高分辨率遥感影像快速分割方法
【技术领域】
[0001] 本发明涉及图像处理领域，具体地，涉及一种高分辨率遥感影像快速分割方法。
【背景技术】
[0002] 图像分割是图像处理领域中的一项关键技术。目前，常见的图像分割方法可分为 三类:基于图论的分割方法、基于梯度下降的分割方法以及基于能量泛函的分割方法。其 中，基于图论的分割方法效果较好，但是效率一般较低并且对内存需求很大;基于梯度下降 的方法效率较高，但是与图像语义信息的联系不紧密，且更容易产生过分割;而基于能量泛 函的分割方法往往需要根据特定的应用背景制定相应的能量函数，适用性较差。
[0003] 针对高分辨率遥感影像信息丰富、影像规模巨大的特点以及以上各种图像分割方 法的利弊，目前的遥感影像分割技术普遍采用超像素分割来得到初步分割结果，然后利用 超像素构建区域连接图并进行基于图论的分割得到最终分割结果。超像素分割常用的方法 包括均值漂移、分水岭、Graph Cuts、SLIC等等，而分水岭和均值漂移凭借其效果和速度在 遥感影像分割中应用最为广泛。特定到遥感减灾领域，灾情的快速评估对图像分割的速度 提出了更加苛刻的要求。相比之下，分水岭分割的效率较高，更能满足快速分割的需求，但 是其对微弱边缘极为敏感，因此更容易产生过分割;均值漂移具有较好的抗噪能力，而它的 计算复杂度较高，难以适应具备海量特性的遥感影像，对于快速分割的需求也是无法满足。
[0004] 在超像素分割结束后，因为图像噪声以及算法本身缺陷往往会产生明显的过分割 现象。因此，本领域提出构建区域连接图（RAG)，再根据连接区域的光谱、纹理等信息进行合 并以减少过分割的区域合并方法，这其实就是基于图论的分割方法在超像素上的应用。实 际分割中要取得好的分割效果与效率，有两个问题是无法回避的，一是合并的策略，即如何 提高合并的速率;二是合并的距离，即相邻区域在什么样的条件下进行区域合并，前者是为 了更快地完成区域合并，后者是为了更好地完成合并。在遥感减灾的快速评估环节，合并速 率是关键，即应在满足一定的合并准则下尽可能地提高合并速率。
[0005] 然而，上述分割技术在应用上仍存在一些问题。以分水岭分割为例:分水岭分割所 采用的梯度图像一般是由传统的灰度梯度计算方法得到，其并未很好地利用遥感影像多波 段的光谱信息；传统的浸没法分水岭分割不能控制浸没的速度，也不能排除噪声所带来的 伪极值点的干扰。另外，上述所有的分割算法存在一个共同的问题，即无法处理具有海量数 据的遥感影像。这是因为，上述所有分割算法需要将海量遥感影像数据一次性调入内存并 进行分析与处理，这就使得当遥感影像的数据量过大时，这些分割算法可能会出现异常，而 且分割的速度会骤然降低，并给海量数据(如整景的融合数据)的快速处理带来困难。
【发明内容】
[0006] 本发明的目的是提供一种高分辨率遥感影像快速分割方法，其能够快速分割具有 海量数据的遥感影像，并能够有效地减小过分割。
[0007] 为了实现上述目的，本发明提供一种高分辨率遥感影像分割方法，该方法包括:步 骤S1、读取高分辨率遥感影像;步骤S2、计算所读取的高分辨率遥感影像的多波段形态学梯 度，从而得到由所述多波段形态学梯度构成的多波段形态学梯度图像;步骤S3、对所述多波 段形态学梯度图像进行形态学重建，以得到形态学重建后的梯度图像;步骤S4、对形态学重 建后的梯度图像进行分水岭分割以得到分水岭分割后的图像；以及步骤S5、对分水岭分割 后的图像进行区域合并。
[0008] 通过上述技术方案，由于其可计算高分辨率遥感影像的多波段形态学梯度，因此 能够更好地利用多波段遥感影像的光谱信息;形态学重建时能够有效地消除部分局部极小 值点，进而能够加快后续分水岭分割的速度，并有效地减小过分割。
[0009] 本发明的其它特征和优点将在随后的【具体实施方式】部分予以详细说明。
【附图说明】
[0010]附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具 体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
[0011]图1是根据本发明一种实施方式的高分辨率遥感影像快速分割方法的流程图；
[0012] 图2示出了浸没分水岭分割的原理示意图；
[0013] 图3a为浸没分水岭分割结果示意图；
[0014]图3b为针对图3a建立的区域邻接图；
[0015]图4a_4c示出了采用均分方法进行的分块分割方法的示意图；
[0016]图4d_4g示出了本发明中所采用的分块分割方法的示意图；
[0017] 图5示出了根据本发明一种实施方式的分块分割中的缓冲区的示意图；
[0018] 图6示出了根据本发明一种实施方式的分块分割中合并缓冲区的示意图；以及
[0019] 图7a_7g;^；出 了米用现有的Graph-Based方法、Turbo pixels(TP)方法、Meanshift (EDI SON)方法、传统分水岭方法、SLIC方法、SEEDS方法以及根据本发明的快速分割方法得 到的分割结果对比示意图。
【具体实施方式】
[0020] 以下结合附图对本发明的【具体实施方式】进行详细说明。应当理解的是，此处所描 述的【具体实施方式】仅用于说明和解释本发明，并不用于限制本发明。
[0021 ]本发明提供一种高分辨率遥感影像快速分割方法，如图1所示，该方法可以至少包 括步骤S1至S5。
[0022]步骤S1、读取高分辨率遥感影像。
[0023] 步骤S2、计算所读取的高分辨率遥感影像的多波段形态学梯度，从而得到由所述 多波段形态学梯度构成的多波段形态学梯度图像。
[0024] 优选地，在步骤S2中，计算所读取的高分辨率遥感影像的多波段形态学梯度可以 包括：
[0025] 步骤S21、选择适当大小的结构元素作为滑动窗口B。其中，滑动窗口B的大小和形 状可以根据实际应用需求来设定，以便尽可能地保留更多的边缘信息。例如，可以选择3*3 像素大小的矩形作为滑动窗口 B。再例如，还可以选择具有预定像素数量的六边形作为滑动 窗口 B。以上滑动窗口 B的大小和形状仅是示例，不构成对本发明保护范围的限制。
[0026] 步骤S22、计算所述滑动窗口 B中的所有像素在各个波段上的光谱平均值;对于每 一波段，逐一计算所述滑动窗口 B中的所有像素与所述光谱平均值之间的多波段欧式距离； 将计算得到的多波段欧式距离中的最大多波段欧式距离值和最小多波段欧式距离值赋予 所述滑动窗口 B中的中心像素，并依据该最大多波段欧式距离值和最小多波段欧式距离值 来分别计算该中心像素的膨胀向量和腐蚀向量；以及计算所述中心像素的膨胀向量与腐蚀 向量之间的多波段欧式距离以得到多波段形态学梯度。这里所述的中心像素指的是位于滑 动窗口B的中心位置处的像素。这里所谓的多波段是以颜色空间为基础的，例如三波段可以 指代R(红）、G(绿)和B(蓝)波段。以下举例描述步骤S22。若所读取的高分辨率遥感影像是二 维影像，则可以将该高分辨率遥感影像看作二维函数f，其中该遥感影像上的每一点可由坐 标(x，y)确定，而函数f(x，y)则是一个多维向量且其维数与遥感影像的波段数相同，函数f (x，y)的值为遥感影像在对应波段中的光谱值。然后，计算所述滑动窗口 B中的所有像素在 各个波段上的像素光谱平均值(该像素光谱平均值也是一个向量），从而得到所读取的高分 辨率遥感影像的像素光谱平均值图像f me3an。接下来，对于每一波段，逐一计算所述滑动窗口 B中的所有像素与像素光谱平均值之间的多波段欧式距离。然后，将计算得到的多波段欧式 距离中的最大多波段欧式距离值和最小多波段欧式距离值赋予所述滑动窗口 B中的中心像 素，并依据该最大多波段欧式距离值和最小多波段欧式距离值来分别计算该中心像素的膨 胀向量和腐蚀向量，这样，当所读取的高分辨率遥感影像中的每个像素均被作为中心像素 进行计算之后（也即执行了下述步骤S23之后），就能够得到由膨胀向量组成的膨胀图像 fdilate以及由腐蚀向量组成的腐蚀图像ferode。最后，计算该滑动窗口 B中的中心像素的膨胀 向量与腐蚀向量之间的多波段欧式距离以得到多波段形态学梯度，这样，当所读取的高分 辨率遥感影像中的每个像素均被作为中心像素进行计算之后(也即执行了下述步骤S23之 后），就能够得到由多波段形态学梯度构成的多波段形态学梯度图像G(f)。
[0027] 步骤S23、以预定步长移动所述滑动窗口 B，并返回步骤S22。例如，可以按照自左向 右、自上