一种全色遥感图像分割方法与流程

本发明属于图像处理领域，具体涉及一种全色遥感图像分割方法。

背景技术：

影像分割是遥感影像处理的关键技术，随着传感器技术的发展，遥感影像空间分辨率越来越高。较高的空间分辨率(以下简称高分辨率)使遥感影像能够提供更加丰富的地物细节信息，有利于用户深入了解被观测地物的光谱、纹理、分布、空间关系等特征，同时在更加精细的尺度上描述地物的边缘信息。但更高的空间分辨率导致同质区域内光谱测度变化更加明显。同时受图像表达能力限制，异质区域光谱测度相似性增强。传统分割方法大多利用影像同质区域内统计分布建模影像特征，虽然能够在一定程度上削弱噪声和异常值的影响，但应用于高分辨率遥感影像时，异质区域的相似性导致不同类别的光谱测度概率密度函数不易区分。因此，需引入更多、更强的约束条件保障分割结果的准确性。模型的不确定性、较多的约束条件，严重影响计算稳定性，同时增加方法的计算量，导致运行速度较慢。此外，传统欧氏空间分割方法通常需要初始化参数或人为给定阈值，不合理的参数或阈值易导致方法陷入局部最优，进而无法获得全局最优分割结果。

技术实现要素：

针对现有技术存在的不足，本发明提供一种全色遥感图像分割方法。

本发明的技术方案如下：

一种全色遥感图像分割方法，包括：

步骤1、读取待分割全色遥感图像；

步骤2、对待分割全色遥感图像的像素点建立高斯分布概率密度函数；

步骤3、将高斯分布概率密度函数从当前的欧氏空间映射到黎曼空间，构建数据子流形；

步骤4、设参数子流形上每一点表征待分割全色遥感图像中的一个地物类别，每个图像分割结果对应参数子流形上的若干点，所有可能的图像分割结果构成黎曼空间的参数子流形；在参数子流形上随机选取与地物类别数相同数量的点，表征初始的图像分割结果；

步骤5、计算数据子流形上的点距参数子流形上各点的测地线距离，将当前计算的数据子流形上的点划分到测地线距离的最小值对应的参数子流形上的点所属的地物类别，即获得图像分割结果；

步骤6、根据当前各地物类别所包含的数据子流形上的点，计算地物类别中各像素点的光谱测度的均值和方差；

步骤7、根据计算出的均值和方差构建表征地物类别的高斯分布概率密度函数，并代替当前参数子流形上的点表征新的图像分割结果中的某一地物类别；

步骤8、若图像分割结果不再改变，则当前参数子流形上的点表征数据子流形上点的最优图像分割结果，即得到图像分割结果，否则返回步骤5。

所述步骤2的具体步骤如下：

步骤2.1：计算像素i的8-邻域内所有像素光谱测度的均值和方差；

步骤2.2：根据均值和方差构建欧氏空间内每个像素光谱测度的高斯分布概率密度函数；

步骤2.3：用每个像素8-邻域内像素光谱测度的高斯分布概率密度函数表征该像素点的特征。

有益效果：

本发明在欧氏空间对待分割全色遥感图像的像素点建立高斯分布概率密度函数，能够有效利用图像的光谱测度信息及其与邻域像素的相关性，准确描述欧氏空间像素点的特征。将高斯分布概率密度函数从当前的欧氏空间映射到黎曼空间，构建数据子流形，在黎曼空间的参数子流形上随机选取与地物类别数相同数量的点，表征影像的初始分割结果，计算数据子流形上的点距参数子流形上各点的测地线距离，将当前计算的数据子流形上的点划分到测地线距离的最小值对应的参数子流形上的点所属的地物类别，利用黎曼流形上的测地线衡量两点间的差异，较之其他测度能够更加准确地描述曲面上两点间的相关性，能够极大程度地降低了计算的复杂度。根据当前各地物类别所包含的数据子流形上的点，计算地物类别中各像素点的光谱测度的均值和方差；根据计算出的均值和方差构建表征地物类别的高斯分布概率密度函数，并代替当前参数子流形上的点表征新的分割结果中的某一地物类别。该方法在欧氏空间建模，而后将其映射到黎曼空间，并结合测地线距离描述数据与类别的非相似性测度，有效克服了传统欧氏空间影像分割引入过多约束条件导致算法冗余度增加的问题。本发明稳定性好，收敛速度快，为遥感图像的自动解译提供了新思路。

附图说明

图1为本发明具体实施方式中的全色遥感图像分割方法流程图；

图2为本发明具体实施方式中的仿真图像，其中(a)为模拟图像，(b)为分割结果；

图3为本发明具体实施方式中应用本发明方法对全色遥感影像的分割结果，其中(a1)～(e1)分别为不同的原始全色遥感图像，(a2)～(e2)分别为对(a1)～(e1)的分割结果。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

一种全色遥感图像分割方法，如图1所示，包括：

步骤1、读取待分割全色遥感图像；

本实施方式中，定义待分割全色遥感图像域x＝{x_i|i＝1，2，...，n}，其中，x_i是第i个像素的光谱测度，i为像素索引，N为总像素数，X为128×128像素，总像素数N＝16384。

步骤2、对待分割全色遥感图像的像素点建立高斯分布概率密度函数；

所述步骤2的具体步骤如下：

步骤2.1：计算像素i的8-邻域内所有像素光谱测度的均值μ_i和方差σ_i；

其中，N_i为像素i的8-邻域内所有像素集合，i′为该集合内像素的索引，#N_i表征该集合内的像素个数。

步骤2.2：根据均值和方差构建欧氏空间内每个像素光谱测度的高斯分布概率密度函数；

像素i的光谱测度的高斯分布概率密度函数表示为

其中，μ_i为像素i的8-邻域内所有像素光谱测度的均值，σ_i为对应所有像素光谱测度的方差。

步骤2.3：用每个像素8-邻域内像素光谱测度的高斯分布概率密度函数表征该像素点的特征。

步骤3、将高斯分布概率密度函数从当前的欧氏空间映射到黎曼空间，构建数据子流形；

步骤3.1：对每个像素光谱测度的高斯分布概率密度函数变形：

令

再令

进而，公式(4)表示为

公式(7)中，k∈{1，2}，且采用爱因斯坦约定，即以便简化公式表达。

步骤3.2：用新的参数表征像素i在黎曼空间的坐标；在黎曼空间中，参数(θ_i¹，θ_i²)看作流形上一点的坐标，参数集则表示流形坐标系。基于高斯分布概率密度函数构建的流形是一种特殊的流形，具有对偶平坦的性质。因此，坐标系存在对偶坐标系其计算方法如下：

坐标系可用坐标系表示：

根据Legendre定理

步骤3.3：将欧氏空间所有像素点映射到黎曼空间，所有黎曼空间的点构成的集合即为数据子流形。

步骤4、设参数子流形上每一点表征待分割全色遥感图像中的一个地物类别，每个图像分割结果对应参数子流形上的若干点，所有可能的图像分割结果构成黎曼空间的参数子流形；在参数子流形上随机选取与地物类别数相同数量的点，表征初始的图像分割结果；

步骤5、计算数据子流形上的点距参数子流形上各点的测地线距离，将当前计算的数据子流形上的点划分到测地线距离的最小值对应的参数子流形上的点所属的地物类别，即获得分割结果；

给定数据子流形上点r，参数子流形上的点t，分别用对偶坐标系和定义r、t两点的坐标，则两点间的最短曲线距离即测地线距离定义为

公式(11)即为r，t两点的测地线。

步骤6、根据当前各地物类别所包含的数据子流形上的点，计算地物类别中各像素点的光谱测度的均值和方差；

步骤7、根据计算出的均值和方差构建表征地物类别的高斯分布概率密度函数，并代替当前参数子流形上的点表征新的图像分割结果中的某一地物类别；

步骤8、若图像分割结果不再改变，则当前参数子流形上的点表征数据子流形上点的最优图像分割结果，即得到图像分割结果，否则返回步骤5。

本发明可以在CPU为Core(TM)i5-34703.20GHz、内存4GB、Windows 10系统上使用MATLAB7.1软件编程实现仿真。

本实施方式中设计包含3个地物类别模拟图像和真实全色影像作为仿真图像。

图2为仿真图像，其中(a)为模拟图像，有三种地物类别，I、II、III，(b)为该三种地物类别的分割结果。

图3为本实施方式中应用本发明方法对全色遥感影像的分割结果，其中(a1)～(e1)分别为不同的原始全色遥感图像，(a2)～(e2)分别为对(a1)～(e1)的分割结果。图3(a2)能够有效将图3(a1)中的水域、建筑和水泥地面区分开来。图3(b1)中树木边界不清晰，且包含大量小目标，本发明方法能够有效将其提取出来。图3(c1)包含地物信息较为复杂，但图3(c2)所示分割结果能够较为准确的将不同灰度级的地物区分开来。图3(d2)分割结果中不同类型农田的区分度较强。本方法能够准确提取图3(e1)中的白色建筑，同时将建筑物和植被区分开来。可以看出，本发明的分割结果能够有效区分各类目标，进而满足大尺度遥感影像后续解译需求。

表1为本实施方式中，以模板图像为标准对本发明方法分割结果用户精度、产品进度以及总精度的定量评价。可以看出，本发明能够满足大尺度遥感影像分割精度需求，其各区域精度均不低于94.6％，且总精度可达97.2％。

表1本发明分割结果各区域用户精度、产品精度及总精度

以上所述，仅为本发明中最基础的具体实施方式，但本发明的保护范围并不局限于此，任何本技术领域人士在本发明所揭露的技术范围内，可理解到的替换，都应涵盖在本发明的包含范围之内，例如基于本发明方法的其它遥感数据类型的分类处理，特征提取等。因此，本发明的保护范围应该以权利要求书的保护范围为准。