【技术实现步骤摘要】
本专利技术涉及一种基于纹理信息的遥感影像分割方法，属于遥感图像处理领域。
技术介绍
遥感图像分割一直是遥感信息目标识别、目标提取等应用领域重要的处理技术。在遥感信息处理领域，纹理信息作为一种重要的图像特征，广泛应用于图像分割领域。随着卫星传感器空间分辨率的不断提高，遥感图像目标区域内所包含的丰富纹理信息能够更精细化的表征目标复杂形态、结构及表面影像。针对遥感影像的纹理信息，通过纹理特征提取并结合相关图像分割算法实现对高分辨率的遥感影像分割，为遥感影像更精细化的目标级的分割与目标识别提供了可能。同时，遥感影像分割也能够为地图测绘与地图更新、城市规划、自然灾情监测及灾情评估提供有力的技术支持。在遥感图像分割过程中，纹理信息的特征化描述是遥感图像信息处理与分析领域所面临的一项重要挑战。传统的纹理特征提取方法通常是基于形态学算子描述目标区域所包含的纹理信息形状及结构。但是，针对分辨率更高、结构更加复杂的遥感图像纹理信息，目标所在局部区域内的纹理信息具有高同质性，同时像素间纹理信息的空间分布也具有较高的同构特性，因此传统的纹理特征提取方法往往不能准确的识别目标间的纹理差异，从而影响图像分割的精度。
技术实现思路
本专利技术目的是为了解决高分辨率遥感图像纹理信息的高同质性导致遥感图像分割精度低的问题，提供了一种基于非负低秩稀疏关联制图的遥感图像分割方法。本专利技术所述基于非负低秩稀疏关联制图的遥感图像分割方法，图像分割方法的具体过程为：步骤1、对遥感图像进行量化处理：将待处理的输入图像利用K-均值聚类的分类方法根据图像的灰度级范围进行量化处理，去除冗余灰度信息；原始图像...
【技术保护点】
基于非负低秩稀疏关联制图的遥感图像分割方法，其特征在于，图像分割方法的具体过程为：步骤1、对遥感图像进行量化处理：将待处理的输入图像利用K‑均值聚类的分类方法根据图像的灰度级范围进行量化处理，去除冗余灰度信息；原始图像为f(x,y；v)，(x,y)为图像坐标，v∈[0,255]为图像灰度级范围；设置量化图像灰度级范围k，经过K‑均值聚类方法分类后，量化后的图像为f(x,y；k)；步骤2、提取图像纹理信息的局部直方图特征：输入量化后的图像，经过系统卷积运算在均值滤波器窗口w内统计每个像素纹理值的局部直方图特征，同时构建包括图像全部像素的局部直方图特征矩阵其中，m∈M，表示图像所有像素的数量；Lw表示输入图像的直方图变换，x∈X表示图像中每个像素的位置；步骤3、对局部直方图特征矩阵范数约束进行低秩分解：首先，通过范数约束的低秩分解对构建的纹理局部直方图矩阵进行分解；其次，利用增广拉格朗日优化方法求解出具有低秩稀疏特性、且能够描述每个特征间线性组合的最优解范数是指矩阵中所有元素的平方和的1/2次方；步骤4、构建低秩稀疏关联制图：首先对于低秩分解输出的最优解进行向量归一化处理，计算每个向量的范...
【技术特征摘要】
1.基于非负低秩稀疏关联制图的遥感图像分割方法，其特征在于，图像分割方法的具体过程为：步骤1、对遥感图像进行量化处理：将待处理的输入图像利用K-均值聚类的分类方法根据图像的灰度级范围进行量化处理，去除冗余灰度信息；原始图像为f(x,y；v)，(x,y)为图像坐标，v∈[0,255]为图像灰度级范围；设置量化图像灰度级范围k，经过K-均值聚类方法分类后，量化后的图像为f(x,y；k)；步骤2、提取图像纹理信息的局部直方图特征：输入量化后的图像，经过系统卷积运算在均值滤波器窗口w内统计每个像素纹理值的局部直方图特征，同时构建包括图像全部像素的局部直方图特征矩阵其中，m∈M，表示图像所有像素的数量；Lw表示输入图像的直方图变换，x∈X表示图像中每个像素的位置；步骤3、对局部直方图特征矩阵范数约束进行低秩分解：首先，通过范数约束的低秩分解对构建的纹理局部直方图矩阵进行分解；其次，利用增广拉格朗日优化方法求解出具有低秩稀疏特性、且能够描述每个特征间线性组合的最优解范数是指矩阵中所有元素的平方和的1/2次方；步骤4、构建低秩稀疏关联制图：首先对于低秩分解输出的最优解进行向量归一化处理，计算每个向量的范数，通过比较计算获得样本特征向量的最大范数每个特征除以获得归一化的系数矩阵同时根据公式构建关联制图矩阵；步骤5、利用关联制图约束的非负矩阵参数化方法分割特征矩阵，对于非负矩阵参数化方法分解的权重矩阵，通过去权卷积的方法在权重矩阵中寻找每个像素的特征向量所对应的类别最大权重，确定该像素所属的分割类别，实现图像分割。2.根据权利要求1所述的基于非负低秩稀疏关联制...
【专利技术属性】
技术研发人员：田澍，张晔，张钧萍，宿南，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。