本发明属于图像处理技术领域，具体涉及一种遥感影像最优分割结果确定的自动化方法。
背景技术：
自Landsat-1遥感卫星应用以来，基于像元的影像分析（Pixel-based Image Analysis）方法一直是遥感界进行遥感影像分析的主流方法。然而，随着1999年IKONOS遥感卫星成功发射，以及后来的QuickBird、GeoEye-1、WorldView-I/II/III、高分一号和高分二号等卫星数据投入应用，遥感影像空间分辨率有了极大提高，这使得基于像元的影像分析方法受到越来越多的质疑。
目前，比较通用做法是采用面向对象影像分析方法（Geographic Object-based Image Analysis, GEOBIA）进行高空间分辨率遥感影像分析。而GEOBIA方法中一个关键步骤是影像分割。影像分割结果质量直接决定数据后期处理质量（例如：图像分类）。目前主流的影像分割算法有多尺度分割、均值漂移分割何分水岭分割算法，然而以上算法大多需要通过设置分割参数来生成相应的分割结果。不同的分割参数，会产生不同质量的分割结果，对影像进行分割操作时，一般都会经历“过度分割―最优分割―欠分割”等三个阶段。因此，对不同质量的分割结果进行评价，从中确定出最优分割结果就显得至关重要。为此，许多解决方法被尝试性提出。然而，人为干预较多，且费时费力，使得这些方法自动化程度普遍不高，进而影响方法的实用性。近些年，陆续有一些自动确定最优分割结果方面的研究成果相继问世，但其实际使用效果并不理想，其客观性还有待进一步加以验证。遥感影像最优分割结果的自动化确定是未来科学研究所优先关注的研究领域。
GEOBIA方法目前需亟待解决的一个问题是如何提高最优分割结果确定的自动化程度。而目前这方面的研究仍处于探索阶段，通用的解决方案仍然缺乏。因此，研究和发展遥感影像最优分割结果确定的自动化方法，以弥补GEOBIA现有不足，得到客观的、自动化程度更高的遥感影像最优分割结果具有重要的理论意义和应用价值。
技术实现要素：
本发明的目的是为解决现有技术的不足而提供一种遥感影像最优分割结果确定的自动化方法。
本发明所采用的技术方案是：
一种遥感影像最优分割结果确定的自动化方法，包括如下步骤：
（10）对一种或多种影像分割方法设置不同的分割参数，并对遥感影像进行分割，得到一系列影像分割结果；
（20）利用光谱信息离散度指标构建分割对象内部光谱均一性的度量指标和相邻分割对象间光谱异质性的度量指标；
（30）利用步骤（20）中两个所述度量指标构建单个分割对象分割质量、影像整体分割质量的度量指标；
（40）采用变分法对步骤（10）中不同分割结果的影像整体分割质量进行对比分析，获得影像整体最优分割结果；
（50）构建分割对象异质度度量指标，然后从所述影像整体最优分割结果中提取处于欠分割和过分割状态的分割对象作优化处理，获得影像全面最优分割结果。
优选的，步骤（10）中所述影像分割方法为多尺度分割和/或均值漂移分割和/或分水岭分割算法。
优选的，步骤（20）中所述光谱均一性的度量指标为；光谱异质性的度量指标为。
优选的，步骤（30）中单个分割对象分割质量的度量指标为；影像整体分割质量的度量指标为。
优选的，在步骤(40) 中采用变分法分析E值的变化，△E的极大值点对应的影像分割结果就是影像整体最优分割结果。
优选的，步骤（50）中所述分割对象异质度度量指标为：。
优选的，步骤（50）在进行提取处于欠分割和过分割状态的分割对象前先将影像整体最优分割结果进行融合，具体的方法是：将影像整体最优分割结果分别用S1，S2，…，St表示；对比分析S1，S2，…，St中对应分割对象边界间包含关系，将S1，S2，…，St进行排队，用表示，对于分割对象的边界来说，存在关系；
再将影像整体最优分割结果作为分割操作的边界约束条件，采用对应的分割参数组合对影像重新进行分割，得到新的分割结果；将作为分割操作新的边界约束条件，采用对应的分割参数组合对影像重新进行分割，得到新的分割结果；如此循环直到结束；最后得到新的分割结果，即为新的影像整体最优分割结果。
优选的，所述步骤（50）中欠分割的分割对象提取与优化处理是：将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序，按3%-10%的比例提取H值较大的分割对象进行多次再分割，多次再分割结果分别和未参与再分割的最优分割结果进行联合，得到两尺度下多次分割结果；根据影像分割结果的△E极大值点，确定两尺度下最优分割结果。
优选的，所述步骤（50）中过分割的分割对象的提取与优化处理是：将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序，按3%-10%的比例提取H值较小的分割对象进行多次合并，多次合并的结果分别与剩下的两尺度下最优分割结果进行联合，得到三尺度下多次合并结果；根据影像分割结果的△E极大值点，确定三尺度下优分割结果，即影像全面最优分割结果。
优选的，所述过分割的分割对象的提取与优化处理是：将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序，按3%-10%的比例提取H值较小的分割对象进行多次合并，多次合并的结果分别与剩下的两尺度下最优分割结果进行联合，得到三尺度下多次合并结果；根据影像分割结果的△E极大值点，确定三尺度下优分割结果，即影像全面最优分割结果。
有益效果：
本发明方法无需人为干预，可以自动实现对遥感影像的不同分割结果进行评价，进而确定出与实际地物边界吻合度好的高精度最优分割结果；相比于现有方法，本发明方法具有效率高、准确性高和实用性强的优点，在土地遥感监测与灾害监测时应用于地物信息提取。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施例进一步阐述本发明。
实施例
如图1所示，一种遥感影像最优分割结果确定的自动化方法，包括如下步骤：（10）对多尺度分割和/或均值漂移分割和/或分水岭分割算法影像分割方法设置n个分割参数，并对遥感影像进行分割，得到n个影像分割结果。
（20）构建分割对象内部光谱均一性度量指标和相邻分割对象间光谱异质性的度量指标；
（21）构建分割对象内部光谱均一性度量指标：
该步骤采用光谱信息离散度（Spectral Information Divergence，SID）方法，
影像上像元可用公式（1）表示：
(1)
其中，是像元的光谱矢量；是波段数；表示像元在第波段上灰度值（=1，2，…，L），（j=1，2，…，L）。
定义像元的概率矢量，如公式（2）：
(2)
定义像元的信息熵，如公式（3）：
(3)
同理，定义像元的概率矢量，如公式（4）：
(4)
定义像元的信息熵，如公式（5）：
(5)
定义两不同像元和之间相对熵，分别用公式（6）和（7）表示：
(6)
(7)
定义像元x和像元y之间光谱信息离散度SID表示为：
(8)
计算同一分割对象内部任意两个不同像元间光谱信息离散度，将得到的光谱信息离散度进行平均，用值来表达分割对象内部光谱均一性，如公式（9）所示：
(9)
其中，m，n是分割对象内部不同像元对；P是分割对象内部不同像元对的集合；I是P集合中像元对的数量。
（22）相邻分割对象间光谱异质性的度量指标：
用对象内像元光谱矢量均值计算分割对象与其相邻的任一分割对象间光谱信息离散度，再根据分割对象与其相邻的分割对象间公共边长度设置权重系数，将得到的光谱信息离散度进行加权平均，来表达分割对象与其相邻的分割对象之间的光谱异质性度量指标，如公式（10）所示：
(10)
其中，S代表分割对象；SN代表与S相邻的分割对象；NSS代表与S相邻的所有分割对象集合；和分别表示S和SN对象内像元光谱矢量均值；是权重系数，等于S与SN间公共边长度除以S周长。
（30）用分割对象内部光谱均一性和相邻分割对象间光谱异质性的度量指标构建单个分割对象分割质量的度量指标，然后考虑单个分割对象的面积权重，构建影像整体分割质量的度量指标；
（31）先将分割对象内部光谱均一性度量指标与相邻分割对象间光谱异质性度量指标进行综合，得到分割对象的分割质量e，如公式（11）：
(11)
e表征的是单个分割对象的分割质量。
（32）以分割对象面积除以整个影像面积作为权重系数，将影像内所有分割对象的分割质量进行加权平均，得到整个影像的分割质量E，如公式（12）：
(12)
其中，是分割对象k的分割质量；是权重系数；表示整个影像内分割对象数量，E表征整个影像分割质量。
（40）采用变分法对不同分割结果的影像整体分割质量进行对比分析，确定出影像整体最优分割结果：
对影像进行分割操作时，一般都会经历“过度分割―最优分割―欠分割”等三个阶段。在从过度分割到最优分割演变过程中，分割对象由小逐步增大，其边缘逐步靠近参考对象的真实边缘。由于影像上物体的边缘附近混合像元较多，分割对象边缘在靠近参考对象的真实边缘过程中不断新增混合像元，使得分割对象内部均一性和相邻分割对象间光谱异质性不断发生变化，从而造成影像分割质量E值不断变化；当分割对象继续增大，刚超过参考对象的真实边缘后，△E（相邻分割参数的E值之间的差值）则出现减小或停止现象。E值的这种变化，当分割对象边缘与参考对象的真实边缘匹配时达到极值，此时影像分割最优。
采用变分法分析E值变化，△E（相邻分割参数的E值之间的差值）的极大值点对应的影像分割就是所求的影像整体最优分割结果。
（50）构建分割对象异质度度量指标，从所述影像整体最优分割结果中提取处于欠分割和过分割状态的分割对象作优化处理，获得影像全面最优分割结果；
（51）构建分割对象异质度度量指标:
构建分割对象的异质度度量指标H，如公式（13）
（13）
其中，是分割对象内光谱信息离散度的归一化方差；是用光谱信息离散度求算的分割对象归一化局部Moran’s I。
（52）影像整体最优分割结果的融合：
考虑到影像上地面物体的尺寸大小和类别不尽相同，影像整体最优分割结果可能会存在多个，分别用S1，S2，…，St表示；对比分析S1，S2，…，St中对应分割对象边界间包含关系，将S1，S2，…，St进行排队，用表示。对于分割对象的边界来说，存在关系。
影像整体最优分割结果的融合方案为：将影像整体最优分割结果作为分割操作的边界约束条件，采用对应的分割参数组合对影像重新进行分割，得到新的分割结果；将作为分割操作新的边界约束条件，采用对应的分割参数组合对影像重新进行分割，得到新的分割结果；循环，直到结束。最后，得到新的分割结果，作为影像全面最优分割结果确定的基础数据。
（53）处于欠分割状态的分割对象的提取与优化处理（再分割）：
将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序，按3%-10%的比例提取H值较大的分割对象进行多次再分割；多次再分割结果分别和未参与再分割的最优分割结果进行联合，得到两尺度下多次分割结果；根据影像分割结果的△E（相邻分割参数的E值之间的差值）极大值点，确定两尺度下最优分割结果。
（54）处于过分割状态的分割对象的提取与优化处理（合并）：
将影像整体最优分割结果中每一分割对象的异质度度量指标H值进行大小排序，按3%-10%的比例提取H值较小的分割对象进行多次合并，多次合并的结果分别与剩下的两尺度下最优分割结果进行联合，得到三尺度下多次合并结果；根据影像分割结果的△E（相邻分割参数的E值之间的差值）极大值点，确定三尺度下优分割结果，即影像全面最优分割结果。