant Targets in Remote Sensing Imagery[D].Changsha:National University of Defense Technology, 2005.(張志龍.基于遙感圖像的重要目標(biāo)特征提取與識別方法研究[D].長沙:國防科學(xué)技術(shù)大學(xué),2005.)

[3] HARALICK R M,SHANMUGAM K,DINTEIN I.Textural Features for Image Classification[J].IEEE Transactions on Systems,Man and Cybernetics,1973,3(6):610-621.

[4] HUANG Guilan,ZHENG Zhaobao.The Application of Fractal in the Classification of Image Texture[J].Acta Geodaetica et Cartographica Sinica,1995,24(4):283-291.(黃桂蘭,鄭肇葆.分析幾何在影像紋理分類中的應(yīng)用[J].測繪學(xué)報,1995,24(4):283-291.)

[5] NIE Dan,FU Zhongliang,ZHANG He.Grain Analysis Means of Remote Sensing Image Based on Grain Table[J].Geosatial Information,2006,4(6):36-38.(聶丹,付仲良,張鶴.基于紋理譜的遙感影像紋理分析方法[J].地理空間信息,2006,4(6):36-38.)

[6] TAO Chao,TAN Yihua,PENG Bifa,et al.A Probabilistic Latent Semantic Analysis Based Classification for High Resolution Remotely Sensed Imagery[J].Acta Geodaetica et Cartographica Sinica,2011,40(2):156-162.(陶超,譚毅華,彭碧發(fā),等.一種基于概率潛在語義模型的高分辨率遙感影像分類方法[J].測繪學(xué)報,2011,40(2): 156-162.)

[7] CHEN Jie,DENG Min,XIAO Pengfeng,et al.Objectoriented Classification of High Resolution Imagery Combining Support Vector Machine with Granular Computing [J].Acta Geodaetica et Cartographica Sinica,2011,40 (2):135-147.(陳杰,鄧敏,肖鵬峰,等.結(jié)合支持向量機與粒度計算的高分辨率遙感影像面向?qū)ο蠓诸怺J].測繪學(xué)報,2011,40(2):135-147.)

[8] VARMA M,ZISSERMAN A.Texture Classification:Are Filter Banks Necessary?[J].Computer Society Conference on Computer Vision and Pattern Recognition, 2003,18(20):691-698.

[9] VARMA M,ZISSERMAN A.A Statistical Approach to Texture Classification form Using Images[J].International Journal of Computer Vision,2005,62(4): 61-81.

[10] VARMA M,ZISSERMAN A.A Statistical Approach to Material Classification Using Image Patches[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(11):2032-2047.

[11] MATHIEU F,JOCELYN C,JONATLI B,et al.Spectral and Spatial Classification of Hyperspectral Data Using SVMs and Morphological Profiles[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(11): 3804-3814.

[12] FENG Yan,HE Mingyi,SONG Jianghong,et al.ICA—Based Dimensionality Reduction and Compression of Hyperspectral Images[J].Journal of E1ectronics&Information Technology,2007,29(12):2871-2875.(馮燕,何明一,宋江紅,等.基于獨立成分分析的高光譜圖像數(shù)據(jù)降維及壓縮[J].電子與信息學(xué)報,2007,29(12): 2871-2875.)

[13] DU Peijun,WANG Xiaomei,TAN Kun,et al.Dimensionality Reduction and Feature Extraction from Hyperspectral Remote Sensing Imagery Based on Manifold Learning[J].Geomatics and Information Science of Wuhan University,2011,36(2):148-152.(杜培軍,王小美,譚琨,等.利用流形學(xué)習(xí)進行高光譜遙感影像的降維與特征提取[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2011,36 (2):148-152.)

[14] CAO Qian,TAN Kun,DU Peijun,et al.Hyperspectral Remote Sensing Image Dimensionality Reduction by Kernel PCA Method Based on Nystrom Algorithm[J].Metal Mine,2012,41(4):114-117.(曹茜,譚琨,杜培軍,等.用簡化核主成分分析法實現(xiàn)高光譜遙感影像降維[J].金屬礦山,2012,41(4):114-117.)

[15] BINGHAM E,MANNILA H.Random Projection in Dimensionality Reduction:Applications to Image and Text Data [C]∥The 7th ACM/SIGKDD International Conference on Knowledge Discovery and Data Mining.[S.l.]:ACM, 2001:245-250.

[16] LIU L,PAUL W F.Texture Classification from Random Features[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(3):574-586.

[17] XU S,FANG T,LI D,et al.Object Classification of Aerial Images with Bag-of-Visual Words[J].IEEE Geoscience and Remote Sensing Letters,2010,7(2):366-370.

[18] WRIGHT J,YANG A,GANESH A,et al.Robust Face Recognition via Sparse Representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009, 31(2):210-217.

[19] CANDES E,TAO T.Near-Optimal Signal Recovery from Random Projections:Universal Encoding Stratigies?[J].IEEE Transactions on Information Theory,2006,52 (10):5406-5425.

[20] LIU L,PAUL W F.Sorted Random Projections for Robust Rotation-invariant texture Classification[J].Pattern Recognition,2012,5(6):2405-2418.

[21] VEDALDI A,FULKERSON B.An Open and Portable Library of Computer Vision Algorithms[EB/OL].[2008-11-30].http:∥www.vlfeat.org/.

[22] Computational Intelligence Group.Hyperspectral Remote Sensing Scenes[EB/OL].[2009-09-02].http:∥www.ehu.es/ccwintco/index.php/Hyperspectral_Remote_Sensing_ Scenes.

(責(zé)任編輯:宋啟凡)

Compressed Texton Based High Resolution Remote Sensing Image Classification

JIN Jing,ZOU Zhengrong,TAO Chao
School of Geosciences and Info-Physics,Central South University,Changsha 410012,China

In order to avoid the high computational-complexity inherited in traditional texture extraction method,a new textural feature based on raw image pixel patch is proposed and it is applied to high resolution remote sensing image classification combining with support vector machine,First,the original texture extracted from local image patches are projected into the compressed sub-space using the random projection technique.Then,the texture dictionary which represents local features is learned with k-means in the compressed domain for each class.Then,the visual word map is formed by coding every texton in the samples to the nearest word in the texture dictionary,and then the histogram of the visual words map and the second moment of the words are fused as the global textural feature.At last,the global texture is put into the support vector machine to classification.The proposed method is proved to be effective for texture representation and improving accuracy by experiments on two images.

high resolution remote sensing;random projection;texture feature;texton;visual words;classification

JIN Jing(1987—),male,master,majors in high resolution remote sensing image classification.

TAO Chao

P237

A

1001-1595(2014)05-0493-07

國家973計劃(2012CB719903);國家自然科學(xué)基金(41301453);中國博士后面上基金(2013M530361);教育部博士點基金(20130162120027)

2013-01-17

金晶(1987—),男,碩士,主要研究方向為高分辨率遙感影像分類。

E-mail:csujinjing＠sina.com

陶超

E-mail:kingtaochao＠126.com

JIN Jing,ZOU Zhengrong,TAO Chao.Compressed Texton Based High Resolution Remote Sensing Image Classification[J].Acta Geodaetica et Cartographica Sinica,2014,43(5):493-499.(金晶,鄒崢嶸,陶超.高分辨率遙感影像的壓縮紋理元分類[J].測繪學(xué)報, 2014,43(5):493-499.)

10.13485/j.cnki.11-2089.2014.0086

修回日期:2014-02-17