一种高分辨率影像灾害对象快速分割方法与流程

本发明涉及图像处理领域，特别是涉及一种高分辨率影像灾害对象快速分割方法。

背景技术：

每年都会发生很多自然灾害，在灾害发生后，要在短时间内确定灾害中每一地块的受灾程度和受灾面积，因此，需要利用图像分割快速确定灾害对象。

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。

技术实现要素：

本发明主要解决的技术问题是提供一种高分辨率影像灾害对象快速分割方法，能够提高影像分割效率。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种高分辨率影像灾害对象快速分割方法，包括以下步骤：包括以下步骤：s1：获取高分辨率影像；s2：计算所读取的高分辨率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；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；s4：将所述梯度图像按照预定比例分割为四个图像块；s5：计算每个图像块的灰度标准方差，判断每个图像块的灰度标准方差是否大于预定阈值；s6：如果大于预定阈值，则将相应的图像块按照预定比例再次分割为四个图像块，并重复进行步骤s5，直至小于或等于预定阈值；如果小于或等于预定阈值，则输出分割后的梯度图像；s7：根据灾害特征参数反演得到的表征灾害特征的特征参数对分割后的梯度图像进行边界识别提取，识别出灾害对象，输出灾害对象信息。

其中，所述预定比例为1:1:1:1。

其中，所述表征灾害特征的特征参数包括植被指数、水体指数、干旱指数。

其中，所述计算所读取的高分辨率遥感影像的多波段形态学梯度的步骤具体包括：步骤s21：选择预定大小的结构元素作为滑动窗口；步骤s22：计算所述滑动窗口中的所有像素在各个波段上的光谱平均值；步骤s23：对于每一波段，逐一计算所述滑动窗口中的所有像素与所述光谱平均值之间的多波段欧式距离；步骤s24：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；步骤s25：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；步骤s26：以预定步长移动所述滑动窗口，并重复进行步骤s22-s25，直至所述高分辨率影像的所有像素均被所述滑动窗口覆盖。

其中，所述对所述多波段形态学梯度图像进行形态学重建的步骤具体包括：对所述多波段形态学梯度图像进行形态学膨胀；逐像素地将形态学膨胀后的梯度图像的梯度值增加预设浸没步长的大小；进行测地腐蚀重建，以得到形态学重建后的梯度图像。

本发明的有益效果是：区别于现有技术的情况，本发明通过计算高分辨率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，并对重建后的梯度图像进行四叉树分割，从而能够提高影像分割效率。

附图说明

图1是本发明实施例喀斯特区域滑坡灾害风险动态评估方法的流程图。

图2是图1中步骤s2的具体流程图。

图3是图1中步骤s3的具体流程图。

图4是原始图像与采用本方法得到的分割后的梯度图像的对比图。

具体实施例

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1，是本发明实施例高分辨率影像灾害对象快速分割方法的流程图。本方法包括以下步骤：

s1：获取高分辨率影像。

s2：计算所读取的高分辨率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。

在本实施例中，如图2所示，步骤s2具体包括：

s21：选择预定大小的结构元素作为滑动窗口。其中，滑动窗口的尺寸设定应当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、或者选择具有预定像素数量的六边形作为滑动窗口。

s22：计算滑动窗口中的所有像素在各个波段上的光谱平均值。其中，这里的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。

s23：对于每一波段，逐一计算滑动窗口中的所有像素与光谱平均值之间的多波段欧式距离。

s24：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滑动窗口中的中心像素，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。其中，这里的中心像素指的是位于滑动窗口的中心位置处的像素。

s25：计算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；

s26：以预定步长移动滑动窗口，并重复进行步骤s22-s25，直至高分辨率影像的所有像素均被滑动窗口覆盖。其中，可以按照自左向右、自上向下的方向或者其他方向、以例如一个像素大小为步长来不断移动滑动窗口。

s3：对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。

其中，在得到多波段形态学梯度图像之后，由于噪声以及影像中物体表面细微灰度变化的影响，会产生部分“伪极值点”(通常情况下，如果不对这些伪极值点进行处理的话，伪极值点的数量会很多)，因此，若直接进行后续步骤s4中的分割将会导致严重的过分割现象。因此，在本实施例中，对多波段形态学梯度图像进行形态学重建的步骤可以具体包括：

s31：对多波段形态学梯度图像进行形态学膨胀。进行形态学膨胀后，可以消除部分局部极小值点。

s32：逐像素地将形态学膨胀后的梯度图像的梯度值增加预设浸没步长的大小。

s33：进行测地腐蚀重建，以得到形态学重建后的梯度图像。其中，测地腐蚀重建能够进一步消除局部极小值点。另外，这里所谓的预设浸没步长，其实就是梯度下降的速度，它反映了遥感影像的对比度变化。通过控制预设浸没步长的大小，可以再次过滤梯度差小于预设浸没步长的极小值点，这样，不仅再次减少了局部极小值点以进而减轻过分割现象，同时还引入了量化标准，使得能够很好地控制后续步骤s4及西宁分割时所生成的区域(也即超像素或“积水盆”)的数目。

s4：将梯度图像按照预定比例分割为四个图像块。

s5：计算每个图像块的灰度标准方差，判断每个图像块的灰度标准方差是否大于预定阈值。

其中，预定阈值为经验值，可以根据实际需要设定。该预定阈值不宜设定过大，以免影响分割效果。

s6：如果大于预定阈值，则将相应的图像块按照预定比例再次分割为四个图像块，并重复进行步骤s5，直至小于或等于预定阈值；如果小于或等于预定阈值，则输出分割后的梯度图像。

其中，在本实施例中，预定比例为1:1:1:1，即4个图像块的大小均相同。经过分割后，每一图像块的灰度标准方差均小于或等于预定阈值，可以比较明显的突出地物特征。如图4所示，图4（a）为原始图像，图4（b）为分割后的梯度图像，从图4（b）可看出狭长的道路和大片的林地这些比较明显的地物特征基本上都被提取出来。

s7：根据灾害特征参数反演得到的表征灾害特征的特征参数对分割后的梯度图像进行边界识别提取，识别出灾害对象，输出灾害对象信息。

其中，表征灾害特征的特征参数包括但不限于植被指数、水体指数、干旱指数。

通过上述方式，本发明通过计算高分辨率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，并对重建后的梯度图像进行四叉树分割，从而能够提高影像分割效率。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。