一种基于谱间权重的遥感影像多尺度分割方法

本发明属于遥感影像分割领域，尤其涉及一种基于谱间权重的遥感影像多尺度分割方法。

背景技术：

1、随着对地观测技术的快速发展，高分辨率遥感影像层出不穷。这些高分辨率遥感影像具有明显的光谱特征、丰富的纹理结构，能够清晰的识别地物，在自然资源管理、灾害监测等领域发挥了重要的作用。基于像元的分类方法在处理高分辨率遥感影像时，忽略了相邻像素间的空间关系，易产生“椒盐”现象，造成错误分类。因此，面向对象影像分析方法(object-based image analysis,obia)应运而生，并成为高分辨率遥感影像分类的主流方法。影像分割是obia的重要步骤，决定着影像分类的精度。目前，obia大多采用分形网络演化算法(fractal net evolution approach,fnea)实现影像多尺度分割。在多尺度分割中，不合适的分割尺度会导致过分割或欠分割现象，降低高分辨率遥感影像分类的精度。因此，尺度问题仍是多尺度分割的核心内容。

2、目前，诸多学者通过多种方法解决尺度估计问题。刘勇等依据参考数据与分割结果的重叠、过分割和欠分割现象，提出了潜在分割误差、分割比率和欧几里德距离2三种相似性度量，用于确定最优分割尺度。witharana等通过测量欧几里得2差异来区分不同分割块，并提出了欧几里得2接近于零时即为最佳分割尺度的理论。yang等通过多波段光谱角度计算不同尺度情况下对象的光谱均匀性，判定与参考数据相匹配的尺度为最优分割尺度。采用快鸟和worldview2遥感影像验证该算法，取得了一定的效果。johnson等通过区域加权方差与莫兰指数两个指标确定最优分割尺度。该算法采用多尺度分割的方式在一系列均匀变化的尺度上分割，随后计算其区域加权方差与莫兰指数两个指标，选择指标得分最好的分割尺度作为全局最优分割尺度。woodcock等提出的局部方差与其变化率图被广泛的用于分割尺度的估计。yang等计算一系列均匀变化的不同窗口下的局部方差，计算每个窗口的平均局部方差,当两个计算窗口平均局部方差相差小于0.01时，该窗口为最优分割尺度。ming等以均值漂移算法为例，在不考虑地物各向异性的前提下，采用平均局部方差实现空间分割参数的最优估计。马燕妮深入分析分析多尺度分割与影像谱空间特征的关系，采用包含平均局部方差、影像直方图的谱空间统计法实现多尺度分割中尺度参数最优估计。

3、为提升分割精度，xiao等提出一种非监督跨尺度的优化算法，有效的解决了城市绿地分割中的欠分割与过分割现象。楚森森等提出一种融合边界信息的高分辨率遥感影像分割优化算法有效提高了分割精度。洪亮等人首先采用局部方差法确定全局最优分割尺度。之后，采用局部莫兰指数和对象方差检测过分割与欠分割现象，并对其进行优化处理。最后，融合全局最优分割结果和局部最优分割结果。该方法有效提升了分割精度。针对由不同地类尺度特性引发的过分割与欠分割问题，myint等引入土地覆盖信息，在不同的地类上选择分割尺度实现影像分割，提升分割精度。

4、综合来看，平均局部方差法是目前较为流行的尺度估计方法，上述改进算法有效提升了分割精度。然而，由于遥感影像含有多个光谱分量，不同光谱分量间含有的影像信息不同，以计算光谱分量平均值的方法估计尺度或实现分割，难以实现最优分割。因此，本发明提出一种基于谱间权重的遥感影像多尺度分割方法，实现分割尺度精准估计，分割精度有效提升。

技术实现思路

1、针对上述技术问题，本发明的目的在于克服已有技术的不足之处，提出一种基于谱间权重的遥感影像多尺度分割方法。首先，采用多尺度分割算法对降采样后影像进行分割，生产欠分割对象；之后，计算各光谱分量影像信息熵，确定各光谱分量参与尺度估计及多尺度分割的权重，采用“谱间加权”改进平均局部方差法，确定各块的分割尺度；最后，以初始分割对象为分割范围，采用“谱间加权”多尺度分割优化算法实现各块影像分割，合并各块分割结果，完成影像分割。具体包括遥感影像预处理、欠分割对象生产、谱间权重估计、基于“谱间权重”的分割尺度估计、基于“谱间权重”的多尺度分割、分割结果合并、精度验证。该方法的优点是引入影像信息熵计算“谱间权重”，基于“谱间权重”改进平均局部方差法实现分割尺度精准估计，基于“谱间权重”改进多尺度分割算法，提升遥感影像的分割精度。

2、为实现上述功能，本发明提供了一种基于谱间权重的遥感影像多尺度分割方法，包括以下步骤：

3、s1：遥感影像预处理：主要包括辐射定标、大气校正、正射校正、图像配准、图像裁剪；

4、s2：欠分割对象生产：采用降采样影像与全局尺度估计的方法实现欠分割对象生产；

5、s3：谱间权重估计：计算实验影像每个光谱分量的影像信息熵，根据影像信息熵确定各光谱分量的贡献度；

6、s4：基于“谱间加权”的分割尺度估计：以步骤s1中的欠分割对象为初始分割范围，逐对象采用步骤s3中确定的“谱间权重”，改进平均局部方差的尺度估计方法，实现分割尺度精准估计；

7、s5：基于“谱间加权”的多尺度分割：以步骤s1中的欠分割对象为初始分割范围，逐对象采用步骤s3中确定的“谱间权重”，改进影像分割方法，采用步骤s4中确定的分割尺度分割影像，实现影像分割精度的提升；

8、s6：分割结果合并：将s5步骤中的所有区域分割结果进行合并，完成影像分割；

9、s7：精度验证：在分割区域内随机生成一定数量精度验证点，根据分割块获取精度验证点的影像分割块属性，目视判定精度判断点应属于本分割块还是相邻分割块，根据精度验证点计算混淆矩阵与总体分割精度评价影像分割结果。

10、进一步的，步骤s1遥感影像预处理主要包括以下步骤：

11、(1)辐射定标是将图像的亮度灰度值转换为绝对的辐射亮度，用于计算地物的光谱反射率或光谱辐射亮度，该过程为辐射定标；

12、(2)大气校正是采用大气校正模型消除由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程；

13、(3)正射校正是指采用控制数据，利用数字高程模型(dem)，对影像进行倾斜改正和投影差改正，将影像重采样成正射影像；

14、(4)影像配准是指采用地面控制点或其他控制数据为遥感影像指定空间位置和坐标系的过程；

15、(5)图像裁剪是采用研究范围裁剪遥感影像，提取遥感影像中研究区域影像的过程。

16、进一步的，步骤s2欠分割对象生产主要包括以下步骤：

17、(1)以半尺度大小降采样影像，全尺寸影像的宽度和高度是半尺寸影像的两倍，全尺寸影像缩小至一半；

18、(2)采用平均局部方差的尺度估计方法估计降采样后影像的分割尺度；

19、(3)采用多尺度分割方法在(2)中确定的分割尺度条件下分割影像，生产欠分割对象。

20、进一步的，步骤s3谱间权重估计主要包括以下步骤：

21、(1)逐对象计算影像信息熵；

22、影像信息熵的计算公式为：

23、

24、式中：

25、

26、对于影像的某一光谱分量，i为影像行号，j为影像列号，m为影像行方向尺寸，n为影像列方向尺寸，f(i，j)为行列号为(i，j)处的灰度值；

27、(2)逐对象计算谱间权重；

28、谱间权重计算公式为：

29、

30、式中，iswa为某光谱分量谱间权重，ha为光谱分量为a的影像信息熵，l为光谱分量数量。

31、进一步的，步骤s4基于“谱间加权”的分割尺度估计主要包括以下步骤：

32、(1)确定3x 3窗口，计算窗口内局部方差值；

33、局部方差计算公式如下：

34、

35、式中：n为窗口尺寸大小，i，j为局部窗口行列号，f(i，j)为第i行j列灰值，f为该窗口灰度平均值，lv(i，j)即该窗口中心像素对应的局部方差值，反应该窗口像元灰度值的离散程度；

36、(2)逐对象逐像素计算各窗口内局部方差值，求取对象平均局部方差；

37、平均局部方差计算公式为：

38、

39、式中，m为影像行方向尺寸，n为影像列方向尺寸，lv为该影像某光谱分量的平均局部方差；

40、(3)采用光谱权重逐对象计算加权后平均局部方差；

41、基于光谱权重的平均局部方差计算公式为：

42、

43、式中，ssp为分割尺度参数，haum为所有影像光谱分量信息熵之和，lva为第a个光谱分量平均局部方差；

44、(4)逐渐增加计算窗口，重复本步骤中的(1)与(2)计算各窗口平均局部方差，形成平均局部方差曲线图alv(average local variogram)；

45、(5)当对象平均局部方差的变化率阈值第一次出现小于0.01时，停止增加窗口大小，该窗口尺寸即为最佳分割尺度ds。

46、进一步的，步骤s5基于“谱间权重”的多尺度分割主要包括以下步骤：

47、(1)基于光谱信息将临近像元合并为同质对象；

48、(2)计算考虑形状特征、光谱特征的对象异质性，对比步骤s4中的尺度分割参数逐渐迭代合并对象，完成影像分割；

49、对象的异质性标准则是由对象的光谱异质性和形状异质性确定，计算公式为：

50、sp＝wcolor·δhcolor+wshape·δhshape  (6)

51、式中：δhcolor与δhshape分别代表了影像分割时颜色与形状的异质度，wcolo与wshape分别代表了影像分割时“颜色”和“形状”各自所占的权重，其中wcolor+wshape＝1；

52、光谱异质性定义为：

53、specturm＝nm·stdm-(n1·std1+n2·std2)  (7)

54、式中，nm为相邻对象合并后影像像素个数，stdm为相邻对象合并后的标准差。n1、n2是合并前相邻两个对象的像素个数。std1、std2是合并前相邻两个对象的标准差；

55、采用光谱分量信息熵计算光谱权重，提出“谱间加权”多尺度分割优化算法，下式为加权方法：

56、

57、式中，l为影像光谱分量数量，hsum为所有影像光谱分量信息熵之和，ha为第a个光谱分量信息熵，specturma为第a个光谱分量影像异质性，specturm为光谱异质性；

58、(3)若两个对象的颜色、形状综合计算的异质度小于设定阈值，则可合并；若大小设定阈值，则不可合并，以此特征循环，根据异质度不断迭代判断是否合并，直到不可合并为止。

59、进一步的，步骤s6合并分割结果主要包括以下步骤：

60、(1)确定s2中的某一对象覆盖范围为基准区域；

61、(2)复制除基准区域外的其他区域分割结果至基准区域，完成影像分割结果合并。

62、进一步的，步骤s7精度验证主要包括以下步骤：

63、(1)在分割区域内随机生成一定数量精度验证点，根据空间位置获取精度验证点的影像分割块属性；

64、(2)目视判定精度判断点应属于本分割块还是相邻分割块，根据精度验证点计算混淆矩阵与总体分割精度评价影像分割结果。

65、有益效果：一种基于谱间权重的遥感影像多尺度分割方法与现有技术相比，具有如下优势：

66、(1)本发明引入影像信息熵计算“谱间权重”，基于“谱间权重”改进平均局部方差法实现分割尺度精准估计；

67、(2)本发明引入影像信息熵计算“谱间权重”，基于“谱间权重”改进多尺度分割算法，提升遥感影像的分割精度。