基于局域同质性指标的多尺度遥感影像分割方法
【技术领域】
[0001 ] 本发明属于遥感影像分析技术领域，特别涉及了一种遥感影像分割方法。
【背景技术】
[0002] 图像分割技术实现了场景中具有地理意义对象的轮廓信息提取，是利用面向对象 的图像分析（OBIA，Object-BasedImageAnalysis)技术进行遥感影像信息提取与目标识 别的前提与基础。与普通图像不同，遥感影像具有多空间分辨率、多光谱分辨率、覆盖范围 广泛、地物种类众多以及纹理特征丰富等特点。首先，遥感影像的多波段特性使传统针对单 一波段的影像分割方法很难直接应用于多光谱或高光谱遥感影像分割中。另外，遥感影像 分割通常会受到地物阴影、云层遮盖等干扰因素的影响，尤其在城市场景中，多样的地物种 类及结构复杂的人造目标都给图像分割造成了困难。同时，遥感影像中丰富的纹理特征尽 管能够有效描述地物的空间结构特征，同时也对有效抽取及表述对象的纹理特征提出了更 高的要求。最后，遥感影像中丰富的纹理与空间语义信息必须在多个尺度下才能获得充分 的表述，因此在分割过程中引入多尺度分析工具是提取对象多尺度下空间结构特征的重要 手段。这些因素都使遥感影像分割领域在近三十年来始终充满了发展的动力。
[0003] 目前，针对中、低分辨率遥感影像分割及其应用，学者们已经展开了广泛而深入的 研究。例如，Laprade等人利用F检验对局部区域的光谱分布均质程度进行判断，提出了一 种基于分裂与合并的分割算法，在航空遥感影像分割中取得了良好的效果；Dong等人针对 合成孔径雷达SAR(SyntheticApertureRadar)影像分割，提出了一种基于高斯一马尔科 夫模型GMRF(Gauss-MRF)的分割算法，并与基于Ga_a-MRF模型SAR影像分割算法进行了 比较，该方法充分利用了相邻光谱间的相似性，显著提高了分割精度；Pan等人利用小波变 换多尺度分析工具，采用分水岭分割与基于均值偏移Mean-Shift的聚类方法相结合，尤其 适用于光学卫星遥感影像的分割。与此同时，尽管目前针对中、低遥感影像分辨率遥感影像 的分割算法众多且算法可靠性、分割精度较高，但针对高分辨率遥感影像的分割研究依然 在系统性与针对性中存在诸多不足。
[0004] 随着遥感技术与计算机技术的不断发展，以SPOT5、IK0N0S、QuickBird等为代表 的米级、亚米级高分辨率遥感影像已广泛应用于自然灾害监测与评估、土地资源规划等各 个领域。空间分辨率的提高不仅带来了更加丰富的光谱、纹理特征以及形状、上下文等空间 信息，同时也造成了更加突出的"同谱异物"及"同物异谱"现象，即不同种类地物的类间可 分性降低，而相同种类地物的类内可分性降低。这些因素都给高分辨率遥感影像分割带来 了新的挑战。Deng等人提出的JSEG是目前最为流行的彩色纹理分割算法之一，其采用的局 域同质性指标J-value对局部区域光谱分布的同质性具有强大的检测能力，并已成功应用 于遥感影像分割领域。尽管如此，JSEG算法也存在一些固有局限，如对对象间边界的细节 特征不敏感、容易产生过分割等。
[0005] 为克服这些局限，学者们已经提出了一些改进策略：Zheng等人根据隶属度函数 将所有像素分类，利用模糊控制技术对影像量化进行了优化，从而使量化影像更好地保持 了原始影像的光谱分布特征，并有效改善了过分割现象；Komati等人提出了三种改进JSEG算法，包括Fractal-JSEG、Fractal-only和LocalFractalDimension，Fractal-JSEG和 Fractal-only方法主要针对对象间边界的细节特征提取，而LocalFractalDimension主 要针对背景区域与前景目标具有相似光谱与纹理特征的应用场合，但这三种改进策略仅适 用于普通图像分割。目前尽管JSEG在中、低分辨率遥感影像分割中已取得了良好的效果， 但面对空间分辨率的提高给遥感影像分割带来的新挑战，直接采用JSEG算法很难取得满 意的效果。
【发明内容】
[0006] 为了解决上述【背景技术】提出的技术问题，本发明旨在提供基于局域同质性指标的 多尺度遥感影像分割方法，克服传统JSEG算法在影像量化、多尺度分割及区域合并中存在 的局限与不足。
[0007] 为了实现上述技术目的，本发明的技术方案为：
[0008] 基于局域同质性指标的多尺度遥感影像分割方法，包括以下步骤：
[0009] (1)采用二分K均值聚类方法对影像进行量化；
[0010] (2)在量化影像中，计算各尺寸窗口下各个像素对应的局部同质性指标，并将该指 标作为该像素的像素值，从而获得多尺度J-image影像序列，再利用地物的上下文信息对 多尺度J-image影像序列进行分割；
[0011] (3)根据多尺度J-image影像序列中最小尺度影像的分割结果和D-S证据理论，将 所有对象与其所有相邻的对象进行合并，得到最终的分割结果。
[0012] 进一步地，步骤（1)的具体过程如下：
[0013] (a)设定量化影像中灰度级总数K= 256 ;
[0014] (b)初始化聚类表岛=0 ;
[0015] (c)将所有像素作为一个类，加入到聚类表DT中；
[0016] (d)从聚类表DT中选择一个聚类进行分裂；
[0017] (e)使用K均值聚类方法将该聚类划分为两个聚类，遍历所有可能的二分情况，并 计算对应的残差平方和SSE;
[0018] (f)选择SSE最小的两个聚类，更新聚类表DT，当聚类个数达到256时，进入步骤 (g)，否则返回步骤（c);
[0019] (g)根据聚类表生成隶属关系T，获得调色板D=[山，d2,. . .，d256]T，其中dy表示 聚类中心，ye[1，256];根据隶属关系及聚类中心进行颜色替换，获得量化影像。
[0020] 进一步地，步骤（2)的具体过程如下：
[0021] 计算尺寸为MXM的特定尺寸窗口下所有像素对应的局部同质性指标J-value，并 将各像素的J-value作为该像素的像素值，得到该尺度下的J-image，逐步减小M，从而获得 一组多尺度J-image影像序列St= (S丨，S2. ··，ST);
[0022] 对最大尺度J-image影像ST进行分块处理，将Sτ划分为由尺寸为MTXMjf素构成 的子图像，其中仏的值与计算尺度特定尺寸窗口的尺寸相同；
[0023] 计算每个子图像的阈值T;，将每个子图像内部小于其阈值的像素作为种子点，采 用4-connectivity方法获得种子区域，其余像素按照J-value值从小到大逐个并入相邻的 种子区域，从而获得最大尺度&下的分割结果；
[0024] 利用&提取的对象边界将尺度STi分割为由对象集合/?s,,=(心心…&,.)组成的 J-image影像，其中GTi为对象总数；在STi中，以每个对象为基本单元，采用与S每个子 图像相同的策略提取种子点，并进行区域增长，遍历所有对象，获得尺度STi下的分割结果； 利用STi下获得的分割结果，对下一尺度ST2采用与STi相同的分割策略，以此类推，直至对 最小尺度Si完成分割。
[0025] 进一步地，局部同质性指标J-value的计算过程如下：
[0026] 在量化影像中，将每个像素z对应的坐标z(x，y)作为该像素的像素值；令 z(x，y)eZ，Z为以z为中心，尺寸为MXM的窗口中所有像素的集合，且窗口中的角点被去 除；
[0027] 定义N为以z为中心的窗口中的像素总数，则均值m:
[0028]
(1)
[0029] 定义mp为窗口中属于相同灰度级p的所有像素均值，Zp为窗口中属于灰度级p的
[0031] 定义SAS窗口中所有像素的总体方差： 所有像素的集合，P为量化影像中的灰度级总数，则窗口中属于同一灰度级像素的方差和Sw 定义先.
[003丨 （2 )
[0032]
⑶
[0033] 则局域同质性指标J-value为：
[0034] J=(SA-SW)/SW ⑷
[0035] 进一步地，阈值Tj的计算公式：
[0036] Tj=μj+a〇j (5)
[0037] 其中，μ#Ρσ;分别为各子图像内像素J-value的均值和标准差，a为预设常数。
[0038] 进一步地，a= 0· 2。
[0039] 进一步地，步骤（3)的具体过程如下：
[0040] (A)将尺度割结果提取的对象边界映射到所有尺度的J-image中，每个尺度 J-image都能获得统一的对象集合Rs=(RuR2. . .RN1)，其中&为尺度Si分割结果中的对象 总数；
[0041] (B)对于每个尺度J-image的对象集合，确定其中任意一个对象的所有相邻对象， 并计算该对象分别与其各个相邻对象之间的相似性SS頂；
[0042] (C)根据该对象与其相邻对象之间的相似性SS頂以及D-S证据理论，确定它们是 否合并，并将需要合并的对象进行合并；
[0043] (D)遍历所有尺度J-image的所有对象，直到没有能够合并的区域为止，从而获得 最终分割结果。
[0044] 进一步地，对象与其相邻对象之间相似性SS頂的计算公式：
[0045]
⑷
[0046] 其中，A、B分别对象私与其相邻对象RB对应的特征向量；μΑ，μΒ，〇A，〇B， ，σΑΒ分别是Α与Β的均值、标准差、方差以及两者的协方差；CρC2是为了防止当 分母接近零时产生不稳定现象所添加的常数。
[0047] 进一步地，C!= 0· 2,C2= 0· 8。
[0048] 采用上述技术方案带来的有益效果：
[0049] 本发明提供的影像分割方法克服了传统JSEG算法在影像量化、多尺度分割及区 域合并中存在的局限与不足，提出了基于二分K均值聚类的