基于非負低秩稀疏關聯制圖的遙感圖像分割方法
【專利摘要】基于非負低秩稀疏關聯制圖的遙感圖像分割方法，屬于遙感圖像處理領域，本發明為解決高分辨率遙感圖像紋理信息的高同質性導致遙感圖像分割精度低的問題。本發明圖像分割方法具體過程為：對遙感圖像進行量化處理：將待處理輸入圖像利用K?均值聚類的分類方法根據圖像灰度級范圍進行量化處理；提取圖像紋理信息的局部直方圖特征；對局部直方圖特征矩陣l1/2范數約束進行低秩分解；構建低秩稀疏關聯制圖；利用關聯制圖約束的非負矩陣參數化方法分割特征矩陣，對于非負矩陣參數化方法分解的權重矩陣，通過去權卷積的方法在權重矩陣中尋找每個像素的特征向量所對應的類別最大權重，確定該像素所屬的分割類別，實現圖像分割。本發明用于遙感影像分割。
【專利說明】
基于非負低秩稀疏關聯制圖的遙感圖像分割方法
技術領域
[0001] 本發明設及一種基于紋理信息的遙感影像分割方法，屬于遙感圖像處理領域。
【背景技術】
[0002] 遙感圖像分割一直是遙感信息目標識別、目標提取等應用領域重要的處理技術。 在遙感信息處理領域，紋理信息作為一種重要的圖像特征，廣泛應用于圖像分割領域。隨著 衛星傳感器空間分辨率的不斷提高，遙感圖像目標區域內所包含的豐富紋理信息能夠更精 細化的表征目標復雜形態、結構及表面影像。針對遙感影像的紋理信息，通過紋理特征提取 并結合相關圖像分割算法實現對高分辨率的遙感影像分割，為遙感影像更精細化的目標級 的分割與目標識別提供了可能。同時，遙感影像分割也能夠為地圖測繪與地圖更新、城市規 劃、自然災情監測及災情評估提供有力的技術支持。
[0003] 在遙感圖像分割過程中，紋理信息的特征化描述是遙感圖像信息處理與分析領域 所面臨的一項重要挑戰。傳統的紋理特征提取方法通常是基于形態學算子描述目標區域所 包含的紋理信息形狀及結構。但是，針對分辨率更高、結構更加復雜的遙感圖像紋理信息， 目標所在局部區域內的紋理信息具有高同質性，同時像素間紋理信息的空間分布也具有較 高的同構特性，因此傳統的紋理特征提取方法往往不能準確的識別目標間的紋理差異，從 而影響圖像分割的精度。

【發明內容】

[0004] 本發明目的是為了解決高分辨率遙感圖像紋理信息的高同質性導致遙感圖像分 割精度低的問題，提供了一種基于非負低秩稀疏關聯制圖的遙感圖像分割方法。
[0005] 本發明所述基于非負低秩稀疏關聯制圖的遙感圖像分割方法，圖像分割方法的具 體過程為：
[0006] 步驟1、對遙感圖像進行量化處理:將待處理的輸入圖像利用K-均值聚類的分類方 法根據圖像的灰度級范圍進行量化處理，去除冗余灰度信息；
[0007] 原始圖像為f (x，y ;v)，（x，y)為圖像坐標，VG [0,255]為圖像灰度級范圍；設置量 化圖像灰度級范圍k，經過K-均值聚類方法分類后，量化后的圖像為f(x，y;k);
[000引步驟2、提取圖像紋理信息的局部直方圖特征：輸入量化后的圖像，經過系統卷積 運算
'在均值濾波器窗口 W內統計每個像素紋理值的局 部直方圖特征，同時構建包括圖像全部像素的局部直方圖特征矩陣
，其中， mGM，表示圖像所有像素的數量;U表示輸入圖像的直方圖變換，XGX表示圖像中每個像素 的位置；
[0009]步驟3、對局部直方圖特征矩陣2范數約束進行低秩分解:首先，通過《1/2:范數約 束的低秩分解對構建的紋理局部直方圖矩陣進行分解;其次，利用增廣拉格朗日優化方法 求解出具有低秩稀疏特性、且能夠描述每個特征間線性組合的最優解2；% (12范數是指矩 陣中所有元素的平方和的1/2次方；
[0010] 步驟4、構建低秩稀疏關聯制圖：首先對于低秩分解輸出的最優解Zf進行向量歸 一化處理，計算每個向量的《2范數，通過比較計算獲得樣本特征向量的最大《2范數 每個特征除WZ；。。、_獲得歸一化的系數矩陣P ,同時根據公J自建關 聯制圖矩陣；
[0011] 步驟5、利用關聯制圖約束的非負矩陣參數化方法分割特征矩陣，對于非負矩陣參 數化方法分解的權重矩陣，通過去權卷積的方法在權重矩陣中尋找每個像素的特征向量所 對應的類別最大權重，確定該像素所屬的分割類別，實現圖像分割。
[0012] 本發明的優點：本發明提出的基于非負低秩稀疏關聯制圖的遙感圖像分割方法， 面向高分辨率的遙感影像分割領域，能夠解決不同空間分辨率下的遙感影像分割問題，并 能夠廣泛應用于目標檢測、目標識別等領域，能夠為地圖測繪與地圖更新、城市規劃、自然 災情監測及災情評估等均有著重大的輔助分析意義。遙感圖像分辨率的提高導致像素間具 有高復雜度的紋理信息，本發明針對圖像像素紋理信息的高同質性導致造成的遙感圖像分 割精度低的問題，提出一種基于非負低秩稀疏關聯制圖的圖像分割方法，能夠有效的不同 空間高分辨率遙感影像的分割問題。
【附圖說明】
[0013] 圖1是本發明所述基于非負低秩稀疏關聯制圖的遙感圖像分割方法的原理圖。
【具體實施方式】
【具體實施方式】 [0014] 一:下面結合圖1說明本實施方式，本實施方式所述基于非負低秩稀 疏關聯制圖的遙感圖像分割方法，圖像分割方法的具體過程為：
[0015] 步驟1、對遙感圖像進行量化處理:將待處理的輸入圖像利用K-均值聚類的分類方 法根據圖像的灰度級范圍進行量化處理，去除冗余灰度信息；
[0016] 原始圖像為^義，7;乂），^，7)為圖像坐標，乂￡[0,255]為圖像灰度級范圍；設置量 化圖像灰度級范圍k，經過K-均值聚類方法分類后，量化后的圖像為f(x，y;k);
[0017] 步驟2、提取圖像紋理信息的局部直方圖特征:輸入量化后的圖像，經過系統卷積 運算
'在均值濾波器窗口 W內統計每個像素紋理值的局 部直方圖特征，同時構建包括圖像全部像素的局部直方圖特征矩陣
，其中， mGM，表示圖像所有像素的數量;Lw表示輸入圖像的直方圖變換，XGX表示圖像中每個像素 的位置；
[0018] 步驟3、對局部直方圖特征矩陣范數約束進行低秩分解:首先，通過《1/2范數約 束的低秩分解對構建的紋理局部直方圖矩陣進行分解;其次，利用增廣拉格朗日優化方法 求解出具有低秩稀疏特性、且能夠描述每個特征間線性組合的最優解z；^ (1。范數是指矩 陣中所有元素的平方和的1/2次方；
[0019] 步驟4、構建低秩稀疏關聯制圖：首先對于低秩分解輸出的最優解進行向量歸 一化處理，計算每個向量的《2范數，通過比較計算獲得樣本特征向量的最大^2范數 每個特征除WZiw、獲得歸一化的系數矩陣P,同時根據公式
構建關 聯制圖矩陣；
[0020] 步驟5、利用關聯制圖約束的非負矩陣參數化方法分割特征矩陣，對于非負矩陣參 數化方法分解的權重矩陣，通過去權卷積的方法在權重矩陣中尋找每個像素的特征向量所 對應的類別最大權重，確定該像素所屬的分割類別，實現圖像分割。
[0021] 本實施方式中，L'l 2范數約束下的矩陣具有低秩與稀疏的性質。
【具體實施方式】 [0022] 二:本實施方式對實施方式一作進一步說明，步驟1對遙感圖像進行 量化處理的具體過程為：
[0023] 步驟1-1、獲取距離每個初始量化灰度級最近的數據：
[0024]
(1)
[0025] 其中，V為輸入圖像的灰度值，i為圖像像素的數量，k為將要量化的圖像灰度級范 圍，j表示量化值中間變量，C表示圖像量化后的灰度值，設置k = 8;在此基礎上，求出所有和 初始量化灰度級距離最近的原始圖像灰度級的距離均值：
[0026]
腳
[0027] 通過迭代公式(1)和公式(2)，實現對原始圖像的灰度級量化。
【具體實施方式】 [0028] 本實施方式對實施方式二作進一步說明，步驟2所述提取圖像紋 理信息的局部直方圖特征的具體過程為：
[0029] 計算圖像局部直方圖特征：
[0030]
巧）
[0031] o(x'）表示圖像中每個像素的標記函數，〇(x'）= x'一{0，1，. . .，N-1}，nGN表示圖 像像素的總數量，W(X-X'）表示卷積運算，fn(x'）表示圖像位置X'的像素值；
[0032] 圖像遮擋模型為：
[0033]

[0034] W責怡!估濾淋柴的窗口，構建圖像紋理局部直方圖特征矩陣；
[0035] (4)。
【具體實施方式】 [0036] 四：本實施方式對實施方式=作進一步說明，步驟3對局部直方圖特 征矩陣;范數約束進行低秩分解具體過程為：
[0037]
(5)
[0038] 其中：H為紋理局部直方圖特征矩陣;E表示誤差項，參數A為經驗值控制誤差項達 到最小值，S. t. H表示矩陣H滿足的條件；
[0039] 公式（5)是在原始低秩分解，通過引用了對分解系數矩陣Z的《1/2范數約束項 |z||^，代替原始低秩分解公式中的M Zlli項，并結合增廣拉格朗日方法，通過優化公式 (6)，求解最優的特征權重系數矩陣Z%其中J、Yi和Y2為松弛變量；因為（U范數約束項，Z* 具有低秩稀疏的特性，能夠準確的表示樣本在特征空間的分布差異：
[0041] r(Z，怎，J，，馬）表示增廣拉格朗日運算，tr表示矩陣的跡運算，}f表示矩陣Yi 的轉置運算，表示矩陣Y2的轉置運算
表示范數運算； 化）
[0040] 、
[0042] 經過公式(6)獲得最優解是關聯矩陣的形式。
[0043] 【具體實施方式】五:本實施方式對實施方式四作進一步說明，步驟4所述r=(r+(?)r)/2， 其中：？為歸一化的低秩稀疏矩陣
與樣本特征向量的最大《2范 數。
【具體實施方式】 [0044] 六:本實施方式對實施方式五作進一步說明，步驟5利用關聯制圖約 束的非負矩陣參數化方法分割特征矩陣的具體過程為:通過公式(7):
[0045]
巧
[0046] 其中，H為紋理局部直方圖特征矩陣，V為圖像全部像素局部直方圖向量的線性組 合權重系數矩陣，U每個像素的特征向量;L = D-W為非負低秩關聯制圖約束項，D為對角矩 陣，對角矩陣D中的每個元素為制圖矩陣W中每一行或列的元素和：
，r和l分別表 示矩陣W的行數和列數;利用公式(7)獲得基于每個像素紋理局部直方圖特征在特征空間的 最優組合權重矩陣V，權重矩陣中每一列的最大值所對應的行數即該像素所屬的類別。
[0047] 本發明應用于分辨率為1米的IKONOS衛星遙感圖像，針對美國加州圣弗蘭西斯地 區的城市建筑物區域進行基于建筑物頂面的圖像分割，和傳統的分割方法比較，本方法利 用=種評價準則對建筑物區域影像進行分割評價，結果顯示本發明方法的分割精度明顯高 于對比的方法，同時具有較高的魯棒性。
【主權項】
1. 基于非負低秩稀疏關聯制圖的遙感圖像分割方法，其特征在于，圖像分割方法的具 體過程為： 步驟1、對遙感圖像進行量化處理:將待處理的輸入圖像利用K-均值聚類的分類方法根 據圖像的灰度級范圍進行量化處理，去除冗余灰度信息； 原始圖像為f (x，y ;v)，（x，y)為圖像坐標，ve [〇,255]為圖像灰度級范圍；設置量化圖 像灰度級范圍k，經過K-均值聚類方法分類后，量化后的圖像為f(x，y;k); 步驟2、提取圖像紋理信息的局部直方圖特征:輸入量化后的圖像，經過系統卷積運算'在均值濾波器窗口 w內統計每個像素紋理值的局部直 方圖特征，同時構建包括圖像全部像素的局部直方圖特征矩卩其中，me M，表示圖像所有像素的數量;U表示輸入圖像的直方圖變換，xex表示圖像中每個像素的 位置；步驟3、對局部直方圖特征矩陣￡1/2范數約束進行低秩分解:首先，通過￡1/:2范數約束的 低秩分解對構建的紋理局部直方圖矩陣進行分解;其次，利用增廣拉格朗日優化方法求解 出具有低秩稀疏特性、且能夠描述每個特征間線性組合的最優貞 2范數是指矩陣中 所有元素的平方和的1/2次方； 步驟4、構建低秩稀疏關聯制圖：首先對于低秩分解輸出的最優解<進行向量歸一化處 理，計算每個向量的￡2范數，通過比較計算獲得樣本特征向量的最大￡2范數Z"max,每個特 征除以Zima3i獲得歸一化的系數矩陣￡\同時根據公式纟構建關聯制圖 矩陣； 步驟5、利用關聯制圖約束的非負矩陣參數化方法分割特征矩陣，對于非負矩陣參數化 方法分解的權重矩陣，通過去權卷積的方法在權重矩陣中尋找每個像素的特征向量所對應 的類別最大權重，確定該像素所屬的分割類別，實現圖像分割。2. 根據權利要求1所述的基于非負低秩稀疏關聯制圖的遙感圖像分割方法，其特征在 于，步驟1對遙感圖像進行量化處理的具體過程為： 步驟1-1、獲取距離每個初始量化灰度級最近的數據：(1) 其中，V為輸入圖像的灰度值，i為圖像像素的數量，k為將要量化的圖像灰度級范圍，j 表示量化值中間變量，c表示圖像量化后的灰度值，設置k=8;在此基礎上，求出所有和初始 量化灰度級距離最近的原始圖像灰度級的距離均值：(2) 通過迭代公式(1)和公式(2)，實現對原始圖像的灰度級量化。3. 根據權利要求2所述的基于非負低秩稀疏關聯制圖的遙感圖像分割方法，其特征在 (3) 于，步驟2所述提取圖像紋理信息的局部直方圖特征的具體過程為： 計算圖像局部直方圖特征： 〇(^)表示圖像中每個像素的標記函數，〇(^) = ^ - {0，1，...，11}，11￡1^表示圖像像 素的總數量，w(x-x'）表示卷積運算，fn(x'）表示圖像位置X'的像素值； 図俛彼擋埴刑W為均值濾波器的窗口，構建圖像紋理局部直方圖特征矩陣：(4)，4. 根據權利要求3所述的基于非負低秩稀疏關聯制圖的遙感圖像分割方法，其特征在 于，步驟3對局部直方圖特征矩陣范數約束進行低秩分解具體過程為：其中：H為紋理局部直方圖特征矩陣;E表示誤差項，參數λ為經驗值控制誤差項達到最 小值，s. t. H表示矩陣H滿足的條件； 公式（5)是在原始低秩分解，通過引用了對分解系數矩陣Z的<1/2范數約束I].，代 替原始低秩分解公式中的I |Z| ^項，并結合增廣拉格朗日方法，通過優化公式(6)，求解最 優的特征權重系數矩陣Z'其中J、YdPY2為松弛變量；因為^ 2范數約束項，具有低秩稀疏 的特性，能夠準確的表示樣本在特征空間的分布差異：後) /，(Z, ￡,./, K1，：Κ2 )表示增廣拉格朗日運算，tr表示矩陣的跡運算，If表示矩陣￥1的轉 置運算，】f表示矩陣￥2的轉置運算g示范數運算； 經過公式(6)獲得最優解是關聯矩陣的形式。5. 根據權利要求4所述的基于非負低秩稀疏關聯制圖的遙感圖像分割方法，其特征在 于，步驟4所2,其中：p為歸一化的低秩稀疏矩為樣本特征向量的最大毛范數。6. 根據權利要求5所述的基于非負低秩稀疏關聯制圖的遙感圖像分割方法，其特征在 于，步驟5利用關聯制圖約束的非負矩陣參數化方法分割特征矩陣的具體過程為:通過公式 (7、·(7) 其中，H為紋理局部直方圖特征矩陣，V為圖像全部像素局部直方圖向量的線性組合權 重系數矩陣，U每個像素的特征向量;L = D-W為非負低秩關聯制圖約束項，D為對角矩陣，對 角矩陣D中的每個元素為制圖矩陣W中每一行或列的元素和，Drj= ΣΛυ和1分別表示矩陣 W的行數和列數;利用公式(7)獲得基于每個像素紋理局部直方圖特征在特征空間的最優組 合權重矩陣V，權重矩陣中每一列的最大值所對應的行數即該像素所屬的類別。
【文檔編號】G06T7/00GK106023221SQ201610363558
【公開日】2016年10月12日
【申請日】2016年5月27日
【發明人】田澍, 張曄, 張鈞萍, 宿南
【申請人】哈爾濱工業大學