一种面向高分辨率遥感图像的分割方法与流程

本发明涉及智能信息处理领域，尤其是涉及一种面向高分辨率遥感图像的分割方法。

背景技术：

高分辨率遥感图像由于包含更加丰富的空间信息，近年来成为遥感技术研究的热点之一，但其所包含的丰富信息也同时对于处理技术提出了更高的要求；由于不能充分利用其所富含的信息，传统的单独基于光谱的分割技术往往会出现异物同谱和同物异谱的现象，此外，传统的分割方法在处理大规模增长的像素时往往会导致更长的训练时间和更差的分割效果；目前，如何充分利用高分辨率遥感图像的各种信息来达到满意的分割效果，仍是一个具有挑战性的研究课题。

技术实现要素：

为了解决上述问题，本发明提供一种面向高分辨率遥感图像的分割方法，本发明集成了纹理、几何和光谱空间信息中具有代表性的多种统计量，能够更加全面的表征高分辨率遥感图像所富含的信息，从而保证了图像分割的精度更高。

本发明所采用的技术方案：一种面向高分辨率遥感图像的分割方法，包含以下步骤，

S11：根据待处理遥感图像的像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度，将原始图像划分成M×N个正方形子图{P_e|e＝1,2,...,M×N}，记集合A＝{1,2,...,M×N}；此处本领域技术人员划分子图的原则是，如果像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度这四个参数的值越大，需要划分出的子图个数越多，具体划分的个数应以本领域技术人员根据四个参数的值进行选定；

S12：提取每个子图P_e的典型纹理特征，包括灰度熵对比度角度二阶矩其中，m×m指的是子图P_e的像素大小，p(i,j)指的是子图P_e中像素对(i,j)和(i+a,j+b)出现在子图P_e中的概率，本领域技术人员在选取像素差分值a,b时，可以根据图像纹理细腻程度的高低而取不同的常数；

S13：提取每个子图P_e的典型几何特征，包括线段平均长度其中H指的是子图P_e中检测到的线段数量,(x_is,y_is),(x_ie,y_ie)指的是第i条线段起止点位置的坐标；线段长度熵其中N_LEN(i)是在子图P_e长度直方图中长度位于第i个区间的线段个数；梯度幅值均值其中G_x(i,j)和G_y(i,j)分别是子图P_e中像素对(i,j)和(i+a,j+b)的水平梯度和垂直梯度；

S14：提取每个子图P_e的典型光谱特征，包括，像素值均值其中X_ij指的是像素(i,j)的值；标准偏差

像素值的协方差矩阵

S15：将上述步骤中的多种特征进行融合，得到综合特征向量V_e＝[α₁ENTα₂CONα₃ENEα₄LEN_MEANα₅LEN_ENTROPYα₆GRAD_MEANα₇PIX_MEANα₈PIX_STDα₉PIX_COV]^T，其中{α_i|i＝1,2,...,9}是每种特征归一化的权重系数,e＝1,2,...,M×N；再利用支持向量数据描述方法对综合特征向量进行处理，通过对子图的迭代聚类实现图像分割；

本发明中，所述步骤S15中所利用的支持向量数据描述方法，主要包含以下步骤：

S21：引入满足Mercer定理的非线性映射满足其中核函数k(.,.)常用的形式有线性核函数，多项式核函数，径向基核函数，Sigmoid核函数和复合核函数；

S22：在引入映射的核特征空间中求解以下二次规划问题

s.t.0≤α_e≤C,e＝1,2,...,M×N.

其中，C代表人为对聚类误差的惩罚参数；求解出符合上述规划要求的α_e，其下标集合B所对应的子图即为原始图像中可以被聚为一类的子图集合；计算聚类因子其中||.||为集合元素个数运算符；

S23：若聚类因子λ≥λ_max，则意味着原始图像分割结束；若λ＜λ_max，令A＝A-B，转向步骤S12，并进而迭代执行其后续步骤，其中λ_max为聚类子图比例上限阈值，控制着聚类过程的迭代次数和图像分割的精细程度。

本发明的有益效果：本发明的方法中，集成了纹理、几何和光谱空间信息中具有代表性的多种统计量，能够更加全面的表征高分辨率遥感图像所富含的信息，从而保证了图像分割的精度更高；此外，分割图像所使用的支持向量数据描述方法，可以保证能以较快的速度处理更高分辨率的遥感图像，使特征融合更合理、图像分割时间更短、分割精度更高。

附图说明

图1是本发明的整体流程图。

具体实施方式

以下结合实施例对本发明的原理和特征进行详细描述，所举实施例仅用于描述本发明，并非用于限定本发明的范围。

一种面向高分辨率遥感图像的分割方法，包含以下步骤，

S11：根据待处理遥感图像的像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度，将原始图像划分成M×N个正方形子图{P_e|e＝1,2,...,M×N}，记集合A＝{1,2,...,M×N}；此处本领域技术人员划分子图的原则是，如果像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度这四个参数的值越大，需要划分出的子图个数越多，具体划分的个数应以本领域技术人员根据四个参数的值进行选定；

S12：提取每个子图P_e的典型纹理特征，包括灰度熵对比度角度二阶矩其中，m×m指的是子图P_e的像素大小，p(i,j)指的是子图P_e中像素对(i,j)和(i+a,j+b)出现在子图P_e中的概率，本领域技术人员在选取像素差分值a,b时，可以根据图像纹理细腻程度的高低而取不同的常数；

S13：提取每个子图P_e的典型几何特征，包括线段平均长度其中H指的是子图P_e中检测到的线段数量,(x_is,y_is),(x_ie,y_ie)指的是第i条线段起止点位置的坐标；线段长度熵其中N_LEN(i)是在子图P_e长度直方图中长度位于第i个区间的线段个数，此处第i条线段与第i个区间中的i含义相同，但与子图P_e中的像素对(i,j)中的i含义不同；

梯度幅值均值其中G_x(i,j)和G_y(i,j)分别是子图P_e中像素对(i,j)和(i+a,j+b)的水平梯度和垂直梯度；

S14：提取每个子图P_e的典型光谱特征，包括像素值均值其中X_ij指的是像素(i,j)的值；标准偏差

像素值的协方差矩阵

S15：将上述步骤中的多种特征进行融合，得到综合特征向量V_e＝[α₁ENTα₂CONα₃ENEα₄LEN_MEANα₅LEN_ENTROPYα₆GRAD_MEANα₇PIX_MEANα₈PIX_STDα₉PIX_COV]^T，其中{α_i|i＝1,2,...,9}是每种特征归一化的权重系数，e＝1,2,...,M×N；再利用支持向量数据描述方法对综合特征向量进行处理，通过对子图的迭代聚类实现图像分割；

优选的，所述步骤S15中所利用的支持向量数据描述方法，是处理聚类问题时泛化能力和鲁棒性能较好的一种经典方法，主要包含以下步骤：

S21：引入满足Mercer定理的非线性映射满足其中核函数k(.,.)常用的形式有线性核函数，多项式核函数，径向基核函数，Sigmoid核函数和复合核函数；

S22：在引入映射的核特征空间中求解以下二次规划问题

s.t.0≤α_e≤C,e＝1,2,...,M×N.

其中，C代表人为对聚类误差的惩罚参数；求解出符合上述规划要求的α_e，其下标集合B所对应的子图即为原始图像中可以被聚为一类的子图集合；计算聚类因子其中||.||为集合元素个数运算符；

S23：若聚类因子λ≥λ_max，则意味着原始图像分割结束；若λ＜λ_max，令A＝A-B，转向步骤S12，并进而迭代执行其后续步骤，其中λ_max为聚类子图比例上限阈值，控制着聚类过程的迭代次数和图像分割的精细程度。