CN102013093A - 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 - Google Patents
一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 Download PDFInfo
- Publication number
- CN102013093A CN102013093A CN201010572997.XA CN201010572997A CN102013093A CN 102013093 A CN102013093 A CN 102013093A CN 201010572997 A CN201010572997 A CN 201010572997A CN 102013093 A CN102013093 A CN 102013093A
- Authority
- CN
- China
- Prior art keywords
- legion
- remote sensing
- image
- sensing image
- oscillator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 238000003709 image segmentation Methods 0.000 title claims abstract description 6
- 230000002964 excitative effect Effects 0.000 title abstract description 5
- 230000002401 inhibitory effect Effects 0.000 title abstract description 3
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 5
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 210000004247 hand Anatomy 0.000 description 22
- 101100288962 Mus musculus Lefty2 gene Proteins 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法。其步骤为:对高分辨率遥感影像多光谱波段重采样,使其和全色波段有相同大小及像素数;将全色波段和多光谱波段进行Gram-Schmidt融合,使得每个多光谱波段拥有更高的空间分辨率,并且基本保留了光谱信息;对每个像素的各波段像素值求均值,将多个波段的信息合成一个波段,作为LEGION分割方法的输入数据;使用LEGION方法对合成后的单波段影像进行分割;将分割结果写入到结果图像中,以可视化方式进行显示。本发明克服了LEGION分割方法只能使用单波段信息的不足,能够更加精确有效地对高分辨率遥感影像进行分割。
Description
技术领域
本发明涉及一种高分辨率遥感影像分割方法,特别是涉及一种基于Gram-Schmidt方法进行多波段遥感影像数据融合,在此基础上使用LEGION(Locally Excitatory Globally Inhibitory Oscillator Networks,局部兴奋全局抑制振荡网络)方法进行高分辨率遥感影像分割的方法。
背景技术
遥感技术已经被广泛地应用于土地利用调查、资源勘探、生态环境监测等诸多领域,对社会和经济发展发挥着重要的作用。随着航空、航天及传感器技术日新月异的发展,遥感影像的空间分辨率、时间分辨率和光谱分辨率不断提高。高空间分辨率遥感影像由于能够充分体现地物细节信息而备受关注。遥感影像分割是指将遥感影像中具有特殊涵义的不同区域区分开来,这些区域互不相交,每一个区域都满足特定区域的一致性,它是高分辨率遥感影像应用中非常重要的环节,涉及了图像处理、模式识别和人工智能等诸多技术领域。
数字图像处理、计算机图形学、模式识别、人工智能等学科的发展使得新的图像分割方法不断涌现,如聚类法、阈值法、边缘检测法、区域生长法、水平集方法、分水岭变换法、多尺度分割、神经网络分割等。上述分割方法各有优缺点,在实际应用中很难达到非常理想的效果。聚类法将图像内的像素划分到指定数目的类别之中,在此基础上将同一类别且相互联通的像素分割到同一个区域,但是类别数目的确定一般都是通过人工指定来实现的,此外由于没有考虑空间上的边缘信息和邻接信息,该方法经常会得出不符合人的视觉习惯的分割结果;边缘检测法在图像中存在噪声时,得到的边缘常常是孤立的或者分小段连续的,即使采用边缘闭合的方法进行处理,也很难得到精确边缘;区域增长法中合并和停止合并规则的制定会严重影响分割结果,往往会产生欠分割和过分割现象。其它分割方法在实际应用总也往往存在着各种问题,因此研究人员在改进现有技术的同时一直在探索新的分割方法。影像分割方法往往都是首先在普通的数字图像分割中得到广泛应用,然后引入到遥感影像分割中来。由于遥感影像数据量大、信息丰富等特征,新的分割方法应用到遥感影像分割中往往会出现很多难以解决的技术问题。
随着人类对视觉机理研究的不断深入,基于生物视觉仿真和人工神经网络的图像分割方法也越来越成熟。局部兴奋全局抑制振荡网络(Locally Excitatory GloballyInhibitory Oscillator Networks,简称LEGION)方法是一种基于生物视觉仿真的神经网络方法,它的基本原理是:来自同一物体的刺激会引起检测这一物体的那些神经元发生同步神经振荡。在图像分割中,将一个像素视作一个神经元,首先选出一批振荡发起点,随后在它的邻域内,将和它具有相同属性的像素也发起振荡,直到这一片区域的振荡达到协同,则协同振荡的这些像素就被划为同一块区域,而与发起点不相似的像素则被划在不同的区域内。这种思路逐步被模型化,1995年,DavidTerman,DeLiang Wang在期刊《Physica D:Nonlinear Phenomena》第81卷发表“Global competition and local cooperation in a network of neural oscillators”一文提出了全局竞争局部合作的神经元网络(Global competition and local cooperationin a network of neural oscillators)模型;随后,两人在前面工作的基础上,提出了改进过后的“局部兴奋全局抑制振荡网络(Locally Excitatory Globally InhibitoryOscillator Networks,LEGION)”模型。
目前,LEGION方法只能应用于单波段灰度图像的分割,而遥感影像往往具有多个波段的信息,因此LEGION方法尚不能充分利用遥感影像所提供的信息来进行分割。鲁东旭在《基于LEGION的图像目标提取方法研究及其对彩色图像的实现》一文中给出了基于LEGION方法的彩色图像目标提取的方法,对彩色图像分别在RGB空间和HSV空间进行了分割,并对目标提取结果进行了比较,实验表明提取的目标区域更符合人眼视觉习惯,效果较好。但是文中的方法对彩色图像各个波段分别进行LEGION分割,再将三个波段的运算结果进行综合显示,最后输出目标图像,这种方式没有真正解决综合使用多波段影像信息的问题,分割效果与单波段相比提升有限。
发明内容
1.发明要解决的技术问题
LEGION方法只能使用单个波段影像信息进行分割,分割效果较差;对每个波段进行LEGION分割,通过将结果进行结合显示的方式并不能从本质上解决无法综合使用多波段信息的问题,其分割效果也不理想。
为此,本发明提供了一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法,使得在对高分辨率遥感影像进行LEGION分割时能够综合使用多光谱波段以及全色波段的信息,从而更加精确的将目标地物提取出来。
2.本发明的技术方案如下:
原理:为了充分利用遥感影像多波段信息,首先对高分辨率遥感影像进行Gram-Schmidt融合。Gram-Schmidt是线性代数和多元统计中常用的方法,通过对矩阵或多波段影像进行正交变换,消除相关的多光谱波段之间的相关性。此外,该变换还有两个比较明显的优点:1)对融合波段的数量没有限制,可以在一次融合过程中对所有多光谱波段进行融合;2)融合后的高分辨率的多光谱数据能很好地保持原始多光谱影像的光谱信息。经过融合后的影像各多光谱波段既保留了光谱信息,又提高了空间分辨率。对融合过的几个多光谱波段像素值求平均值,并以此为基础进行LEGION分割。LEGION方法原理是来自同一物体的刺激会引起检测这一物体的哪些神经元发生同步神经振荡。这种思路可以引入图像分割中,将一个像素视作一个神经元,首先选出一批振荡发起点,则在它邻域内,将和它具有相同属性的像素也发起振荡,直到这一片区域的振荡达到协同,则协同振荡的这些像素就被划为同一块区域。而与发起点不相似的像素则被划在不同的区域内。
基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法,包括以下步骤:
步骤1:将高分辨率遥感影像的多光谱波段重采样,使其和其全色波段有相同的大小及像素数;
步骤2:将全色波段和多光谱波段进行Gram-Schmidt融合,Gram-Schmidt变换后各分量正交,各分量所包含的信息量相差不大,这样可以改进主成分变换中信息过分集中的问题,此外,Gram-Schmidt变换还有两个比较明显的优点:首先,对融合波段的数量没有限制,可以在一次融合过程中对所有多光谱波段进行融合;其次,融合后的高分辨率的多光谱数据能很好地保持原始多光谱影像的光谱信息,通过Gram-Schmidt变换,遥感影像每个多光谱波段均获得了更高的空间分辨率,并且基本保留了原有的光谱信息;
步骤3:根据分割的目的,结合地物光谱特征,对每个像素各波段像素值按公式①求均值,将多个波段的信息合成为一个波段,作为LEGION分割方法的输入数据;
其中,xi为各波段像素平均值,n为选择出来进行分割的波段数,xk为第k波段的像素值;
步骤4:应用LEGION方法对合成后的单波段影像进行分割。具体如下:
xi是表示振荡器内部兴奋神经元的活性,N1(i)假设为i在二维图像中的八邻域,除了在边界上的像素之外。同时假设N2(i)为八邻域。LKx,RKx,LCx表示x的零曲线上的三个角,LKx和RKx代表了左拐点和右拐点,LC代表曲线的左上角。为了计算的简单,设置LKx=-1,RKx=-2,LCx=1,在该算法中,Ii代表了点i的像素值,IM表示最大可能像素值;
(1)初始化,计算振荡器i的连接权值Wij,计算公式如式为:
Wij=IM/(1+|Ii-Ik|),k∈N1(i) ②
(2)找到振荡发起点pi,计算公式如式如下:
(3)生成一个随机序列,给网络中的每个振荡器一个随机的初始状态,让它们分布在LKx和LCx上;
(4)找到距离LKx最近的振荡器j,如果pj=1,则该点跳起到RKx并且设置全局抑制器z(t+1)=1,其他的振荡器按照式④向LKx移动;
xk(t+1)=xk(t)+(LKx-xj(t)),k≠j ④
(5)循环执行下面的步骤直到结束,循环次数可以根据经验值设定,只要能够将图像分割开来即可;
(a)如果振荡器i处在RKx且z(t)>z(t-1),则i保持不变;
(b)如果振荡器i处在RKx且z(t)≤z(t-1),则振荡器i跳下,z(t+1)=z(t)-1,若z(t+1)=0,则跳至第(4)步;
(c)如果振荡器i处在LKx,则计算i的耦合强度Si,公式如下:
若Si大于0则i跳起,否则保持不变;
步骤5:将分割结果写入到结果图像中,以可视化方式进行显示。
3.有益效果
相比现有技术,本发明利用Gram-Schmidt方法融合高分辨率遥感影像全色波段信息和多光谱波段信息,综合利用各个波段的信息作为LEGION分割方法的输入数据,有效地提高了高分辨率遥感影像的分割精度。具体有益效果如下:
第一,改进了使用LEGION方法分割高分辨率遥感影像的流程。提出在使用LEGION进行多波段影像分割前,通过Gram-Schmidt波段融合方法来充分利用遥感影像多波段数据信息以提高分割精度。
第二,引用Gram-Schmidt变换方法来进行多波段数据的融合,并对融合后的多波段数据求取平均值,将平均值作为LEGION分割的输入数据,取得了很好的分割效果。
综上,本发明通过Gram-Schmidt融合综合使用遥感影像多波段的信息来进行LEGION分割,实践证明,该技术够能有效地进行遥感影像分割,得到比较满意的分割效果。
附图说明
附图1为实验区QuickBird全色波段影像;
附图2为QuickBird重采样后的假彩色影像(R3G2B1);
附图3为经过Gram-Schmidt融合后的蓝色波段影像;
附图4为经过Gram-Schmidt融合后的绿色波段影像;
附图5为经过Gram-Schmidt融合后的红色波段影像;
附图6为经过Gram-Schmidt融合后的近红外波段影像;
附图7为融合后的分割结果(Wz=120,AREA=60,θp=60);
附图8为融合后的分割结果(Wz=160,AREA=20,θp=25);
附图9为仅使用全色波段的分割结果(Wz=120,AREA=60,θp=60);
附图为10仅使用全色波段的分割结果(Wz=60,AREA=20,θp=25)。
具体实施方式
以下通过实施例对本发明作进一步描述:
实施例1:
采用QuickBird遥感影像作为待分割遥感影像,影像包括一个全色波段(附图1所示)和四个多光谱波段,全色波段大小为992行607列,四个多光谱波段:蓝色波段、绿色波段、红色波段、近红外波段,大小为248行152列。影像中有机场、道路、沙滩、沙洲、灌木丛、人工建筑、船只等地物类别。
主要由五个步骤组成:多光谱波段重采样;Gram-Schmidt融合;融合后的多光谱波段像素求均值;LEGION分割;分割结果写入到结果图像中,以可视化方式进行显示。多光谱波段重采样使用ArcGI59.2中实现,Gram-Schmidt融合使用ENVI4.5实现,像素求均值和LEGION分割采用标准C++语言编程。遥感影像数据的读写操作采用开源影像数据操作类库GDAL1.5.0实现。
步骤1:以实验区蓝光、绿光、红光、近红外4个波段分别作为输入数据,使用ArcGIS 9.2Resample工具对4个多光谱波段分别进行重采样。重采样方法选择最近邻法NEAREST,重采样后的多光谱波段的空间分辨率为0.6米,重采样结果如附图2所示。
步骤2:将全色波段和多光谱波段进行Gram-Schmidt融合,使得每个多光谱波段均获得了更高的空间分辨率,并且基本保留了原有的多光谱信息。具体是在ENVI中使用Gram-Schmidt Spectral Sharpening工具进行融合,得到融合后的四个多光谱波段图像(附图3、4、5、6所示)。
步骤3:对融合后的各波段像素值按照技术方案中公式①求平均值。以GDAL为影像数据读写工具,利用利用GDAL.Open方法读取4个融合后的多光谱波段数据至4个大小为992行、607列的float型数组,遍历4个数组,求4个数组中相同索引位置处像素的平均值。并将结果保存在一个大小为992行、607列的float型数组中。具体代码如下:
float*均值(float*蓝色波段,float*绿色波段,float*红色波段,float*近红外波段,int W,int H)
{
float*融合结果=new float[W*H];
for(int i=0;i<W*H;i++)
{
融合结果[i]=0;
融合结果[i]=融合结果[i]+蓝色波段[i];
融合结果[i]=融合结果[i]+绿色波段[i];
融合结果[i]=融合结果[i]+红色波段[i];
融合结果[i]=融合结果[i]+近红外波段[i];
融合结果[i]=融合结果[i]/4;
}
return融合结果;
}
步骤4:在Visual Studio 2005平台下,利用C++语言实现了Legion类进行影像分割,以步骤3中得到的融合后的多光谱波段像素平均值为输入数据,使用LEGION方法进行分割,并将分割的结果保存在float*result指针数组中。实现LEGION方法的核心代码为:
//Legion分割总流程
float*Legion::LegionSegment()
{
this->Connection();
this->Initiate();
this->SelectLeader();
this->Evaluate();
this->Growing();
return*result;
}
初始化,计算振荡器的连接权值,按照公式②Wij=IM/(1+|Ii-Ik|),k∈N1(i)进行计算。
void Legion::Connection()
{
int i,j,Imin=GRAY,Imax=0,Wmax;
int k=0;
for(i=0;i<Height;i++)
for(j=0;j<Width;j++)
{
if(Img[i][j]<Imin)
Imin=Img[i][j];
if(Img[i][j]>Imax)
Imax=Img[i][j];
for(int wi=0;wi<8;++wi)
{
W[((i*Width+j)*8)+wi]=0.0;
}
}
Wmax=Imax-Imin;
for(i=0;i<Height;i++)
for(j=0;j<Width;j++)
{
if(j-1>=0)
W[((i*Width+j)*8)+0]=(float)Wmax/(1+abs(Img[i][j]-Img[i][j-1]));
if(i-1>=0&&j-1>=0)
W[((i*Width+j)*8)+1]=(float)Wmax/(1+abs(Img[i][j]-Img[i-1][j-1]));
if(i-1>=0)
W[((i*Width+j)*8)+2]=(float)Wmax/(1+abs(Img[i][j]-Img[i-1][j]));
if(i-1>=0&&j+1<Width)
W[((i*Width+j)*8)+3]=(float)Wmax/(1+abs(Img[i][j]-Img[i-1][j+1]));
if(j+1<Width)
W[((i*Width+j)*8)+4]=(float)Wmax/(1+abs(Img[i][j]-Img[i][j+1]));
if(i+1<Height&&j+1<Width)
W[((i*Width+j)*8)+5]=(float)Wmax/(1+abs(Img[i][j]-Img[i+1][j+1]));
if (i+1<Height)
W[((i*Width+j)*8)+6]=(float)Wmax/(1+abs(Img[i][j]-Img[i+1][j]));
if(i+1<Height&&j-1>=0)
W[((i*Width+j)*8)+7]=(float)Wmax/(1+abs(Img[i][j]-Img[i+1][j-1]));
}
}
void Legion::SelectLeader()
{
int i,j,m,n,winsize;
float temp,meaHeight,meanR,var1,varR;
for(i=0;i<Height;i++)
for(j=0;j<Width;j++){
leader[i][j]=0;
winsize=0;meaHeight=0.0;var1=0.0;
for(m=-1;m<2;m++)
for(n=-1;n<2;n++)
{
if((i+m>=0)&&(j+n>=0)&&(i+m<Height)&&(j+n<Width))
{
meaHeight+=Img[i+m][j+n];
var1+=Img[i+m][j+n]*Img[i+m][j+n];
winsize++;
}
}
meaHeight=meaHeight/winsize;
//计算方差
var1=var1/winsize-meaHeight*meaHeight;
//移动窗口操作,求领域均值和方差
winsize=0;meanR=0.0;varR=0.0;
for(m=-Rp;m<Rp+1;m++)
for(n=-Rp;n<Rp+1;n++)
if((i+m>=0)&&(j+n>=0)&&(i+m<Height)&&(j+n<Width)){
meanR+=Img[i+m][j+n];
varR+=Img[i+m][j+n]*Img[i+m][j+n];
winsize++;
}
meanR=meanR/winsize;
varR=varR/winsize-mean R*mean R;
if(fabs(meanR-meaHeight)<=Tmu&&fabs(varR-var1)<=Tsigma)
leader[i][j]=1;
}
}
void Legion::Evaluate()
{
float Sij;
int i,j,m,n,nonstop=1,ilead,jlead,jump,count,upb,lowb,leftb,rightb,wins=1;
while(nonstop){
nonstop=0;
z=0;
ilead=-1;jlead=-1;
for(i=Height-1;i>=0;i--)
for(j=Width-1;j>=0;j--)
{
x[i][j]=0;
if(leade r[i][j])
{
ilead=i;
jlead=j;
}
}
if(ilead>=0&&jlead>=0)
{
if(ilead-wins>0)upb=ilead-wins;
else upb=0;
if(ilead+wins<Height-1)lowb=ilead+wins;
else lowb=Height-1;
if(jlead-wins>0)leftb=jlead-wins;
else leftb=0;
if(jlead+wins<Width-1)rightb=jlead+wins;
else rightb=Width-1;
x[ilead][jlead]=1;
nonstop=1;
Num++;
printf(″new segment%d\n″,Num);
z=1;
jump=1;
while(jump){
jump=0;
for(i=upb;i<=lowb;i++)
for(j=leftb;j<=rightb;j++)
if(result[i][j]==0&&x[i][j]==0)
{
count=0;
for(m=-1;m<2;m++)
for(n=-1;n<2;n++)
{
if((i+m>=0)&&(j+n>=0)&&(i+m<Height)&&(j+n<Width)
&&x[i+m][j+n]&&(m!=0||n!=0))
count++;
}
Sij=0.0;
if(j-1>=0)
Sij+=W[((i*Width+j)*8)+0]*x[i][j-1];
if(i-1>=0&&j-1>=0)
Sij+=W[((i*Width+j)*8)+1]*x[i-1][j-1];
if(i-1>=0)
Sij+=W[((i*Width+j)*8)+2]*x[i-1][j];
if(i-1>=0&&j+1<Width)
Sij+=W[((i*Width+j)*8)+3]*x[i-1][j+1];
if(j+1<Width)
Sij+=W[((i*Width+j)*8)+4]*x[i][j+1];
if(i+1<Height&&j+1<Width)
Sij+=W[((i*Width+j)*8)+5]*x[i+1][j+1];
if(i+1<Height)
Sij+=W[((i*Width+j)*8)+6]*x[i+1][j];
if(i+1<Height&&j-1>=0)
Sij+=W[((i*Width+j)*8)+6]*x[i+1][j-1];
if(count>0)
Sij=Sij/log((float)(count+1));
if(Sij>Wz*z)
{
x[i][j]=1;
jump=1;
if(i==upb){
if(upb-wins>0)upb=upb-wins;
else upb=0;
}
if(i==lowb){
if(lowb+wins<Height-1)lowb=lowb+wins;
else lowb=Height-1;
}
if(j==leftb){
if(leftb-wins>0)leftb=leftb-wins;
else leftb=0;
}
if(j==rightb){
if(rightb+wins<Width-1)rightb=rightb+wins;
else rightb=Width-1;
}
}
}
}
for(i=upb;i<=lowb;i++)
for(j=leftb;j<=rightb;j++)
if(x[i][j])
{
result[i][j]=Num;
leader[i][j]=0;
}
}
}
}
步骤5:将分割的结果数据使用GDAL保存为影像文件,不同参数下分割结果影像如附图7、8、9、10所示。首先使用GDALDr iver::Create方法创建”GeoTiff”格式的影像文件,然后利用GDALRasterBand::RasterlO方法将result数组中数据写入所创建的文件中,生成分割结果。
Claims (3)
1.一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法,具体包括以下步骤:
步骤1:将高分辨率遥感影像的多光谱波段重采样,使其和其全色波段有相同的大小及像素数;
步骤2:将全色波段和多光谱波段进行Gram-Schmidt融合,使得每个多光谱波段均获得了更高的空间分辨率,并且基本保留了原有的光谱信息;
步骤3:根据分割的目的,结合地物的光谱特征,对每个像素的各波段像素值按公式①求均值,将多个波段的信息合成一个波段,作为LEGION分割方法的输入数据;
其中,xi为各波段像素平均值,n为选择出来进行分割的波段数,xk为第k波段的像素值;
步骤4:应用LEGION方法对合成后的单波段影像进行分割,具体如下:
假设:xi是表示振荡器内部兴奋神经元的活性,N1(i)假设为i在二维图像中的八邻域,除了在边界上的像素之外。同时假设N2(i)为八邻域。LKx,RKx,LCx表示x的零曲线上的三个角,LKx和RKx代表了左拐点和右拐点,LC代表曲线的左上角。为了计算的简单,设置LKx=-1,RKx=-2,LCx=1,在该算法中,Ii代表了点i的像素值,IM表示最大可能像素值;
初始化,计算振荡器i的连接权值Wij,计算公式如式为:
Wij=IM/(1+|Ii-Ik|),k∈N1(i) ②
(2)找到振荡发起点pi,计算公式如式如下:
(3)生成一个随机序列,给网络中的每个振荡器一个随机的初始状态,让它们分布在LKx和LCx上
(4)找到距离LKx最近的振荡器j,如果pj=1,则该点跳起到RKx并且设置全局抑制器z(t+1)=1,其他的振荡器按照式(2.3)向LKx移动
xk(t+1)=xk(t)+(LKx-xj(t)),k≠j ④
(5)循环执行下面的步骤直到结束,循环次数可以根据经验值设定,只要能够将图像分割开来即可:
(a)如果振荡器i处在RKx且z(t)>z(t-1),则i保持不变,
(b)如果振荡器i处在RKx且z(t)≤z(t-1),则振荡器i跳下,z(t+1)=z(t)-1,若z(t+1)=0,则跳至第(4)步,
(c)如果振荡器i处在LKx,则计算i的耦合强度Si,公式如下:
若Si大于0则i跳起,否则保持不变;
步骤5:将分割结果写入到结果图像中,以可视化方式进行显示。
2.根据权利要求1所述的一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法,其特征在于进行LEGION分割时输入的不是单波段影像,而是经过重采样后,充分保留了原始遥感影像空间及光谱信息的融合后的单波段数据。
3.根据权利要求1或2所述的一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法,其特征在于影像重采样、高分辨率遥感影像融合、影像像素求均值、LEGION分割这样顺序的高分辨率遥感影像分割方法流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010572997.XA CN102013093A (zh) | 2010-12-02 | 2010-12-02 | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010572997.XA CN102013093A (zh) | 2010-12-02 | 2010-12-02 | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102013093A true CN102013093A (zh) | 2011-04-13 |
Family
ID=43843258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010572997.XA Pending CN102013093A (zh) | 2010-12-02 | 2010-12-02 | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102013093A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035006A (zh) * | 2012-12-14 | 2013-04-10 | 南京大学 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
CN103186893A (zh) * | 2012-12-19 | 2013-07-03 | 中国科学院对地观测与数字地球科学中心 | 一种普适的高分辨率遥感图像融合方法 |
CN106384332A (zh) * | 2016-09-09 | 2017-02-08 | 中山大学 | 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 |
CN106504245A (zh) * | 2016-10-28 | 2017-03-15 | 东北大学 | 一种多模态脑影像损伤性病变组织图像分割方法 |
CN109064435A (zh) * | 2018-07-06 | 2018-12-21 | 航天星图科技(北京)有限公司 | 一种Gram-Schmdit融合快速处理算法 |
CN109102480A (zh) * | 2018-07-06 | 2018-12-28 | 航天星图科技(北京)有限公司 | 一种适用于分布式架构的Gram-Schmdit融合方法 |
CN109410164A (zh) * | 2018-11-14 | 2019-03-01 | 西北工业大学 | 多尺度卷积神经网络的卫星全色与多光谱图像融合方法 |
CN110392244A (zh) * | 2018-04-18 | 2019-10-29 | 长光卫星技术有限公司 | 一种三线阵相机影像合成彩色影像方法 |
CN110390658A (zh) * | 2019-06-18 | 2019-10-29 | 中国地质大学(武汉) | 基于光谱形态和Gram-Schmidt变换约束的高光谱影像变分融合方法 |
CN111563491A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 利用网络模型对遥感影像进行分割的方法、设备及装置 |
CN111882573A (zh) * | 2020-07-31 | 2020-11-03 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
CN117274763A (zh) * | 2023-11-21 | 2023-12-22 | 珠江水利委员会珠江水利科学研究院 | 基于平衡点分析的遥感影像空-谱融合方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001209807A (ja) * | 1999-11-24 | 2001-08-03 | Eastman Kodak Co | あいまいでない距離推定方法 |
US20060233421A1 (en) * | 2005-04-15 | 2006-10-19 | The Boeing Company | Methods and apparatus for adaptive foreground background analysis |
CN101329736A (zh) * | 2008-06-20 | 2008-12-24 | 西安电子科技大学 | 基于特征选择和隐马尔科夫模型的图像分割方法 |
CN101403796A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 城区地面不透水性程度分析制图方法 |
CN101694720A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于空间关联条件概率融合的多时相sar图像变化检测方法 |
-
2010
- 2010-12-02 CN CN201010572997.XA patent/CN102013093A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001209807A (ja) * | 1999-11-24 | 2001-08-03 | Eastman Kodak Co | あいまいでない距離推定方法 |
US20060233421A1 (en) * | 2005-04-15 | 2006-10-19 | The Boeing Company | Methods and apparatus for adaptive foreground background analysis |
CN101329736A (zh) * | 2008-06-20 | 2008-12-24 | 西安电子科技大学 | 基于特征选择和隐马尔科夫模型的图像分割方法 |
CN101403796A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 城区地面不透水性程度分析制图方法 |
CN101694720A (zh) * | 2009-10-13 | 2010-04-14 | 西安电子科技大学 | 基于空间关联条件概率融合的多时相sar图像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
《ASPRS 2010 Annual Conference San Diego Clifornia》 20100430 Lin Yan 等 A Biologically and geometrically inspired approach to target extraction from multiple-source remote-sensing imagery , 2 * |
《小型微型计算机系统》 20101031 陈雁 等 一种无需初始化的遥感图像无监督分割方法 第31卷, 第10期 2 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103035006A (zh) * | 2012-12-14 | 2013-04-10 | 南京大学 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
CN103186893A (zh) * | 2012-12-19 | 2013-07-03 | 中国科学院对地观测与数字地球科学中心 | 一种普适的高分辨率遥感图像融合方法 |
CN106384332A (zh) * | 2016-09-09 | 2017-02-08 | 中山大学 | 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 |
CN106384332B (zh) * | 2016-09-09 | 2019-12-03 | 中山大学 | 基于Gram-Schmidt的无人机影像与多光谱影像融合方法 |
CN106504245A (zh) * | 2016-10-28 | 2017-03-15 | 东北大学 | 一种多模态脑影像损伤性病变组织图像分割方法 |
CN110392244A (zh) * | 2018-04-18 | 2019-10-29 | 长光卫星技术有限公司 | 一种三线阵相机影像合成彩色影像方法 |
CN110392244B (zh) * | 2018-04-18 | 2021-03-12 | 长光卫星技术有限公司 | 一种三线阵相机影像合成彩色影像方法 |
CN109064435A (zh) * | 2018-07-06 | 2018-12-21 | 航天星图科技(北京)有限公司 | 一种Gram-Schmdit融合快速处理算法 |
CN109102480A (zh) * | 2018-07-06 | 2018-12-28 | 航天星图科技(北京)有限公司 | 一种适用于分布式架构的Gram-Schmdit融合方法 |
CN109064435B (zh) * | 2018-07-06 | 2021-09-07 | 中科星图股份有限公司 | 一种基于多光谱影像的Gram-Schmdit融合快速处理方法 |
CN109410164B (zh) * | 2018-11-14 | 2019-10-22 | 西北工业大学 | 多尺度卷积神经网络的卫星全色与多光谱图像融合方法 |
CN109410164A (zh) * | 2018-11-14 | 2019-03-01 | 西北工业大学 | 多尺度卷积神经网络的卫星全色与多光谱图像融合方法 |
CN110390658A (zh) * | 2019-06-18 | 2019-10-29 | 中国地质大学(武汉) | 基于光谱形态和Gram-Schmidt变换约束的高光谱影像变分融合方法 |
CN110390658B (zh) * | 2019-06-18 | 2021-04-27 | 中国地质大学(武汉) | 基于光谱形态和Gram-Schmidt变换约束的高光谱影像变分融合方法 |
CN111563491A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 利用网络模型对遥感影像进行分割的方法、设备及装置 |
CN111882573A (zh) * | 2020-07-31 | 2020-11-03 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
CN111882573B (zh) * | 2020-07-31 | 2023-08-18 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
CN117274763A (zh) * | 2023-11-21 | 2023-12-22 | 珠江水利委员会珠江水利科学研究院 | 基于平衡点分析的遥感影像空-谱融合方法、系统、设备及介质 |
CN117274763B (zh) * | 2023-11-21 | 2024-04-05 | 珠江水利委员会珠江水利科学研究院 | 基于平衡点分析的遥感影像空-谱融合方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102013093A (zh) | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 | |
US11830246B2 (en) | Systems and methods for extracting and vectorizing features of satellite imagery | |
Liu et al. | Deep multiview learning for hyperspectral image classification | |
Sun et al. | Developing a multi-filter convolutional neural network for semantic segmentation using high-resolution aerial imagery and LiDAR data | |
Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
Yan et al. | Detection of coal and gangue based on improved YOLOv5. 1 which embedded scSE module | |
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN111476170A (zh) | 一种结合深度学习和随机森林的遥感影像语义分割方法 | |
CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
Zheng et al. | Large-scale oil palm tree detection from high-resolution remote sensing images using faster-rcnn | |
CN104881868A (zh) | 植物群落空间结构提取方法 | |
CN108257154A (zh) | 基于区域信息和cnn的极化sar图像变化检测方法 | |
Zhang et al. | Unsupervised spatial-spectral cnn-based feature learning for hyperspectral image classification | |
CN101719272A (zh) | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 | |
CN103198479A (zh) | 基于语义信息分类的sar图像分割方法 | |
He et al. | Automatic recognition of traffic signs based on visual inspection | |
CN104732551A (zh) | 基于超像素和图割优化的水平集图像分割方法 | |
CN103035006A (zh) | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 | |
Li et al. | An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
Zhang et al. | Local information interaction transformer for hyperspectral and LiDAR data classification | |
Li et al. | Robust double spatial regularization sparse hyperspectral unmixing | |
Lin et al. | A novel convolutional neural network architecture of multispectral remote sensing images for automatic material classification | |
CN112818920B (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
Yao et al. | Semantic Segmentation for Remote Sensing Image Using the Multi-Granularity Object-based Markov Random Field with Blinking Coefficient |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110413 |