一種面向高分辨率遙感圖像的分割方法與流程
本發明涉及智能信息處理領域，尤其是涉及一種面向高分辨率遙感圖像的分割方法。
背景技術：
高分辨率遙感圖像由于包含更加豐富的空間信息，近年來成為遙感技術研究的熱點之一，但其所包含的豐富信息也同時對于處理技術提出了更高的要求；由于不能充分利用其所富含的信息，傳統的單獨基于光譜的分割技術往往會出現異物同譜和同物異譜的現象，此外，傳統的分割方法在處理大規模增長的像素時往往會導致更長的訓練時間和更差的分割效果；目前，如何充分利用高分辨率遙感圖像的各種信息來達到滿意的分割效果，仍是一個具有挑戰性的研究課題。
技術實現要素：
為了解決上述問題，本發明提供一種面向高分辨率遙感圖像的分割方法，本發明集成了紋理、幾何和光譜空間信息中具有代表性的多種統計量，能夠更加全面的表征高分辨率遙感圖像所富含的信息，從而保證了圖像分割的精度更高。
本發明所采用的技術方案：一種面向高分辨率遙感圖像的分割方法，包含以下步驟，
S11：根據待處理遙感圖像的像素大小、紋理特征復雜度、幾何特征復雜度和光譜特征復雜度，將原始圖像劃分成M×N個正方形子圖{Pe|e＝1,2,...,M×N}，記集合A＝{1,2,...,M×N}；此處本領域技術人員劃分子圖的原則是，如果像素大小、紋理特征復雜度、幾何特征復雜度和光譜特征復雜度這四個參數的值越大，需要劃分出的子圖個數越多，具體劃分的個數應以本領域技術人員根據四個參數的值進行選定；
S12：提取每個子圖Pe的典型紋理特征，包括灰度熵對比度角度二階矩其中，m×m指的是子圖Pe的像素大小，p(i,j)指的是子圖Pe中像素對(i,j)和(i+a,j+b)出現在子圖Pe中的概率，本領域技術人員在選取像素差分值a,b時，可以根據圖像紋理細膩程度的高低而取不同的常數；
S13：提取每個子圖Pe的典型幾何特征，包括線段平均長度其中H指的是子圖Pe中檢測到的線段數量,(xis,yis),(xie,yie)指的是第i條線段起止點位置的坐標；線段長度熵其中NLEN(i)是在子圖Pe長度直方圖中長度位于第i個區間的線段個數；梯度幅值均值其中Gx(i,j)和Gy(i,j)分別是子圖Pe中像素對(i,j)和(i+a,j+b)的水平梯度和垂直梯度；
S14：提取每個子圖Pe的典型光譜特征，包括，像素值均值其中Xij指的是像素(i,j)的值；標準偏差
像素值的協方差矩陣
S15：將上述步驟中的多種特征進行融合，得到綜合特征向量Ve＝[α1ENTα2CONα3ENEα4LENMEANα5LENENTROPYα6GRADMEANα7PIXMEANα8PIXSTDα9PIXCOV]T，其中{αi|i＝1,2,...,9}是每種特征歸一化的權重系數,e＝1,2,...,M×N；再利用支持向量數據描述方法對綜合特征向量進行處理，通過對子圖的迭代聚類實現圖像分割；
本發明中，所述步驟S15中所利用的支持向量數據描述方法，主要包含以下步驟：
S21：引入滿足Mercer定理的非線性映射滿足其中核函數k(.,.)常用的形式有線性核函數，多項式核函數，徑向基核函數，Sigmoid核函數和復合核函數；
S22：在引入映射的核特征空間中求解以下二次規劃問題
s.t.0≤αe≤C,e＝1,2,...,M×N.
其中，C代表人為對聚類誤差的懲罰參數；求解出符合上述規劃要求的αe，其下標集合B所對應的子圖即為原始圖像中可以被聚為一類的子圖集合；計算聚類因子其中||.||為集合元素個數運算符；
S23：若聚類因子λ≥λmax，則意味著原始圖像分割結束；若λ＜λmax，令A＝A-B，轉向步驟S12，并進而迭代執行其后續步驟，其中λmax為聚類子圖比例上限閾值，控制著聚類過程的迭代次數和圖像分割的精細程度。
本發明的有益效果：本發明的方法中，集成了紋理、幾何和光譜空間信息中具有代表性的多種統計量，能夠更加全面的表征高分辨率遙感圖像所富含的信息，從而保證了圖像分割的精度更高；此外，分割圖像所使用的支持向量數據描述方法，可以保證能以較快的速度處理更高分辨率的遙感圖像，使特征融合更合理、圖像分割時間更短、分割精度更高。
附圖說明
圖1是本發明的整體流程圖。
具體實施方式
以下結合實施例對本發明的原理和特征進行詳細描述，所舉實施例僅用于描述本發明，并非用于限定本發明的范圍。
一種面向高分辨率遙感圖像的分割方法，包含以下步驟，
S11：根據待處理遙感圖像的像素大小、紋理特征復雜度、幾何特征復雜度和光譜特征復雜度，將原始圖像劃分成M×N個正方形子圖{Pe|e＝1,2,...,M×N}，記集合A＝{1,2,...,M×N}；此處本領域技術人員劃分子圖的原則是，如果像素大小、紋理特征復雜度、幾何特征復雜度和光譜特征復雜度這四個參數的值越大，需要劃分出的子圖個數越多，具體劃分的個數應以本領域技術人員根據四個參數的值進行選定；
S12：提取每個子圖Pe的典型紋理特征，包括灰度熵對比度角度二階矩其中，m×m指的是子圖Pe的像素大小，p(i,j)指的是子圖Pe中像素對(i,j)和(i+a,j+b)出現在子圖Pe中的概率，本領域技術人員在選取像素差分值a,b時，可以根據圖像紋理細膩程度的高低而取不同的常數；
S13：提取每個子圖Pe的典型幾何特征，包括線段平均長度其中H指的是子圖Pe中檢測到的線段數量,(xis,yis),(xie,yie)指的是第i條線段起止點位置的坐標；線段長度熵其中NLEN(i)是在子圖Pe長度直方圖中長度位于第i個區間的線段個數，此處第i條線段與第i個區間中的i含義相同，但與子圖Pe中的像素對(i,j)中的i含義不同；
梯度幅值均值其中Gx(i,j)和Gy(i,j)分別是子圖Pe中像素對(i,j)和(i+a,j+b)的水平梯度和垂直梯度；
S14：提取每個子圖Pe的典型光譜特征，包括像素值均值其中Xij指的是像素(i,j)的值；標準偏差
像素值的協方差矩陣
S15：將上述步驟中的多種特征進行融合，得到綜合特征向量Ve＝[α1ENTα2CONα3ENEα4LENMEANα5LENENTROPYα6GRADMEANα7PIXMEANα8PIXSTDα9PIXCOV]T，其中{αi|i＝1,2,...,9}是每種特征歸一化的權重系數，e＝1,2,...,M×N；再利用支持向量數據描述方法對綜合特征向量進行處理，通過對子圖的迭代聚類實現圖像分割；
優選的，所述步驟S15中所利用的支持向量數據描述方法，是處理聚類問題時泛化能力和魯棒性能較好的一種經典方法，主要包含以下步驟：
S21：引入滿足Mercer定理的非線性映射滿足其中核函數k(.,.)常用的形式有線性核函數，多項式核函數，徑向基核函數，Sigmoid核函數和復合核函數；
S22：在引入映射的核特征空間中求解以下二次規劃問題
s.t.0≤αe≤C,e＝1,2,...,M×N.
其中，C代表人為對聚類誤差的懲罰參數；求解出符合上述規劃要求的αe，其下標集合B所對應的子圖即為原始圖像中可以被聚為一類的子圖集合；計算聚類因子其中||.||為集合元素個數運算符；
S23：若聚類因子λ≥λmax，則意味著原始圖像分割結束；若λ＜λmax，令A＝A-B，轉向步驟S12，并進而迭代執行其后續步驟，其中λmax為聚類子圖比例上限閾值，控制著聚類過程的迭代次數和圖像分割的精細程度。
- 還沒有人留言評論。精彩留言會獲得點贊！