专利名称：遥感图像分割方法及遥感图像检索方法
技术领域：
本发明涉及遥感图像检索方法，尤其涉及一种基于图像语义区域精确分割的遥感图像检索方法，属于遥感图像处理技术领域。
背景技术：
随着卫星遥感技术的发展，海量遥感图像的快速查询成为急需解决的课题。基于内容的遥感图像检索方法使遥感图像的快速、准确查询成为可能。基于内容的遥感图像检索系统按照一定的分块策略将图像分成一系列子块，并根据子块的视觉特征之间的匹配来完成图像的检索。但是，在基于内容的遥感图像检索中，常用的分块策略将遥感图像分成一系列固定大小的子块，破坏了图像中隐含目标的语义完整性。由于受分块策略及遥感图像自身特点的影响，基于内容的检索技术对遥感图像中的小目标区域还不能有效地进行检索。而基于区域的检索技术试图从语义层次上理解和检索图像，可以有效解决基于内容的检索方法中存在的问题。基于区域的图像检索方法借助特定的分割技术把图像分成一系列的子区域，每个区域对应着特定的语义内容，通过提取颜色、纹理、形状等特征进行区域表示，并利用图像的区域匹配来完成图像的检索。近年来，已有研究者采用基于区域的方法对遥感图像进行分析，如 Gigandet 等人[X. Gigandet, M. Bach Cuadra, A. Pointet. Region-based satellite image classification :method and validation [C]. Proceedings of International Conference on Image Processing, ν 3, ρ :832-835, 2005.]提出的一种结合无监督分割和有监督分类方法的高分辨率遥感图像分类法。该方法先借助多光谱数据、局部空间信息及高斯隐马尔科夫模型完成图像的分割，然后分别利用已分割区域的亮度、纹理及形状特征对Mahalanobis距离分类器和SVM进行训练，并利用训练好的分类器实现遥感图像的分类。Parulekar等人[Ashish Parulekar, Ritendra Datta, Jia Li,James Z. Wang. Large-scale satellite image browsing using automatic semantic categorization and content-based retrieval[C]. Proceedings of the tenth International Conference on Computer Vision Workshops, ρ :1873-1880, 2005.]通过在遥感图像检索先对图像区域进行语义分类处理，再根据区域的语义分类结果，采用综合区域匹配法来进行像检索，有效提高了检索性能。在基于区域的图像检索中，图像分割和区域匹配是关键步骤，也是难点问题。图像语义区域的精确分割至今仍是计算机视觉领域一个公开的难题。国内外学者提出了很多图像分割方法用于RB^系统，如基于统计分析的分割方法，基于聚类的方法， JSEG 等。Ko 等人[ByoungChul Ko, Hyeran Byun. FRIP -.a region-based image retrieval tool using automatic image segmentation and stepwise Boolean and matching[J]. IEEE transactions on multimedia, Vol. 7，No. 1，ρ :105-113, Feb 2005.]提出了一种基于自适应循环滤波和贝叶斯理论的两级分割方法，该方法根据纹理信息的数量选择合适的滤波器进行自适应循环滤波，然后通过区域标记和区域合并来防止语义不同的区域之间的合并，从而完成图像分割。Chen 等人[Yixin Chen, James Ζ. Wang. Aregion-based fuzzyfeature matching approach to content-based image retrieval[J]. IEEE transactions on pattern analysis and machine intelligence, Vol. 24, No. 9, ρ 1252-1267, Sep 2002.]利用K-均值算法对特征向量集进行聚类，使每一类分别对应着分割图像中的一个区域，从而完成图像的分割。JSEG也是RBIR中常用的分割算法[Deng Y.，Manjunath, B.， Shin, H. Color image segmentation[C]. Proceedings of International conference on computer vision and pattern recognition, Vol. 2，ρ :446-451，1999·]，该方法首先将图像中的颜色进行量化用于区分不同的区域，并将图像中像素的颜色用对应的颜色类别标签来替代，从而生成图像的类别映射(class-map)，然后根据J准则和类别映射生成所谓的 J-图像，该图像中取值较大和较小的数值分别对应着图像中可能的边界和中心，最后利用区域生长的方法来完成图像的分割。上述方法对于图像分割的研究主要侧重于分割算法本身，却忽略了分割过程中所用特征的重要性。图像分割是基于区域的图像检索中的关键部分。遥感图像的分割方法主要有基于分水岭的分割、基于数学形态学的分割、基于边缘的分割、基于统计学的分割等，其中使用较多的是基于统计学的分割方法。基于统计学的分割可以分为有监督分割和无监督分割两大类，有监督方法有支持向量机、水平集等，无监督方法有均值漂移方法、模糊C均值聚类等。由于遥感图像存在“小样本”问题，即只有很少的示例样本，因此遥感图像中使用较多的是无监督方法。聚类算法中常用的是模糊C均值聚类法，该方法具有良好的分割效果，但是对于大数据量的遥感图像分割问题，由于该算法最终归结为求解非凸优化问题的迭代算法，时间复杂度较高，且易受初始聚类中心的影响。因此，基于均值漂移(Mean Shift)的分割方法用于遥感图像分割是一个较好的选择，该方法不受数据分布模型及初始聚类数目的影响，具有较好的收敛性及鲁棒性。均值漂移算法是一种基于核密度估计的无参快速模式匹配算法。1975年 Fukunaga和Hostetler在研究核函数的密度梯度估计时提出了均值移动算法的原型，但并未得到学术界的注意。直到1995年Y. cheng成功将此算法扩展至计算机视觉领域才引起了广泛的关注。均值漂移算法是一个迭代过程，先对当前点算出偏移均值，根据偏移均值将其移动到新的位置，然后以此为新的起始点继续移动，直到满足一定的终止条件。计算偏移均值时，可以通过定义一族核函数，使得随着样本与被偏移点距离的不同，其偏移量对均值偏移向量的贡献也不同。假设X是d维欧氏空间中的总体，{Xi，1彡i ( η}是来自总体X的独立同分布样
本集，K(X)为核函数，h为核半径带宽，则概率密度函数f(x)的核函数估计为
权利要求
1.一种遥感图像分割方法，该方法首先对图像中每一个像素点进行均值漂移滤波处理，直至找到其收敛点，并根据收敛点的类别信息对像素点进行标识；然后利用图像的模式点进行区域合并，去除包含像素点少于一预先设定的阈值Nmin的类别，从而得到分割后的图像，其特征在于，在进行均值漂移滤波时，所需的初始特征向量是根据颜色特征、纹理特征及像素点的位置信息生成，具体按照以下公式f = [hsx，hsy, wchrfcl, wchrfc2, wchrfc3, wthrftl, wthrft2, · · ·，wthrft8]T,式中，f为初始特征向量；w。和Wt分别为像素点的颜色特征、纹理特征权重系数；hs表示空间域的窗直径；hr表示值域的窗直径；X和y表示像素点的位置坐标；f。i，i = 1，2，3表示像素点的颜色特征数据；ftj，j = 1,2, L L，8表示像素点的纹理特征数据。
2.如权利要求1所述遥感图像分割方法，其特征在于，所述颜色特征、纹理特征的权重按照以下方法确定Al、根据用户提供的示例样本对图像进行分块，并分别提取出各子块的颜色特征和纹理特征；A2、根据最小描述长度准则确定颜色特征和纹理特征的聚类数目；A3、分别利用颜色特征和纹理特征对子块进行聚类分析，并根据下式获得各特征所对应的聚类有效性指数，
3.如权利要求2所述遥感图像分割方法，其特征在于，所述颜色特征为Lab颜色特征， 纹理特征为Gabor纹理特征。
4.如权利要求3所述遥感图像分割方法，其特征在于，所述阈值Tht和Th。的取值分别为 3. O 和 2. O。
5.如权利要求2所述遥感图像分割方法，其特征在于，所述对图像进行分块采取重叠分块策略，具体为每块大小为，width = min (128，样本图像width)，height = min (128，样本图像height)，块与块之间重叠width/2*height/2像素。
6.一种遥感图像检索方法，首先对待检索遥感图像进行图像分割，然后将图像分割后的同质区域与给定的示例区域进行区域匹配，其特征在于，所述对待检索遥感图像进行图像分割使用如权利要求1-5任一项所述遥感图像分割方法。
7.如权利要求6所述遥感图像检索方法，其特征在于，所述将图像分割后的同质区域与给定的示例区域进行区域匹配，具体按照以下步骤Bi、根据分割后同质区域中像素点的特征向量的收敛值来进行区域表示，具体为如某一同质区域中的像素点的特征向量均收敛于向量[W1I1, Wlfc2, W1^3, w2ftl, w2ft2, ... , w2ft8] T，则该区域用该向量表示；其中f。i，i = 1，2，3表示像素点的颜色特征数据；ftj，j = 1,2, L L，8表示像素点的纹理特征数据；Wl和W2分别为图像分割过程中颜色特征和纹理特征的权重系数；B2、根据示例样本中最频繁出现的模式所对应的特征向量的收敛值来对示例样本进行区域表示，具体为若示例区域所包含的模式集合为Im1, m2，. . .，mn}，则通过统计示例样本中各种模式的出现频率，找出最频繁出现的模式，利用该模式所对应的特征向量的收敛值来对示例样本进行区域表示，此时示例样本可以表示为[W1P el，Wlf'。2，Wlf' c3,w2f' tl， w2f' t2. , w2f' t8]T;其中f'…i = 1，2，3表示像素点的颜色特征数据；f' tJ, j = 1,2, L L，8表示像素点的纹理特征数据；Wl和W2分别为图像分割过程中颜色特征和纹理特征的权重系数；B3、按照下式分别计算各分割区域的特征向量的收敛值与示例样本的特征向量的收敛值之间的加权距离d
8.如权利要求7所述遥感图像检索方法，其特征在于，所述颜色特征和纹理特征的距离权重按照以下方法确定Cl、根据用户提供的示例样本对图像进行分块，并分别提取出各子块的颜色特征和纹理特征；C2、根据最小描述长度准则确定颜色特征和纹理特征的聚类数目；C3、分别利用颜色特征和纹理特征对子块进行聚类分析，并根据下式获得各特征所对应的聚类有效性指数，
全文摘要
本发明涉及一种遥感图像分割方法，属于遥感图像处理技术领域。本发明根据颜色特征、纹理特征及像素点的位置信息生成的特征向量，作为初始输入向量，利用均值漂移滤波进行遥感图像的分割，并进一步利用构造的聚类有效性指数自适应地确定颜色特征和纹理特征的权重，有效提高了遥感图像分割的精度。本发明还公开了一种采用本发明的遥感图像分割方法的遥感图像检索方法，并进一步采用了一种新的区域表示与匹配方法来完成遥感图像的检索。相比现有技术，本发明具有更好的检索精度，尤其对于小目标区域的检索具有更好的效果。
文档编号G06T5/00GK102254303SQ20111015707
公开日2011年11月23日 申请日期2011年6月13日 优先权日2011年6月13日
发明者万定生, 余宇峰, 冯钧, 朱佳丽, 朱跃龙, 李士进, 王继民 申请人:河海大学