基于尺度优选的遥感影像分割方法技术

本发明专利技术公开了一种基于尺度优选的遥感影像分割方法，包括如下步骤：1选定遥感影像分割算法并设置参数；2构建分割尺度序列；3选择最大的分割尺度作为当前分割尺度；4用当前分割尺度对遥感影像中的某个对象进行分割，生成多个分割子对象，计算分割子对象复杂度；5判断每个分割子对象是否需要下一尺度分割，如果需要，选取当前分割尺度下一个值作为当前分割尺度，按步骤4继续分割；否则将所述分割子对象标为分割最优对象；6对遥感影像中所有对象按步骤3‑5分割，直到所有分割子对象均被标为分割最优对象，或者当前分割尺度是分割尺度序列中的最小值时完成分割；7将分割出的对象融合到一个分割对象图层中。本发明专利技术公开的分割方法可以自适应地选取最优尺度进行对象分割。

【技术实现步骤摘要】
基于尺度优选的遥感影像分割方法
本专利技术属于遥感影像处理领域，具体涉及一种基于对象复杂度的遥感影像分割方法，该方法可以自适应地选取最优尺度进行对象分割。
技术介绍
高(空间)分辨率遥感影像记录了丰富的精细的地物空间结构、纹理特征和场景格局，使得面向对象的遥感分析(Object-OrientedAnalysis,OOA)成为当前高分辨率遥感应用的主要技术手段。相对于传统的基于像元(per-pixel)的遥感分析技术，面向对象的影像分析方法在利用影像光谱特征的基础上，能够从影像分析层面出发、以更类似人工解译的方式，充分挖掘高分辨率影像丰富的几何特征、纹理特征、空间格局特征等，实现更高精度和更高效率的影像分析；并且该方法能够与GIS空间分析相结合，进一步融入社会经济、空间模型等高层次信息，为快速高效、高精度的遥感影像分析提供新思路。相应的面向对象遥感分析的参考文献包括，周亚男,骆剑承,程熙等.多特征融入的自适应遥感影像多尺度分割[J].武汉大学学报：信息科学版,2013,38(1):19-22、周成虎,骆剑承等.高分辨率卫星遥感影像地学计算[M].北京:科学出版社,2009、Blaschke,T.,2010.Objectbasedimageanalysisforremotesensing.ISPRSJournalofPhotogrammetryandRemoteSensing,65(1):2-16、Myint,S.W.,Gober,P.,Brazel,A.,Grossman-Clarke,S.,Weng,Q.,2011.Per-pixelvs.object-basedclassificationofurbanlandcoverextractionusinghighspatialresolutionimagery.RemoteSens.Environ.115(5):1145–1161等。遥感影像分割是实现从像元到对象转变的首要步骤，是面向对象遥感分析的基础，并直接影响到后续的地物分类和目标识别的精度和效率。与一般图像相比，遥感影像具有多尺度、多目标、宽覆盖、地物类型多样等特点：(1)一般图像往往是具有“目标-背景”模式的单目标场景，目标的表达尺度被固定、目标/背景相对明确，而遥感影像中几乎不存在背景地物，每一个像元/对象都是需要分类识别的目标；(2)一般图像的覆盖范围较小、目标类型单一，而遥感影像幅宽较大、场景中地物类型多样，不同类型不同尺度的地物、同类型不同尺度的地物、甚至同一地物的多尺度形态都在充斥于整景影像。因此常规的图像分割方法难以处理遥感影像的多目标、多尺度问题；不适宜的尺度参数所导致的过分割和欠分割错误也将由此传播到后续的对象分类、目标识别和变化监测等过程中。另一方面，地理现象的发生演变都有其固有的尺度特征。在地理学研究中，需要自适应地以地理事物本身内在的时间或空间(多)尺度去认识和分析它，而不是将人为规定的时空尺度框架强加于地理事物。相应的多尺度分割参考文献包括，BaatzM,A.MultiresolutionSegmentation:AnOptimizationApproachforHighQualityMulti-scaleImageSegmentation[C]//zumAGIT-Symposium.2000、韩冰,赵银娣,戈乐乐.遥感图像分割的迭代上下文融合小波域HMT模型[J].测绘学报,2013,42(2):233-238、WangM,LiR.SegmentationofHighSpatialResolutionRemoteSensingImageryBasedonHard-BoundaryConstraintandTwo-StageMerging[J].IEEETransactionsonGeoscience&RemoteSensing,2014,52(9):5712-2725等。在地理学中，尺度是描述地理事物或现象的范围和大小的抽象概念；在遥感影像分割模型或方法中并没有具体的一个参数直接与地物尺度相对应，而是利用待分割影像的空间分辨率、成图比例尺、最小分割对象的区域大小、对象合并的迭代次数、对象合并的同质性或异质性阈值等参数来间接表达；分割对象之间的合并与分裂操作也恰当地模拟了小尺度与大尺度之间的转换过程。例如在自底向上的均值漂移(MeanShift)多尺度合并方法中，小于最小区域阈值的分割区域将被合并到相邻的较大分割对象中，较小分割对象之间的合并也就生成了较大的分割对象，即大尺度分割结果。鉴于影像分割尺度的抽象特点以及尺度参数对影像分割与面向对象分析的重要影响，遥感学者提出了一些尺度选择方法；按照所选最优尺度的数目，可以分为单尺度优选和多尺度优选两种方法，如表1所示。表1.遥感影像分割的尺度优选方法单尺度优选方法能够为每一待分割影像选择一个最优尺度；但在遥感影像中一方面单一尺度难以有效处理地物场景中的多类型、多目标、多尺度问题；另一方面有时又需要从多个尺度来综合表达地物的全面特性；例如从小尺度来看，单体建筑物或道路往往与其周边环境关系紧密，而从更大尺度来看还与其位于城市或农村、所在的气候区位等格局信息相关。多尺度优选方法能够建立待分割影像的尺度序列(包含从小到大的多个分割尺度)，并试图更准确地描述影像场景中多种类型、多个目标、多个尺度的特性；相对于单尺度优选方法，多尺度是更为理想的影像分割尺度优选方法，也更符合实际应用的需求。然而无论是单尺度优选还是多尺度优选方法，仍存在几个方面的问题：(1)大多数方法是基于试错(trialanderror)或者后评估(post-evaluation)的方法，不但计算复杂，并且严重依靠经验判断、难以实现自动化与流程化；(2)一些方法强烈依赖先期的土地利用/覆盖分类的专题知识，难以运用在先验知识缺失的影像区域中；(3)方法均是为整个或者局部的影像场景选择最优尺度，并没有确认哪个分割对象是最优尺度对象；(4)影像分割生成的多尺度对象分布在多个尺度图层中，未能有效地融合到一个图层中，难以用于后续的面向对象分析。相应的分割尺度优选参考文献包括，MingD,CiT,CaiH,etal.Semivariogram-basedspatialbandwidthselectionforremotesensingimagesegmentationwithmean-shiftalgorithm[J].GeoscienceandRemoteSensingLetters,IEEE,2012,9(5):813-817、YangJ,LiP,HeY.Amulti-bandapproachtounsupervisedscaleparameterselectionformulti-scaleimagesegmentation[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2014,94:13-24、Dragut,L.,Tiede,D.,Levick,S.R.,2010.ESP:atooltoestimatescaleparameterformultiresolutionimagesegmentationof本文档来自技高网...

【技术保护点】
一种基于尺度优选的遥感影像分割方法，其特征在于，包括如下步骤：(1)选定一种基于区域生长与合并的遥感影像的分割算法，并设置除分割尺度外的其他分割参数；(2)依照原始待分割遥感影像的大小，预先构建以q为比率的分割尺度序列；并从大到小排序；(3)选择值最大的分割尺度作为当前分割尺度；(4)用当前分割尺度对遥感影像中的某个对象进行分割，生成多个较小尺度的分割子对象，计算每个分割子对象的复杂度FC；(5)根据复杂度判断每个分割子对象是否需要继续分割，如果需要继续分割，选取分割尺度序列中当前分割尺度的下一个值作为当前分割尺度，跳转到步骤(4)继续分割；否则，将所述分割子对象标定为分割最优对象；(6)对遥感影像中所有对象按步骤(3)‑(5)进行分割，直到所有分割子对象均被标定为分割最优对象，或者当前分割尺度是分割尺度序列中的最小值时，完成分割；(7)将分割出的所有对象融合到一个分割对象图层中。

【技术特征摘要】
1.一种基于尺度优选的遥感影像分割方法，其特征在于，包括如下步骤：(1)选定一种基于区域生长与合并的遥感影像的分割算法，并设置除分割尺度外的其他分割参数；(2)依照原始待分割遥感影像的大小，预先构建以q为比率的分割尺度序列；并从大到小排序；(3)选择值最大的分割尺度作为当前分割尺度；(4)用当前分割尺度对遥感影像中的某个对象进行分割，生成多个较小尺度的分割子对象，计算每个分割子对象的复杂度FC；(5)根据复杂度判断每个分割子对象是否需要继续分割，如果需要继续分割，选取分割尺度序列中当前分割尺度的下一个值作为当前分割尺度，跳转到步骤(4)继续分割；否则，将所述分割子对象标定为分割最优对象；(6)对遥感影像中所有对象按步骤(3)-(5)进行分割，直到所有分割子对象均被标定为分割最优对象，或者当前分割尺度是分割尺度序列中的最小值时，完成分割；(7)将分割出的所有对象融合到一个分割对象图层中。2.根据权利要求1所述的基于尺度优选的遥感影像分割方法，其特征在于，步骤(5)中判断分割子对象是否需要继续分割的判断条件为：将步骤(4)得到的每个分割子对象复杂度FC与预设的对象复杂度阈值TFC比较，如果FC>TFC，需要继续分割，否则，不需要继续分割。3.根据权利要求1所述的基于尺度优选的遥感影像分割方法，其特征在于，步骤(4)中分割子对象的复杂度FC为光谱复杂度、纹理复杂度、形状复杂度或角点复杂度中的一种；所述光谱复杂度FCspc的计算公式为：FCspc＝D+U+H；其中为光谱标准差；为对象光谱一致度；H＝∑nj/N·log(nj/N)，为对象信息熵；gi为像元i的光谱值，为对象区域内所有像元的光谱均值，为以i为中心的3×3领域像元集的光谱均值，N为对象区域内像元个数，nj为对象区域内光谱值为j的像元个数；所述纹理复杂度FCt的计算公式为：FCt＝J+G+S+Q+CV；其中纹理能量J：纹理反差G：纹理熵S：纹理逆差Q：纹理相关度CV：p(i,j)为影像灰度共生矩阵(i,j)处元素，μx,μy,σx,σy分别为px和py的均值和标准差，px和py分别是影像灰度共生矩阵每列与每行元素和；所述形状复杂度FCs的计算公式为：FCs＝GS+GC；其中对象光滑度GS为：GS＝Po/Pc；对象紧凑度GC为：Ao为对象的面积，Po为对象的周长...

【专利技术属性】
技术研发人员：周亚男，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32