CN101408941A - 遥感图像多尺度分割及分割结果的层次结构表示方法 - Google Patents

Abstract

本发明提供一种针对遥感图像，特别是高空间分辨率遥感图像的多尺度图像分割方法，并同时构建出分割边界一致的不同尺度分割结果层次结构之间的关系。该方法采用一种基本的图像分割方法得到初始分割结果，扫描分割区域建立分割块之间的邻接关系，生成初始的底层小尺度区域结构，继而在此基础上先后加入灰度、纹理、形状等特征进行合并调整，形成第二层分割较大尺度的区域结构和第三层大尺度的分割区域结构。该过程可以迭代进行，直到形成所需的尺度分割层次及结构。生成的多尺度分割区域层次结构可以实现不同尺度间分割区域的快速切换和访问，并且该结构不仅适合分水岭图像分割算法，也适合为其他分割方法构造多尺度的分割区域层次结构。

Description

遥感图像多尺度分割及分割结果的层次结构表示方法

技术领域

本发明涉及遥感图像处理技术，具体的说，涉及遥感图像的多尺度分割方法和分割结果多尺度表示的数据结构，该数据结构可适用于多种分割方法。

背景技术

高空间分辨率图像，尤其是高空间分辨率遥感图像提供了丰富的关于地物几何结构、纹理细节、地物光谱等方面的信息，使得在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人为活动对环境的影响成为可能，具有广阔的应用前景。

遥感图像分割是地物识别的前提，因此利用图像分割技术首先将遥感图像分割成匀质区域继而利用地物的光谱信息、纹理信息、几何结构以及拓扑等信息识别地物是高空间分辨率遥感图像应用的重要途径，而遥感图像上典型地物的纹理、结构特征、几何尺寸大小等特征随空间尺度的变化而变化，不同的地物，最佳识别的尺度不同，如，识别公路、城市、湖泊与识别铁路、公路、工厂、公园、水库、鱼塘所需要的尺度是不同的，因此需要对高空间分辨率图像进行多尺度的分割，以便于选择合适的尺度识别地物。

多尺度的遥感图像分割一方面要求按照一定方法获得不同尺度的分割结果，同时需要将不同尺度的分割结果按照一定的层次结构利用合适的数据结构表示出来，并且不同尺度分割的边界是一致的。

传统的图像分割方法大致可以分为两大类：基于边缘的分割方法和基于区域特性的方法。近年还出现了一些新的方法，如，基于统计随机场模型的方法，基于图论的方法，基于数学形态学的分水岭分割方法，基于主动轮廓模型的分割方法等。这些分割方法都会给出单一尺度的分割结果，没有建立同时实现多尺度分割的技术方案，更没有同时建立不同尺度分割结果的层次结构关系和表达。

发明内容

本发明的目的是提供一种针对遥感图像，特别是高空间分辨率遥感图像的多尺度图像分割方法，并同时构建出分割边界一致的不同尺度分割结果层次结构之间的关系。

本发明的基本思路为：采用一种基本的图像分割方法得到初始的分割结果，扫描分割区域建立分割块之间的邻接关系，也叫拓扑关系，生成初始的底层小尺度区域结构，继而在此分割结果基础上先后加入灰度、纹理、形状等特征进行合并调整，形成第二层分割较大尺度的区域结构。然后，在此基础上继续合并调整，得到第三层大尺度的分割区域结构。该过程可以迭代进行，直到形成所需的尺度分割层次及结构。本发明基本的图像分割方法可以采用分水岭图像分割方法、基于区域的分割方法，如分裂合并方法等，这些分割方法具有全局分割、边界闭合、实现效率高、准确率高的特点，而且在算法的稳定性以及适用性上都具有优势。

所述的多尺度分割的层次结构可设置为三层尺度分割区域结构。

本发明的技术方案提供的遥感图像多尺度分割及分割结果的层次结构表示方法，其特征在于包括以下实施步骤：

A在遥感图像分割前，对高空间分辨率遥感图像降噪并采用多尺度形态学梯度算子简化图像，形成梯度图像；

B对遥感图像进行分水岭分割，形成初始分割结果；

C扫描初始分割结果，生成分割区域拓扑关系数据结构，并将初始分割作为产生其他尺度分割层次的基础；

D制定区域合并准则，对初始的分割结果实施区域合并，扫描合并后的结果，生成新的尺度的区域层次，建立该层次的拓扑关系数据结构；

E重复步骤D操作，不断得到新的尺度的分割区域层次，直到满足需求。其中不同尺度层次间分割区域的边界是一致的。

上述实施步骤的特征在于：

步骤A中所述将遥感图像简化，简化方法是在图像进行降噪处理后利用梯度算子对图像滤波形成梯度图像，尤其可选用多尺度形态学梯度算子简化图像，这样简化后的图像中保留下来的区域轮廓不会发生位置偏移，而且简化程度可依据分割尺度调整结构元素的大小。

步骤B中所述初始分割结果是对分割区域完成区域标识。所述区域标识是指对每个区域赋予唯一的标识值。

步骤C、D中所述区域关系结构包括本层区域序列、本层连接序列。所述区域队列存储本层中所有分割区域信息索引，指向的区域信息包括：区域编号、区域内点位置队列、区域邻居队列，子区域队列(如果存在)、区域均值特征、区域方差特征。所述连接序列存储本层中所有相邻区域的连接信息，包括：连接编号、连接权值、邻接区域R_A和邻接区域R_B。

步骤D中所述区域合并准则针对不同分割尺度采用两种不同的合并代价函数。对初始分割结果采用由灰度均值相似度和纹理相似度加权组成的合并代价准则函数。这样有效的减少了区域“同谱异质”而造成的错误合并。对于第二层层次结构，采用由合并图斑的光谱异质性参量和形状异质性参量两部分构成的合并代价准则函数。区域合并过程与传统人为设置阈值的合并过程不同，以区域在前面几次合并中，对应合并代价准则函数的区域特征的统计变化均值作为自动阈值，当前合并产生的特征量变化值与之比较，判断是否达到最终的合并状态，若大于该值则表示该区域产生过度合并，则结束该区域的合并，这样就自动化完成该层区域的合并。

步骤E中所述多尺度分割结果的分割区域边界闭合，并且在各个尺度上边界完全一致的。

本发明与现有技术相比有如下特点：在完成遥感图像多尺度分割的同时生成了多尺度的分割区域层次结构。该结构可以实现不同尺度间分割区域的快速切换和访问，并且该结构不仅适合分水岭图像分割算法，也适合为其他分割方法构造多尺度的分割区域结构。

附图说明：

图1是多尺度遥感图像分割流程图

图2是区域层次结构示意图

图3是区域节点结构示意图

图4是区域邻接关系结构

图5是同层关系结构示意图

图6是子区域关系表示结构

图7是分割区域的邻接关系图

图8、图9是多尺度分割区域层次拓扑网络结构

具体实施方式：

本发明所述的多尺度遥感图像分割及多尺度分割区域层次结构表示的实现流程如图1所示，图1包括10个处理单元。多尺度图像分割其工作过程为：

处理单元111简化图像，在图像降噪后可采用多尺度形态学梯度算子简化图像，形成梯度图像。

图像降噪可采用高斯平滑滤波实现。用于形成梯度图像的多尺度形态学的梯度算子MG(f(x，y))定义如下：

式中：符号

表示膨胀运算；

符号Θ表示腐蚀运算；

符号○表示开运算。

符号●表示闭运算；

B：结构元素。一般为方形算子，一般可选3×3、5×5、7×7大小。我们这里选择

$B=\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right];$

{b_i}：一组多尺度形态学结构基元序列。它们具有相同的正方形形状，且尺寸随着尺寸i的增大而单调增大，即： $b_0\⋐b_1\⋐b_2\·\·\·\⋐b_n,$ 组成一个多尺度序列，b_i由b₀膨胀_i次得到，即：

b₀的形式可以如下：{(0，-1)，(0，1)，(0，0)，(-1，0)，(1，0)}；

n为尺度参数，一般n∈[3，5]；

多尺度形态学梯度算子简化图像能够使得简化后的图像中保留下来的区域轮廓不会发生位置偏移，并且简化程度可依据分割尺度调整结构元素B的大小得到；

处理单元112对单元A得到的梯度图像进行分水岭分割，形成多个初始分割区域，每个区域赋予一个标志值(Label)。

处理单元113对初始分割后得到的Label图像进行逐点扫描，将对应Label的区域信息加入如图3表示的数据结构中，同时将区域之间的邻接关系信息加入如图4表示的邻接关系结构中。分割区域间关系用图表示，将每个区域看作是图中的一个节点，由此生成区域邻接图(RAG)，并将区域关系以一种有向图的形式表现出来，节点间的方向从Label值较小的区域节点指向Label值较大的区域节点，这样的结构可以有效减少计算量和存储量。如图7所示分割区域的邻接关系图。

再次扫描，遍历所有区域，就获得了如图2所示的本层分割结果的拓扑表示。

图2是单层(单尺度)分割区域的数据结构。该结构包括：分割层号(与单尺度对应)、本层区域序列、本层区域邻接关系序列。

图3是单个区域信息的数据结构。该结构包括：区域内点的位置队列、区域邻居对列、区域内子区域队列(若存在)、区域均值、方差等区域属性。

图4是邻接关系的数据结构示意，仅表示两个相邻分割区域之间的邻接关系。包括：邻接的区域编号和邻接距离。

邻接距离根据区域合并准则定义。数值越小表示两个区域的特征越接近。

图5是本层的分割区域和邻接关系的简单示意。

图6是层间分割区域和邻接关系的简单示意。

处理单元117利用所制定的区域合并准则，实施区域合并。区域合并针对下面两个尺度层次采用不同的区域合并准则，它们分别有自己的合并代价准则函数：

合并代价1：针对初始分割结果(第一层)，采用由灰度均值相似度h_mean和纹理相似度h_texture两部分构成的合并代价准则函数：

f＝w×h_mean+(1-w)×h_texture

其中w是为灰度均值相似度h_mean和纹理相似度h_texture分配的权重，区间为[0，1]，一般设置权重为0.5比较合适。兼顾考虑灰度均值特征和纹理特征可以有效的避免区域“同谱异质”现象带来的错误合并。

灰度均值相似度h_mean用两个相邻区域R_i和R_j灰度均值的平方差来表示：

h_mean＝(M_i-M_j)²

其中，M_i、M_j分别代表区域R_i和区域R_j的灰度均值。

纹理相似度h_texture用两个相邻区域R_i和R_j的纹理特征值差的平方来表示：

h_texture＝(mv_i-mv_j)²

其中，纹理特征值mv_i采用区域一阶矩(即平均值)、二阶矩和三阶矩的平均来度量。对于每个区域R_i，根据该区域的区域一阶矩(即平均值)M_i、二阶矩μ_2i和三阶矩μ_3i计算纹理特征值mv_i：

${\mathrm{mv}}_i=\frac{1}{N}(M_i+{\mathrm{\μ}}_{2i}+{\mathrm{\μ}}_{3i})$ 其中N代表区域个数；

区域R_i的二阶矩 ${\mathrm{\μ}}_{2i}=\frac{1}{\mathrm{Num}\left(R_i\right)}\mathrm{\Σ\Σ}{(R_i(x,y)-M_i)}^2$

区域R_i的三阶矩 ${\mathrm{\μ}}_{3i}=\frac{1}{\mathrm{Num}\left(R_i\right)}\mathrm{\Σ\Σ}{(R_i(x,y)-M_i)}^3$

其中R_i(x，y)表示区域R_i中的像元灰度值，Num(R_i)表示区域R_i中像元的个数。

合并准则2：针对下一层的区域合并准则采用基于灰度相似性的合并准则，也可以采用由合并图斑的光谱异质性参量h_color和形状异质性参量h_shape两部分构成的合并代价准则函数：

f＝w×h_color+(1-w)×h_shape

其中w是为光谱、形状异质性分配的权重，区间为[0，1]，一般色调权重0.9，形状0.1比较合适，形状权重过大往往会造成分割结果和视觉分割效果相差较大。

光谱异质性h_color是合并后父图斑标准差与合并前两子图斑标准差之和的差，并按面积进行加权：

h_color＝n_mergeσ_merge-(n₁σ₁+n₂σ₂))

形状异质性h_shape又由紧致度异质性h_cmpct和光滑度异质性h_smooth两部分加权构成：

h_shape＝w_cmpct×h_cmpct+(1-w_cmpct)×h_smooth

紧致度差异h_cmpct则由以下公式计算：

$h_{\mathrm{cmpct}}=n_{\mathrm{merge}}\·\frac{l_{\mathrm{merge}}}{\sqrt{n_{\mathrm{merge}}}}-(n_1\·\frac{l_1}{\sqrt{n_1}}+n_2\·\frac{l_2}{\sqrt{n_2}})$

光滑度差异h_smooth由以下公式计算：

$h_{\mathrm{smooth}}=n_{\mathrm{merge}}\·\frac{l_{\mathrm{merge}}}{\sqrt{b_{\mathrm{merge}}}}-(n_1\·\frac{l_1}{b_1}+n_2\·\frac{l_2}{b_2})$

以上公式中，l为对象实际周长，n为对象像元个数，b对象的外接矩形的周长。紧致度、光滑度所占权值一般可以都取0.5。

区域合并阈值的设定可以人为设定或者自适应获得。本发明采用自适应阈值获取方法，如下所述：

定义：区域R_i经过m次合并后，区域特征的变化：

$\mathrm{\Δ\μ}\left(R_i^m\right)=|\mathrm{\μ}\left(R_i^m\right)-\mathrm{\μ}\left(R_i^{m-1}\right)|$

此处所述区域特征可以定义根据采用的区域合并准则中所用的区域特征，也可以简单定义为区域同质性特征。

当 $\mathrm{\Δ\μ}\left(R_i^m\right)>\mathrm{\β}$

其中β是区域R_i前面m-1合并对应的Δμ的均值，即： $\mathrm{\β}=\frac{\underset{j=1}{\overset{m-1}{\mathrm{\Σ}}}\mathrm{\Δ\μ}\left(R_i^j\right)}{m-1}$

则此时新合并的区域R_i ^m是已经是非均质的了，也就意味着过度的合并。过度的合并需要被取消掉，从而合并终止。

区域合并按照层次结构中区域序列中顺序进行。

处理单元116用于在实施合并准则后，生成并建立新一层分割区域的层次结构。

根据合并准则，将区域合并调整后，区域的数目减少了，区域的平均面积增大了，因此区域的尺度发生了变化。在已有的分割区域层次结构的基础上生成新尺度下的分割区域层次结构的过程如下：

复制上一层数据结构。构建一临时数据结构记录区域是否参与过合并以及合并后的最新区域编号。在进行区域R_M与其邻居R_N合并时，进行如下操作：

1)判断合并后特征值的变化Δμ是否满足阈值β条件，若不满足，则终止合并，修改临时数据结构记录R_M已合并。若满足阈值条件，则将R_N并入R_M，更新新区域R_M的区域均值、区域方差，Label值、邻居节点、邻居个数和区域像素个数，子区域序列。生成的子区域关系结构如图6；

2)删除新层中的邻接关系序列R_M与R_N之间的连接，插入区域R_M的相关连接；

3)更新新层中区域序列，删除R_N区域。

处理单元118利用合并准则2对区域进行合并调整。

处理单元119与处理单元116相同，用于在实施合并准则2后，生成并建立新一层分割区域的层次结构。

处理单元120表示由三层(对应三个尺度)分割结果整合表示的分割区域的层次结构。如图8、图9是三层(三个尺度)分割结果的层次结构示意。该层次结构具有以下特点：

不同层次间的分割区域构成了拓扑网络结构；

上、下层分割区域的边界是一致的；

一层的单个区域可以由它下层所有子区域的总和来表示。每一层又是以它的下一层为基础建立的。不同层的分割区域边界有上下的继承关系，即。

遥感图像信息提取可以在多个尺度的分割图层中切换进行；不同尺度地物的信息提取可选择在相应尺度的分割区域图层上提取，如对空间尺度大的类别就可以在分割尺度较大的图层中分析，相反对于地物类型复杂的区域，就考虑在分割尺度较小的图层中进行处理。信息提取完成后的各种地类可以叠加合并为一个图层。这种采用多尺度图层提取信息的方法，始终比在一个图层中进行操作更加合理与高效。

本发明的一个实例在PC平台上实现，经实验验证，该多尺度遥感影像分割流程能够得到较理想的分割结果，区域一致性和边缘准确度都比较高。生成的多尺度分割区域层次结构具有良好的适用性。区域对象信息提取可以在多个尺度的图层中方便快速进行切换。同时，本结构同样适用于其他多种分割方法分割区域层次结构的建立。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明，但不以任何方式限制本发明。因此，本领域技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和技术实质的技术方案及其改进，其均应涵盖在本发明专利的保护范围当中。

Claims (10)

1.一种用于图像多尺度分割的方法及分割结果的层次结构表示方法，其特征在于包括以下步骤：

步骤1，在图像分割前，对图像降噪并采用梯度算子简化图像，形成梯度图像；

步骤2，对图像进行分割，形成初始分割结果；

步骤3，扫描初始分割结果，生成分割区域拓扑关系数据结构，并将初始分割作为产生其他尺度分割结果的基础；

步骤4，制定区域合并准则，对初始的分割结果实施区域合并，扫描合并后的结果，生成新的尺度的区域层次，建立该层次的拓扑关系数据结构；

步骤5，重复步骤4操作，不断得到新的尺度的分割区域层次，直到满足需求。其中不同尺度层次间分割区域的边界是重合的。

2.根据权利要求1所述的用于图像多尺度分割的方法及分割结果的层次结构表示方法，其特征在于图像分割前先简化图像，即在图像进行降噪处理后利用梯度算子对图像滤波形成梯度图像，尤其可选用多尺度形态学梯度算子简化图像。

3.根据权利要求1所述的用于图像多尺度分割的方法及分割结果的层次结构表示方法，其特征在于所述初始分割结果是对初始的分割区域完成区域标识。所述区域标识是指对每个区域赋予唯一的标识值。

4.根据权利要求1所述的用于图像多尺度分割的方法及分割结果的层次结构表示方法，其特征在于所述区域关系结构包括本层区域序列、本层连接序列。

5.根据权利要求4所述的用于图像多尺度分割的方法及分割结果的层次结构表示方法，其特征在于所述区域队列存储本层中所有分割区域信息索引，指向的区域信息包括：区域编号、区域内点位置队列、区域邻居队列，子区域队列(如果存在)、区域均值特征、区域方差特征。

所述连接队列存储本层中所有相邻区域的连接信息索引。指向的连接信息包括：连接编号、连接权值、邻接区域R_A和邻接区域R_B。

6.根据权利要求1所述的用于图像多尺度分割的方法及分割结果的层次结构表示方法，其特征在于所述的图像分割方法可以采用采用分水岭图像分割方法、基于区域的分割方法，如分裂合并方法等。

7.根据权利要求3所述的用于图像多尺度分割的方法及分割结果的层次结构表示方法，其特征在于所述初始图像图像分割方法可采用分水岭图像分割方法、基于区域的分割方法，如分裂合并方法等。

8.根据权利要求1所述遥感图像多尺度分割的层次结构构造方法，其特征在于：步骤D中所述区域合并准则针对不同分割尺度采用两种不同的合并代价函数。对初始分割结果采用由灰度均值相似度和纹理相似度加权组成的合并代价函数。这样有效的减少了区域“同谱异质”而造成的错误合并。对于第二层层次结构，采用由合并图斑的光谱异质性参量和形状异质性参量两部分构成的合并代价准则函数。区域合并过程与传统人为设置阈值的合并过程不同，以区域在前面几次合并中，对应合并代价准则函数的区域特征的统计变化均值作为自动阈值，当前合并产生的特征量变化值与之比较，判断是否达到最终的合并状态，这样就自动化完成该层区域的合并。

9.根据权利要求1所述遥感图像多尺度分割的层次结构构造方法，其特征在于步骤E所述多尺度分割结果的分割区域边界闭合，并且在各个尺度上边界完全一致。所述多尺度区域层次结构与多尺度分割结果同时生成，可以实现不同尺度分割结果的快速切换，分割区域的快速访问。

10.根据权利要求1所述遥感图像多尺度分割的层次结构构造方法，其特征在于步骤E所述多尺度区域层次结构同样也适用于构造其他分割方法的分割区域结构。

Images