专利名称：基于区域聚类的遥感影像分割方法
技术领域：
本发明涉及一种遥感影像分割方法，尤其是一种选用模糊C均值(Fuzzy CMeans, 简称FCM)算法进行模糊聚类，选用均值漂移(Mean Shift)算法进行区域分割的遥感影像 分割方法。
背景技术：
遥感影像分割是指将遥感影像中的像元划分为互不相交的若干特定区域的过程。 在海岸带典型地物遥感信息自动提取中采用遥感影像分割技术具有三重意义首先，使处 理的对象已从像元过渡到了对应于现实世界中地物图斑的对象，更接近人们观测数据的思 维逻辑；其次，使同一个对象中的不同像元具有相同的光谱特征，在一定程度上克服了同物 异谱问题，同时减轻了信息提取时的椒盐噪声效应；再次，面向对象分割实现了像元计算的 集群化，减少了进一步分析时处理的数据量，有利于深入开展高性能遥感地学计算。因此， 遥感影像分割是海岸带遥感信息自动提取方法中的基础环节。据统计，当前图像分割方法林林总总，大约有1000多种。有关研究将图像分割方 法大致分为五大类①基于阈值的分割方法，该方法通过选取适当的阈值将遥感影像中的 像元分为两类或多类，直接将目标信息和背景元素分开。②基于边缘的分割方法，即利用不 同区域间像元灰度不连续的特点检测出区域间的边缘，再通过边缘跟踪，形成的封闭曲线 构成小图斑。③基于区域的分割方法，主要指区域生长法和分裂合并法，其关键是判断两个 相邻区域相似性的准则或函数。④基于聚类的分割方法，是将影像中的每个像元都映射为 特征空间上的一个点，影像中不同的地类，就对应特征空间上不同的聚类。⑤基于特定模型 的分割算法。将图像分割算法应用于遥感图像中，在20世纪末已开展了较多的研究(1986 年，CanonR L 等，在《Geoscience and Remote Sensing》第 24 期中发表文章“Sementation of a thematic mapper image using the fuzzy c-means clusteringalgorithm，，；1988 年，Laprade R H 等，在《Computer Vision, Graphics and ImageProcessing》第 48 期中 发@文I "Sp 1 it-and-merge segmentation of aerialphotographs" ； 1995 ^^SL^ 在《环境遥感》第10卷第4期中发表文章“基于知识的迭代四叉树分割” ；1999年，刘伟强 等在《东南大学学报》29卷Bll期中发表文章“基于马尔可夫随机场的遥感图像分割和描 述”)。但是由于遥感图像的特殊性①遥感图像尺寸较大(随尺寸增长、计算复杂度呈指 数上升)；②遥感图像中的地物类型多样、形态结构复杂；③遥感图像中表达的现象或过 程中往往具有多尺度的特性；④遥感图像是在非均勻光照条件下成像的，受到多种成像因 素(如大气条件、地形因素)影响，同类地物的光谱差异较大。由于遥感图像的这些特性， 简单应用上述的图像分割算法于遥感影像中，在有些情况下，其效果并不令人满意。自第 一个面向对象的遥感信息提取软件eCognition面世以来，遥感影像分割方法由于加入了 更多的地学特性才取得了长足的发展(2000年，BAATZ等在《Angewandte Geographische Informations-Verarbeitung))第 7 期，发表文章“Multiresolution segmentation-an optimization approach for high qualitymulti-scale image segmentation"；2001Blaschke 等在《International Archives ofPhotogrammetry and Remote Sensing》第 34 卷第 4 期发表文章“Ob ject-orientedimage analysis and scale-space theory and methods for modeling and evaluatingmultiscale landscape structures，，;2004 年，陈 秋晓等在《遥感科学》第5卷第3期发表文章“基于多特征的遥感影像分类方法”;2003年， 郦苏丹等在《遥感学报》第7卷第2期，发表文章“基于相似性准则的SAR图像分割方法”； 2009年，沈占峰等在《武汉大学学报(信息科学版)》第35卷第3期发表文章“高分辨率遥 感影像多尺度均值漂移分割算法研究”)。纵观前文提到的五类最主要的遥感图像分割方法，每一类都有自身独特的优势， 但也都存在较为明显的不足。①阈值分割。优点是计算简单，运算效率高，速度快；缺点是对图像的直方图依赖 性过强，而未考虑空间特征，因此受噪声影响较大。②边缘分割。优点是符合人类视觉系统的特点，边缘检测微分算子的发展已比较 成熟；缺点是抗噪性和精度难以两全，且边缘跟踪方法的发展相对滞后，应用于地物复杂的 遥感影像，往往难以在区域封闭完整和过分割之间实现平衡。③区域分割。优点是充分考虑了图像的空间信息，并且易于同尺度概念相结合，符 合遥感地学信息的一股特征；缺点是计算复杂，区域相似性指标往往难以确定。④聚类分割。优点是易于实现，对遥感影像的运算结果包含了对地物信息的初步 理解，有利于进一步分析；缺点是未利用影像的空间信息，分割结果易于产生椒盐现象。⑤特定模型分割。这种方法近年来发展迅速，许多新的方法在针对特定的图像进 行分割时较为有效，由于没有通用的理论，这些方法各有优劣，总体上尚不成熟，进行图像 分割的精度仍有待提高。
发明内容
1.发明要解决的技术问题本发明的目的是提供一种基于区域聚类的遥感影像分割方法，该方法结合了区域 分割和聚类分割两种方法的优点，可以更便捷、有效地对遥感影像进行分割。所以此方法可 以作为遥感影像处理的前期步骤，将遥感影像从像元转变到对应于现实世界中地物图斑的 对象，更接近人们观测数据的思维逻辑，从而便于进一步从遥感影像中提取更为丰富的地
理信息O2.本发明的技术方案FCM算法原理FCM算法属于基于划分的聚类方法，它是一种“软”划分的方法，与传统的“硬”划 分方法相比，它能更好地描述现实世界的不确定性，因而在图像分割等领域得到了广泛的 应用。FCM算法是在硬C均值(Hard C Means，简称HCM)算法的基础上发展而来的，后者又 被称为K均值(K-Means)算法。K-Means算法将每个待识别的对象严格地划分到某一个类 别中去，具有非此即彼的性质。而FCM算法基于模糊集理论，它用模糊隶属度表示每个元素 属于某个特定集合的可能性。隶属度的取值范围在0到1之间，隶属度越接近0，属于该集 合的可能性就越小；隶属度越接近1，属于该集合的可能性就越大。研究利用FCM算法的这 种特性对遥感影像进行聚类，从而得到每个像元隶属于各类别的概率图像。Mean Shift算法原理Mean Shift算法是区域生长与合并方法中的一种快速、稳健的多尺度图像滤波与 分割方法，它采用非参数核密度估计技术来进行聚类，估计过程完全依靠样本数据，对先验 知识要求极少，并且可以用于任意形状密度函数的估计，因此对于不同结构的数据具有更 好的适应性和稳健性。给定d维空间Rd中的η个样本点Xi, i = 1，. . .，η，在χ点的Mean Shift向量的 基本形式定义为Mh(X)^jYj(Xi-X)(1)
'-S I1其中，Sh是一个半径为h的高维球区域，满足以下关系的y点的集合，Sh (χ)三{y (y-x)τ (y-χ) ( h2} (2)k表示在这η个样本点Xi中，有k个点落入Sh区域中.我们可以看到(Xi-X)是样本点\相对于点χ的偏移向量，⑴式定义的MeanShift 向量Mh(X)就是对落入区域Sh中的k个样本点相对于点χ的偏移向量求和然后再平均.从 直观上看，如果样本点Xi从一个概率密度函数f(x)中采样得到，由于非零的概率密度梯度 指向概率密度增加最大的方向，因此从平均上来说，Sh区域内的样本点更多的落在沿着概 率密度梯度的方向.因此，对应的，Mean Shift向量Mh(χ)应该指向概率密度梯度的方向如附
图1所示，大圆圈所圈定的范围就是Sh，小圆圈代表落入Sh区域内的样本点 Xi e Sh，黑点就是Mean Shift的基准点x，箭头表示样本点相对于基准点χ的偏移向量，很 明显的，我们可以看出，平均的偏移向量Mh(X)会指向样本分布最多的区域，也就是概率密 度函数的梯度方向.比较五类主要遥感图像分割方法的优缺点，可以发现，区域分割同聚类分割的优 缺点可以形成互补，一方面，聚类的结果作为区域分割的相似性指标，改善区域分割过程对 图像的理解；另一方面，区域分析充分考虑了图像的空间信息，能够避免聚类产生的椒盐噪 声。因此，研究将基于区域的分割方法和基于聚类的分割方法结合起来，提出一种新的基于 区域聚类的遥感影像分割算法，其核心思想为将在地类概率空间和地理空间上邻近的像元 组合为对象。整个方法包括四个关键步骤本发明的具体技术方案如下基于区域聚类的遥感影像分割方法，步骤如下步骤1 区域预分割，即在待分割的原始图像的光谱空间中进行初步的区域分割， 以消除图像中存在的噪声，同时初步合并像元，减轻进一步分析的计算量；其具体步骤为①输入由N个样本数据组成的图像{Xi，i = 1,2,…，N}，并设定空间域带宽、和 值域带宽、，以及分割对象最小尺度M ；②获取一个样本数据Xi，根据hs和、获取其邻域样本数据Xp e Sh(Xi)；③根据式火‘ (\)= ‘免
，使用核函数计算各邻域样本Xp
与Xi的相似度；
④根据式
权利要求
1.一种基于区域聚类的遥感影像分割方法，包括以下步骤步骤1 区域预分割，即在待分割的遥感影像的光谱空间中用MeanShift算法对图像进 行初步的区域分割①选择经过影像预处理的遥感影像作为待分割的数据源，用GDAL作为数据读写工具 读入遥感影像；②要为MeanShift算法确定合适的空间域带宽hs和光谱域带宽hr两个参数，实验证 明空间域带宽hs为5时分割效果最好；对于光谱域带宽hr，用以下方法计算对单个像元， 统计其空间域邻域中的所有像元与它的DN值之差的均值，即为该像元邻域范围内的平均 光谱差异；统计所有像元的平均光谱差异，对其再求均值，即为整个图像在一定空间域带宽 下的平均光谱差异，以此作为光谱域带宽hr ；③用meanShift算法对影像进行滤波处理；然后依据空间域带宽hs和光谱域带宽hr， 使用种子生长法对图像进行区域标号，最后计算相同标号的像元的DN值的均值，以这一均 值作为该类对象所有像元的DN值填入图像数组中即得到预分割图像；步骤2 模糊聚类，即在预分割后图像的光谱空间中用FCM算法进行模糊聚类①采用FCM算法进行模糊聚类，需要设置一个参数，即聚类数C，实验证明选择20作为 聚类数，综合效果最好；所以随机选取20个样本像元点作为聚类中心；②通过计算距离矩阵和隶属度矩阵一重新计算聚类中心一再次计算距离矩阵和隶属 度矩阵的循环得到稳定地聚类中心和隶属度矩阵，从而得到每个像元点隶属于每个类中心 的概率大小组成的概率图像；步骤3 区域重分割，即对模糊聚类得到的概率图像用MeanShift算法进行区域分割 用与步骤1 一致的方法对概率图像进行MeanShift滤波处理，用种子生长法对图像进 行标号得到分割后的每个对象隶属于每个地类的概率图像；然后依据每个对象隶属于各个 地类概率的大小进行概率“硬化”，即确定每个对象应属于隶属概率最大的那一类；步骤4:分割对象的合并，即消除面积较小的分割对象，将其归并到邻近分割对象中去以分割对象最小尺度M为标准，面积小于M的分割对象将被划归到与之最邻近其他分 割对象中去；面积大于M的分割对象才保留下来；以此减少分割对象的数目。
2.根据权利要求1所述的基于区域聚类的遥感影像分割方法，其特征在于步骤1中对 空间域带宽hs的设定和光谱域带宽hr的计算方法，以及用种子生长法对区域进行标号的 方法。
3.根据权利要求2所述的基于区域聚类的遥感影像分割方法，其特征 在于步骤2中对聚类数的选取、确定聚类中心和隶属度矩阵的循环方法以及
4.根据权利要求1 3中任一项所述的基于区域聚类的遥感影像分割方法，其特征在 于步骤3中用“硬化”函数对概率图像进行“硬化”处理，即按照概率最大原则将概率图像 转换为确定的地类分割图像。
5.根据权利要求1 3中任一项所述的一种基于区域聚类的遥感影像分割方法，其特征在于区域预分割、模糊聚类、区域重分割、分割对象的合并这样顺序的遥感影像分割技术 流程。
全文摘要
本发明公开了基于区域聚类的遥感影像分割方法，属于遥感影像综合利用领域。其步骤为用MeanShift算法进行区域预分割，以去除噪声和对像元进行初步集群化；用模糊C均值算法对预分割后的图像进行模糊聚类，对各图像对象的特征进行初步的归纳与识别，得到各对象隶属于某一类别的概率，构成遥感影像的地类概率空间，从而为进一步的区域分割提供对象合并的依据；在聚类图像的概率空间中进行区域分割，通过区域标号将概率空间上相近且类别上相似的像元划分为同一对象。本发明克服了两种原有分割方法的不足之处，能够精确有效地对遥感影像进行分割，经过集成可以批量地完成对遥感影像的分割任务，为更好地从遥感影像提取地物信息提供数据支撑。
文档编号G06T5/00GK102005034SQ20101056689
公开日2011年4月6日 申请日期2010年12月1日 优先权日2010年12月1日
发明者刘永学, 李满春, 杨康, 江冲亚, 程亮, 赵威, 陈焱明, 黄秋昊 申请人:南京大学