基于扩展随机游走和GIS先验的高分影像目标提取方法技术

一种基于扩展随机游走和GIS先验的高分影像目标提取方法，包括以下步骤：A、高分影像过分割：采用多分辨率分割方法，对高分辨率遥感影像进行过分割，得到过分割的影像对象；B、利用GIS数据选取前景种子点：GIS数据中每一个多边形都被看作先验信息，用于自动选取前景种子点；C、利用GIS数据选取背景种子点：GIS数据同时也可作为先验信息，用于为目标地物自动选取背景种子点；D、利用包含形状先验和光谱先验的扩展随机游走算法提取目标地物：为每一个GIS多边形，选取其周围缓冲区内的对象，并建立了一个有权无向图。本发明专利技术充分利用了GIS数据所提供的先验信息，取得了较好的目标提取效果，并且该方法克服了高分辨率影像与GIS数据间表现不一致性的影响。现不一致性的影响。现不一致性的影响。

【技术实现步骤摘要】
基于扩展随机游走和GIS先验的高分影像目标提取方法


[0001]本专利技术涉及一种高分辨率影像目标提取方法，特别涉及一种基于扩展随机游走算法和GIS形状先验指导的高分辨率影像目标提取方法。

技术介绍

[0002]基于GIS轮廓约束的高分辨率影像线段重组方法提取建筑物，并用于高分辨率影像与GIS数据精确配准，改正了二者数据间的位置不一致性；然而这种基于边缘线段重组的方法并不总是能够取得良好的效果；第一种情形是对于非直线边缘的建筑物和非人工地物的提取，这是因为基于线段重组的方法基础是被提取的地物边缘主要由直线段构成；第二种情形是GIS多边形与高分辨率影像存在表现不一致，具体表现在两个方面：(1)GIS数据经过了边界简化和地图综合处理，例如图29中，多个外观相近，功能相似的建筑物在GIS数据中合并成一个多边形进行表示，连同建筑物之间的草地也一并合并在GIS多边形中，这时GIS多边形与影像中地物的轮廓表现出不一致性；(2)GIS轮廓本身并不十分准确，存在着一定程度的误差，典型的就是由非专业人士采集和生产的GIS数据，例如图30中，由于所采用的是VGI数据，导致表示湖泊的GIS多边形中包括了一部分的植被和岸地。
[0003]针对在以上两种情形下，基于边缘线段重组的方法具有一定的局限性这一背景，本方案提出了一种基于分割对象和GIS形状先验指导的高分辨率影像目标提取方法。我们采用了一种扩展随机游走算法，该算法在原始随机游走算法的基础上引入了GIS先验信息，从高分辨率影像分割结果中提取感兴趣的目标对象，并构建成完整的目标地物。

技术实现思路

[0004]本专利技术的目的旨在提供一种适用范围广、数据精度高、一致性高、实用性强的基于扩展随机游走算法和GIS形状先验的高分辨率影像目标提取方法，以克服现有技术中的不足之处。
[0005]按此目的设计的一种基于扩展随机游走算法和GIS形状先验的高分辨率影像目标提取方法，其特征在于：包括以下步骤：
[0006]A、对高分辨率遥感影像进行过分割：采用多分辨率分割(Multi
‑
resolution Segmentation,MRS)方法，对高分辨率遥感影像进行过分割，得到过分割的影像对象；影像对象将要在步骤B和步骤C中用于前景和背景种子点的选取；
[0007]B、利用GIS数据选取前景种子点：GIS数据中每一个多边形都被看作先验信息，用于自动选取前景种子点；前景种子点将要在步骤D中进行增长，用于提取目标地物；
[0008]C、利用GIS数据选取背景种子点：GIS数据同时也可作为先验信息，用于为目标地物自动选取背景种子点；
[0009]D、利用包含形状先验和光谱先验的扩展随机游走算法提取目标地物：为每一个GIS多边形，选取其周围缓冲区内的对象，并建立了一个有权无向图，有权无向图包括前景种子点和背景种子点这些已标记的结点、还包括表示未知类别影像对象的未标记结点；在
有权无向图的基础上，扩展的随机游走算法用于计算每个未标示影像对象属于每个前景和背景类别的概率，使得目标地物在整体上和GIS数据形状最相似，而其内部光谱又具有同质性。
[0010]步骤B中，前景种子点的选取方法包括以下步骤：
[0011](1)、利用GIS数据选取初始前景种子点，并采用以下公式计算重叠度用于选取初始的前景种子点：
[0012][0013]其中，V
i
代表一个影像对象，R
j
是GIS数据中一个目标多边形，如果一个影像对象的重叠度超过了阈值T
f
，它将被加入到初始的前景种子集合ST中；
[0014](2)、移除步骤(1)中不确定的前景种子点，将不满足以下公式的初始前景种子点进行移除：
[0015][0016]其中，是影像对象v
i
在第l个波段上的平均光谱值，是所有初始的前景种子点在第l个波段上平均光谱值，δ
l
是集合ST中初始前景种子点在第l个波段上光谱值标准差，L是高分影像中波段数目；
[0017](3)、通过步骤(1)和步骤(2)后，集合ST中剩余的初始前景种子点若具有相似的光谱特性，则被用作目标对象的前景种子点。
[0018]步骤C中，背景种子点的选取方法包括以下步骤：
[0019]1)、利用GIS选择初始的背景种子点，并采用以下公式计算重叠度用于选取初始的背景种子点：
[0020][0021]其中，V
i
代表一个影像对象，R
j
是GIS数据中一个目标多边形，如果一个影像对象与前景对象之间的重叠度小于阈值T
b
，它被看作初始的背景种子点，并加入到集合SB中；
[0022]2)、聚类背景种子点，采用ISODATA算法对初始背景种子点进行聚类，以聚类成多个类别，每个类别都代表一类背景地物；
[0023]3)、移除不可靠的背景种子点：为了保证每一个聚类中样本具有纯净性，利用正态分布统计移除那些严重偏离样本聚类中心的初始选取的背景样本，剩余的初始背景种子点被用作目标对象的背景种子点。
[0024]步骤(D)中，选取的前景种子点标示为τ0，选取的背景种子点分别标示为τ1,τ2,
…
,τ
k
，随机游走算法计算每个未标示影像对象分别属于τ0,τ1,
…
,τ
k
每个类别的概率，属于前景类别τ0概率最大的影像对象将被最终标记为目标对象。
[0025]步骤(D)中，形状先验是利用GIS数据的形状先验信息和基于对象的方法，设计一种形状惩罚，并通过定义形状惩罚，并将形状惩罚加入到随机游走的能量函数中求解，形状先验就被纳入到了随机游走框架中，其中，形状惩罚的计算公式为：
[0026][0027]其中，s
i
是影像对象v
i
的面积归一化值，由的面积除以所有对象的最大面积求得，p
i
为影像对象v
i
属于前景类别的先验概率，x
i
为v
i
属于前景类别的概率。
[0028]步骤(D)中，光谱先验是利用GIS数据所选取的前景和背景种子点先验光谱信息，设计一个光谱先验能量函数，并将函数加入到原始随机游走能量函数中求解，光谱先验能量函数为：
[0029][0030]其中，x
s
为一个n
×
1的矩阵，每一个元素表示结点v
i
属于类别标示τ
s
的先验概率，n为总的结点的数目，∧
q
是一个对角阵，对角线上的元素为表示观测到v
i
的亮度值的概率密度函数值，x
sT
为x
s
的转置矩阵，k为总的类别的数目，在只有前景和背景的条件下，k＝2。
[0031]步骤B中，每个前景种子点为一个影像对象。
[0032]本专利技术的基于扩展随机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于扩展随机游走和GIS先验的高分影像目标提取方法，其特征在于：包括以下步骤：A、对高分辨率遥感影像进行过分割：采用多分辨率分割方法，对高分辨率遥感影像进行过分割，得到过分割的影像对象；影像对象将要在步骤B和步骤C中用于前景和背景种子点的选取；B、利用GIS数据选取前景种子点：GIS数据中每一个多边形都被看作先验信息，用于自动选取前景种子点；前景种子点将要在步骤D中进行增长，用于提取目标地物；C、利用GIS数据选取背景种子点：GIS数据同时也可作为先验信息，用于为目标地物自动选取背景种子点；D、利用包含形状先验和光谱先验的扩展随机游走算法提取目标地物：为每一个GIS多边形，选取其周围缓冲区内的对象，并建立了一个有权无向图，有权无向图包括前景种子点和背景种子点这些已标记的结点、还包括表示未知类别影像对象的未标记结点；在有权无向图的基础上，扩展的随机游走算法用于计算每个未标示影像对象属于每个前景和背景类别的概率，使得目标地物在整体上和GIS数据形状最相似，而其内部光谱又具有同质性。2.根据权利要求1所述的基于扩展随机游走和GIS先验的高分影像目标提取方法，其特征在于：步骤B中，前景种子点的选取方法包括以下步骤：(1)、利用GIS数据选取初始前景种子点，并采用以下公式计算重叠度用于选取初始的前景种子点：其中，V
i
代表一个影像对象，R
j
是GIS数据中一个目标多边形，如果一个影像对象的重叠度超过了阈值T
f
，它将被加入到初始的前景种子集合ST中；(2)、移除步骤(1)中不确定的前景种子点，将不满足以下公式的初始前景种子点进行移除：其中，是影像对象v
i
在第l个波段上的平均光谱值，是所有初始的前景种子点在第l个波段上平均光谱值，δ
l
是集合ST中初始前景种子点在第l个波段上光谱值标准差，L是高分影像中波段数目；(3)、通过步骤(1)和步骤(2)后，集合ST中剩余的初始前景种子点若具有相似的光谱特性，则被用作目标对象的前景种子点。3.根据权利要求1所述的基于扩展随机游走和GIS先验的高分影像目标提取方法，其特征在于：步骤C中，背景种子点的选取方法包括以下步骤：1)、利用GIS选择初始的背景种子点，并采用以下公式计算重叠度用于选取初始的背景种子点：其中，V
i
代表一个影像对象，R
j
是GIS数据中一个目标多边形，如果一个影像对象与前景对象之间的重叠度小于阈值T
b
，它被看作初始的背景种子点，并加入到集合SB...

【专利技术属性】
技术研发人员：郭舟，
申请(专利权)人：中山大学，
类型：发明
国别省市：