一种确定图像分割尺度参数的自适应方法与流程

本发明涉及图像处理和计算机视觉领域，尤其涉及一种确定图像分割尺度参数的自适应方法，即一种基于图像分割后根据对象域中对象特征属性的尺度参数确定方法。

背景技术：

近年来，面向对象的分割算法在地理科学和遥感领域取得了巨大的进步和大量的应用，其在高分辨率影像的处理过程中，分割过程已经成为影像分类和信息提取的一个重要的预处理过程，分割得到具有真实地物意义的对象域(此处及后文指分割得到的所有对象集合)是后续的信息提取基础和前提。

一个分割过程一般可以分为初分割和合并两个过程，这两个过程则分别由两个重要的尺度参数加以控制，尺度参数的大小在很大程度上确定了分割对象的大小，因此两者对于最后的分割结果具有重要的影响，如果尺度参数选择不当，则会出现过分割和欠分割的分割结果，目前对于尺度参数的选择基本都取决于人眼观察，是一种“反复试错”的方式，这种方式多依靠经验判断，在数据量较大时往往耗费较多的人力和时间，且难以具有鲁棒性。

因为参数组合的选择是信息提取精度的重要影响因子，所以尺度参数自适应，并使得尺度参数具有客观的科学性，成为面向对象提取信息的关键。

技术实现要素：

本发明的目的在于提供一种确定图像分割尺度参数的自适应方法，即基于面向对象方法的最佳分割参数确定方法。

本发明的确定图像分割尺度参数的自适应方法，包括如下步骤：

步骤(1)输入图像，所述图像为图像本身或图像与另一归一化特征波段图层叠加后形成的待分割图像；

步骤(2)根据具体研究需求设定尺度参数组合方案，形成尺度参数对矩阵；

步骤(3)根据尺度参数对矩阵按照尺度递增的顺序对图像进行分割，并统计每次分割结果的特征参数；此处分割可以通过调用多种分割、合并算法得以实现。

步骤(4)依据步骤(3)统计结果，计算在初合并尺度一定时，连续分割参数下的初合并特征曲线，求取初合并特征曲线中首次出现周期性突变的点对应的初分割尺度，确定为最佳分割参数；

步骤(5)依据步骤(4)确定的最佳分割参数，计算在初分割参数取最佳初分割参数时，连续合并参数下的特征参数曲线，并计算逐步长特征参数变化量，确定特征参数变化量正负性变化起点为最佳合并参数。

步骤(6)依据步骤(4)和步骤(5)确定的最佳分割参数及最佳合并参数作为最佳尺度参数分割图像。

上述技术方案中，所述的定义分割结果的特征参数包括但不限于以下两种方式之一：

其中

其中，m为分割后的图像对象数，n为图像波段数，Bl表示图像对象单波段均值，Vl表示图像对象单波段标准差。

步骤(4)中所述的计算尺度分割后得到的初合并特征曲线，并由此确定最佳初分割参数的方法具体为：尺度参数组合控制图像对象的形成过程，分割基于边缘检测算法得到初始图像对象，初始分割图像对象合并后得到结果图像对象，结果图像对象的特征参数随尺度参数变化。取合并尺度值较低时(包含总合并尺度范围的0％-30％)某值作为定值，根据初分割参数递增的顺序对对图像进行分割，计算连续分割参数下的初合并特征曲线，求取初合并特征曲线中首次出现周期性突变的点，确定最佳初分割参数，具体方法如下：以连续变化的尺度参数范围为界，确定每两个相邻峰值之间的尺度参数累计步长，并将尺度参数累计步长与尺度参数较小的峰值相关联，累计步长最小的首个峰值点对应的初分割尺度，否则取最后一个峰值点作为最终的初分割参数。

步骤(5)中所述的从特征参数曲线确定最佳合并参数的方法具体为：在最佳初分割参数确定后，随着合并参数的变化，特征参数曲线也不断变化，通过计算特征参数随单位合并尺度增长的变化值，以每个变化值对应的合并参数为起点，计算除起点前的合并参数外所有变化值随合并尺度增长的正负性，取首个正负性变化起点为最佳合并参数。

本发明的确定图像分割尺度参数的自适应方法可实现尺度参数的自适应，使得尺度参数的更具有客观的科学性，使得面向对象提取信息更为可靠。

附图说明

图1为本发明中图像分割尺度参数的自适应的过程图；

图2为多种尺度参数下的分割结果图。

图3为本发明尺度参数自适应的图像分割结果图。

具体实施方式

下面结合附图详细描述本发明，本发明的目的和效果将变得更加明显。

本实例的方法具体流程如图1所示，包括：

1)输入图像，包含但不限于遥感、航拍影像等，同时可以加入如NDVI，NDWI等归一化后的辅助分割数据波段。

2)分割过程

1.确定分割参数：设定尺度参数矩阵，包括分割的维度、起点、步长等信息，尺度增长方式为等差数列方式。本发明推荐初合并参数为总合并尺度范围的0％-30％为宜，增长步长为尺度范围的1％，维度总数不应大于99，具体数值应根据所选择的初分割、合并方法及影像特定情况而定。

2.本发明适用于多种初分割、合并的算法，直接调用即可。

3)对象域显著性定义

随着分割参数的变化，图像中的像素点会分别形成不同的图像对象中(如图2，不同的参数组合[25,25],[25,75],[75,25],[75,75]可以产生不同的分割结果)，使得图像对象的光谱、形状和纹理信息发生变化，通过对比研究发现，LV值、VM值可以有效的反映出图像对象内部的同质性和图像对象的之间的异质性，从而可以反映出图像的分割效果。特征参数包含但不限于LV、VM定义如下：

其中

其中，m为分割后的图像对象总数，n为图像波段数，Bl表示图像对象单波段均值，Vl表示图像对象单波段标准差。

4)初分割参数的提取

如图1中d所示，每次尺度参数的变化形成分割结果特征参数的变化，在合并尺度较小时，尺度参数的变化呈现出周期性的变化规律：在分割尺度增长的前中期，初合并特征曲线出现多个峰值(p1,p2…)，峰值间的特征参数随着分割尺度的增长而增长，相邻峰值之间对应的分割尺度差值成为累计步长(d1,d2…)，在分割尺度增长的后期，特征参数随着分割尺度的增长而单调递增。

将累计步长与左侧峰值点相关联，计算累计步长最小的首个峰值点(p4)对应的初分割尺度，否则取最后一个峰值点作为最终的初分割参数。

5)合并参数的提取

如图1中f所示，确定分割参数后，特征参数随着合并尺度的变化形成合并特征尺度曲线，计算特征参数随单位合并尺度增长的变化值，以每个变化值对应的合并参数为起点，计算所有(除起点前的合并参数)变化值随合并尺度增长的正负性，取首个正负性变化起点(m)为最终的合并参数。

6)以最优尺度参数组合分割影像

采用上述方法获得的分割结果如图3所示，图2为采用四种随机选择的尺度参数组合进行的分割结果，可以看出，随机尺度参数组合很可能会形成过分割和欠分割现象，无法对地物做出准确分割，而本发明得到的分割结果可以较好的对建筑物、河流、坑塘、农田、道路等地物类型进行分割。

上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。