一种新的高分辨率遥感影像的最优分割尺度自动选择方法与流程

技术特征：

1.一种新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，包括以下步骤：

输入：影像下的图D＝(V,E,W)，其中V、E和W分别代表了图D的顶点集、边集和相似度矩阵；

输出：最优尺度分割的影像、全部尺度分割参数；

步骤1、利用分水岭方法得到过分割的影像，作为最细粒度的分割影像D0；

步骤2、提取上述影像中对象的光谱、颜色、纹理的特征值；

步骤3、使用期望最大化EM算法估计GMM参数

步骤4、For 1＝L to 0，执行步骤3-4：

1)在第l层MRF模型中，计算对象消息在MRF节点之间进行迭代传递，直至全局概率收敛，即

$|P_D^{\left(t\right)}(X,Y)-P_D^{(t-1)}(X,Y)|\<\mathrm{\ϵ}$

2)利用MAP准则，得到聚类对象标号的估计值：

$y_{\mathrm{\ω}}^{MAP}={\arg }_y{\mathrm{maxB}}_{\mathrm{\ω}}^{\left(l\right)}\left(y_{\mathrm{\ω}}\right);$

步骤5、在MRF模型的最精细层，运行标准置信传播BP算法，利用BP算法更新公式和置信度计算公式b_i(y_i)＝kφ_i(y_i)∏_j∈N(i)m_ji(y_i)进行迭代，直到收敛，然后根据MAP准则，逐像素估计标号值:

$y_i^{MAP}={\arg }_y{\mathrm{maxb}}_i^{\left(l\right)}\left(y_i\right);$

步骤6、计算层次间的节点对象的后验边缘概率，取其中的最大值，确定最优分割尺度。

2.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，步骤1中离散域分水岭变换用如下迭代方式进行定义：

$\left\{\begin{array}{c}{X}_{h_{\min }}=\{p\∈D|f\left(p\right)=h_{\min }\}=T_{h_{\min }}\\ X_{h+1}={\mathrm{MIN}}_{h+1}\∪{\mathrm{IZ}}_{T_{h+1}}\left(X_h\right),h\∈\[h_{\min },h_{\max })\end{array}\right.$

分水线记作为：

$Wshed\left(f\right)=D\backslash X_{h_{max}}$

影像模拟为一个地表结构，通过分水岭方法来给影像进行标注，使相同的聚水区对应的像素有一致的标识，从而达到影像初始分割的目的；最后，像素聚集的区域是同质和均一的，得到影像是最细粒度的影像D0。

3.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，步骤2中计算影像D0中各个对象的亮度均值均方差；

计算影像D0中各个对象的颜色特征值；

使用二维高斯核函数，计算不同方向的对象能量，通过高斯差分滤波器

$g\left(t\right)=\frac{A}{\sqrt{2{\mathrm{\π\σ}}_1^2}}{e}^{-t^2/2{\mathrm{\σ}}_1^2}-\frac{B}{\sqrt{2{\mathrm{\π\σ}}_2^2}}{e}^{-t^2/2{\mathrm{\σ}}_2^2}$

计算对象的纹理特征值。

4.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，步骤3中使用期望最大化EM算法估计GMM参数EM算法分为两步：

i)计算联合似然概率的期望

E[logP(x,y|θ)|y,θ^l]＝∑P(x|y,θ^l)·logP(x,y|θ)

ii)迭代计算新的参数值θ＝arg max_θE[logP(x,y|θ)|y,θ^l]，执行只止收敛。

5.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，步骤4中第l层，多尺度BP算法消息迭代公式为

$M_{{\mathrm{\ω}}^{\′}}^{\left(l\right)}\left(y_{{\mathrm{\ω}}^{\′}}\right)\←\mathrm{\κ}\underset{\left(ij\right)\∈\mathrm{\ω}}{\Σ}{\mathrm{\ψ}}_{ij}^{\left(l\right)}(y_i,y_j){\mathrm{\φ}}_i^{\left(l\right)}\left(y_i\right)\underset{k\∈N\left(\mathrm{\ω}\right)\backslash {\mathrm{\ω}}^{\′}}{\Π}{M}_{{\mathrm{\ω}}^{\′}}^{(l-1)}\left(y_{\mathrm{\ω}}\right)$

相应的置信度更新公式：

6.根据权利要求1所述的新的高分辨率遥感影像的最优分割尺度自动选择方法，其特征在于，步骤5中，构建多尺度MRF模型:

$P(X,Y)=\frac{1}{Z}\underset{i}{\Π}{\mathrm{\φ}}_i(x_i,y_i)\underset{ij}{\Π}{\mathrm{\ψ}}_{ij}(y_i,y_j)$

φ_i(x_i,y_i)表示观察节点i取标号y_i的条件概率，采用高斯混合模型进行建模，即

${\mathrm{\φ}}_i(x_i,y_i)=\ln P\left(x_i\right|y_i,\mathrm{\θ})=\ln \left\{\frac{1}{\sqrt{2{\mathrm{\π\σ}}_l^2}}\exp \right\{-\frac{(y_i-{\mathrm{\μ}}_l)}{2{\mathrm{\σ}}_l^2}\left\}\right\}=-\frac{{(y_i-{\mathrm{\μ}}_l)}^2}{2{\mathrm{\σ}}_l^2}-\ln \sqrt{2{\mathrm{\π\σ}}_l^2}$

式中其中μ_l、分别为GMM的第l类均值和方差；

ψ_ij(y_i,y_j)为成对对象(ij)之间的状态转移矩阵，本文定义ψ_ij(y_i,y_j)为一个Potts模型，即

${\mathrm{\ψ}}_{ij}(y_i,y_i)=\left\{\begin{array}{cc}0& y_i=y_j\\ \mathrm{\β}& y_i\≠y_j\end{array}\right.$

β为大于0的参数。