本發明涉(she)及(ji)智能信息處理領域，尤其是涉(she)及(ji)一種面向高分(fen)辨率(lv)遙感圖像(xiang)的分(fen)割方法。

背景技術：

高(gao)(gao)分辨(bian)(bian)率遙感圖像(xiang)由于(yu)(yu)包含(han)更加豐富(fu)的(de)(de)(de)(de)空間信息(xi)，近年(nian)來(lai)成為遙感技術(shu)研(yan)究的(de)(de)(de)(de)熱點之一(yi)，但(dan)其(qi)(qi)所包含(han)的(de)(de)(de)(de)豐富(fu)信息(xi)也同(tong)時(shi)對(dui)于(yu)(yu)處(chu)理技術(shu)提(ti)出了更高(gao)(gao)的(de)(de)(de)(de)要求；由于(yu)(yu)不能充分利用其(qi)(qi)所富(fu)含(han)的(de)(de)(de)(de)信息(xi)，傳(chuan)統的(de)(de)(de)(de)單(dan)獨基于(yu)(yu)光譜(pu)的(de)(de)(de)(de)分割(ge)技術(shu)往(wang)往(wang)會出現異物同(tong)譜(pu)和同(tong)物異譜(pu)的(de)(de)(de)(de)現象，此外，傳(chuan)統的(de)(de)(de)(de)分割(ge)方法在處(chu)理大規模增長(chang)的(de)(de)(de)(de)像(xiang)素時(shi)往(wang)往(wang)會導致更長(chang)的(de)(de)(de)(de)訓練時(shi)間和更差(cha)的(de)(de)(de)(de)分割(ge)效(xiao)果(guo)；目前，如何充分利用高(gao)(gao)分辨(bian)(bian)率遙感圖像(xiang)的(de)(de)(de)(de)各(ge)種信息(xi)來(lai)達(da)到(dao)滿意的(de)(de)(de)(de)分割(ge)效(xiao)果(guo)，仍是(shi)一(yi)個具有挑戰性的(de)(de)(de)(de)研(yan)究課題(ti)。

技術實現要素：

為了(le)解決(jue)上述(shu)問題，本發明提供一種面向高(gao)(gao)分辨率(lv)(lv)遙(yao)感圖(tu)像(xiang)的(de)分割方法，本發明集成了(le)紋理、幾何和光(guang)譜空(kong)間信(xin)息中具有代表性的(de)多種統計(ji)量，能(neng)夠(gou)更(geng)加(jia)全面的(de)表征高(gao)(gao)分辨率(lv)(lv)遙(yao)感圖(tu)像(xiang)所富含的(de)信(xin)息，從而(er)保證了(le)圖(tu)像(xiang)分割的(de)精度(du)更(geng)高(gao)(gao)。

本發明所采用的(de)技術(shu)方(fang)案(an)：一種面向高分辨率遙感圖像的(de)分割方(fang)法，包含以下步驟，

S11：根據待處理遙感圖像的像素大小、紋理特征復雜度、幾何特征復雜度和光譜特征復雜度，將原始圖像劃分成M×N個正方形子圖{P_e|e＝1,2,...,M×N}，記集合(he)A＝{1,2,...,M×N}；此處本(ben)領(ling)域(yu)技(ji)(ji)術(shu)人員劃(hua)分(fen)子(zi)圖的(de)(de)原則是，如果像素大小、紋理(li)特征(zheng)復(fu)(fu)雜(za)度、幾何特征(zheng)復(fu)(fu)雜(za)度和(he)光譜特征(zheng)復(fu)(fu)雜(za)度這四個(ge)參(can)數(shu)的(de)(de)值(zhi)(zhi)越(yue)(yue)大，需要劃(hua)分(fen)出的(de)(de)子(zi)圖個(ge)數(shu)越(yue)(yue)多(duo)，具體劃(hua)分(fen)的(de)(de)個(ge)數(shu)應以本(ben)領(ling)域(yu)技(ji)(ji)術(shu)人員根(gen)據四個(ge)參(can)數(shu)的(de)(de)值(zhi)(zhi)進行選定(ding)；

S12：提取每個子圖P_e的典型紋理特征，包括灰度熵對比度角度二階矩其中，m×m指的是子圖P_e的像素大小，p(i,j)指的是子圖P_e中像素對(i,j)和(i+a,j+b)出現在子圖P_e中的(de)概率，本領(ling)域技(ji)術人員在選取像素差分值a,b時，可以根據圖像紋理細(xi)膩程度的(de)高低而取不同的(de)常數；

S13：提取每個子圖P_e的典型幾何特征，包括線段平均長度其中H指的是子圖P_e中檢測到的線段數量,(x_is,y_is),(x_ie,y_ie)指的是第i條線段起止點位置的坐標；線段長度熵其中N_LEN(i)是在子圖P_e長度直方圖中長度位于第i個區間的線段個數；梯度幅值均值其中G_x(i,j)和G_y(i,j)分別是子圖P_e中像素對(i,j)和(i+a,j+b)的水平梯度和垂(chui)直梯度；

S14：提取每個子圖P_e的典型光譜特征，包括，像素值均值其中X_ij指的是像素(i,j)的值(zhi)；標準偏差(cha)

像素值的協方差矩陣

S15：將上述步驟中的多種特征進行融合，得到綜合特征向量V_e＝[α₁ENTα₂CONα₃ENEα₄LEN_MEANα₅LEN_ENTROPYα₆GRAD_MEANα₇PIX_MEANα₈PIX_STDα₉PIX_COV]^T，其中{α_i|i＝1,2,...,9}是每(mei)種特(te)征(zheng)(zheng)歸一化的權(quan)重系數,e＝1,2,...,M×N；再利用支持向量數據(ju)描述方法對綜合特(te)征(zheng)(zheng)向量進行處理，通(tong)過對子(zi)圖(tu)的迭代聚類實現圖(tu)像分割；

本發明(ming)中，所述(shu)步驟(zou)S15中所利用的支持(chi)向(xiang)量數據描述(shu)方法，主要(yao)包含以下步驟(zou)：

S21：引入(ru)滿足(zu)Mercer定理(li)的非線(xian)性映(ying)射(she)滿足(zu)其中核函(han)(han)數(shu)k(.,.)常用的形式有線(xian)性核函(han)(han)數(shu)，多項式核函(han)(han)數(shu)，徑向基(ji)核函(han)(han)數(shu)，Sigmoid核函(han)(han)數(shu)和(he)復合核函(han)(han)數(shu)；

S22：在引入(ru)映(ying)射的(de)核特征空間(jian)中(zhong)求解(jie)以(yi)下二次規劃問題

s.t.0≤α_e≤C,e＝1,2,...,M×N.

其中，C代表人為對聚類誤差的懲罰參數；求解出符合上述規劃要求的α_e，其下(xia)標集(ji)合B所對應的(de)子圖即為(wei)原始圖像(xiang)中可以被聚為(wei)一類的(de)子圖集(ji)合；計算聚類因子其中||.||為(wei)集(ji)合元素個數運(yun)算符；

S23：若聚類因子λ≥λ_max，則意味著原始圖像分割結束；若λ＜λ_max，令A＝A-B，轉向步驟S12，并進而迭代執行其后續步驟，其中λ_max為聚(ju)(ju)類子圖(tu)比例(li)上限閾(yu)值，控制著聚(ju)(ju)類過程的迭代次數和圖(tu)像分(fen)割的精(jing)細程度(du)。

本發(fa)明(ming)的(de)有益(yi)效果：本發(fa)明(ming)的(de)方法中，集成了(le)紋理(li)、幾何和光譜空間信息中具(ju)有代表性的(de)多種統計量，能夠更(geng)加全面的(de)表征高分(fen)辨(bian)(bian)率遙感圖像(xiang)所富含的(de)信息，從(cong)而保(bao)證了(le)圖像(xiang)分(fen)割(ge)的(de)精(jing)度(du)更(geng)高；此外，分(fen)割(ge)圖像(xiang)所使(shi)用的(de)支持(chi)向量數據描述(shu)方法，可以保(bao)證能以較快(kuai)的(de)速度(du)處理(li)更(geng)高分(fen)辨(bian)(bian)率的(de)遙感圖像(xiang)，使(shi)特征融(rong)合更(geng)合理(li)、圖像(xiang)分(fen)割(ge)時間更(geng)短、分(fen)割(ge)精(jing)度(du)更(geng)高。

附圖說明

圖1是本發明的整體流程圖。

具體實施方式

以下結合實施(shi)例對本(ben)發(fa)明(ming)的原理和(he)特(te)征進行詳細描(miao)述(shu)，所(suo)舉實施(shi)例僅用于描(miao)述(shu)本(ben)發(fa)明(ming)，并(bing)非用于限定本(ben)發(fa)明(ming)的范圍。

一種面(mian)向高分辨率遙(yao)感圖像的分割方法，包含以下(xia)步(bu)驟，

S11：根據待處理遙感圖像的像素大小、紋理特征復雜度、幾何特征復雜度和光譜特征復雜度，將原始圖像劃分成M×N個正方形子圖{P_e|e＝1,2,...,M×N}，記集(ji)合A＝{1,2,...,M×N}；此(ci)處本(ben)領(ling)域技術(shu)人員劃分子(zi)圖(tu)的原則是，如果像素(su)大小(xiao)、紋理特(te)征(zheng)復雜(za)(za)度(du)、幾何特(te)征(zheng)復雜(za)(za)度(du)和光譜特(te)征(zheng)復雜(za)(za)度(du)這四個參數的值越大，需(xu)要(yao)劃分出的子(zi)圖(tu)個數越多，具體劃分的個數應(ying)以本(ben)領(ling)域技術(shu)人員根據四個參數的值進行選定；

S12：提取每個子圖P_e的典型紋理特征，包括灰度熵對比度角度二階矩其中，m×m指的是子圖P_e的像素大小，p(i,j)指的是子圖P_e中像素對(i,j)和(i+a,j+b)出現在子圖P_e中的概率，本領域(yu)技術人(ren)員在選取(qu)像(xiang)(xiang)素差分值a,b時，可(ke)以根據圖(tu)像(xiang)(xiang)紋理細膩程度的高低而(er)取(qu)不(bu)同(tong)的常(chang)數；

S13：提取每個子圖P_e的典型幾何特征，包括線段平均長度其中H指的是子圖P_e中檢測到的線段數量,(x_is,y_is),(x_ie,y_ie)指的是第i條線段起止點位置的坐標；線段長度熵其中N_LEN(i)是在子圖P_e長度直方圖中長度位于第i個區間的線段個數，此處第i條線段與第i個區間中的i含義相同，但與子圖P_e中的像素(su)對(i,j)中的i含義不同(tong)；

梯度幅值均值其中G_x(i,j)和G_y(i,j)分別是子圖P_e中像素對(i,j)和(i+a,j+b)的水平梯度和垂直梯度；

S14：提取每個子圖P_e的典型光譜特征，包括像素值均值其中X_ij指(zhi)的是(shi)像素(su)(i,j)的值(zhi)；標準偏差

像素值的協方差矩陣

S15：將上述步驟中的多種特征進行融合，得到綜合特征向量V_e＝[α₁ENTα₂CONα₃ENEα₄LEN_MEANα₅LEN_ENTROPYα₆GRAD_MEANα₇PIX_MEANα₈PIX_STDα₉PIX_COV]^T，其中{α_i|i＝1,2,...,9}是每種特征歸一(yi)化的(de)(de)權重(zhong)系(xi)數(shu)，e＝1,2,...,M×N；再利用支(zhi)持向量(liang)數(shu)據描述方法對綜合特征向量(liang)進行處理，通過對子(zi)圖(tu)的(de)(de)迭代聚類實現圖(tu)像分(fen)割；

優(you)選的(de)，所(suo)述(shu)步驟(zou)(zou)S15中所(suo)利用的(de)支持向量數據描(miao)述(shu)方法(fa)，是處理聚類問(wen)題時泛化能(neng)(neng)力(li)和魯棒性能(neng)(neng)較好的(de)一種(zhong)經典方法(fa)，主要包含以下(xia)步驟(zou)(zou)：

S21：引入滿足Mercer定(ding)理的非(fei)線(xian)性(xing)映射滿足其中核函(han)數(shu)k(.,.)常(chang)用的形式(shi)有線(xian)性(xing)核函(han)數(shu)，多(duo)項式(shi)核函(han)數(shu)，徑(jing)向(xiang)基核函(han)數(shu)，Sigmoid核函(han)數(shu)和復合核函(han)數(shu)；

S22：在(zai)引入映(ying)射(she)的(de)核(he)特征空間中(zhong)求解以下二次規劃問題

s.t.0≤α_e≤C,e＝1,2,...,M×N.

其中，C代表人為對聚類誤差的懲罰參數；求解出符合上述規劃要求的α_e，其下標集(ji)合(he)B所對應(ying)的(de)子(zi)圖(tu)即為(wei)原始圖(tu)像中(zhong)可以被聚為(wei)一類(lei)的(de)子(zi)圖(tu)集(ji)合(he)；計算聚類(lei)因子(zi)其中(zhong)||.||為(wei)集(ji)合(he)元素個數運算符；

S23：若聚類因子λ≥λ_max，則意味著原始圖像分割結束；若λ＜λ_max，令A＝A-B，轉向步驟S12，并進而迭代執行其后續步驟，其中λ_max為聚(ju)類子圖(tu)比例上限(xian)閾值，控(kong)制著聚(ju)類過程(cheng)的迭代(dai)次數和圖(tu)像分割的精細程(cheng)度。