CN103377477A - 一种高分辨率遥感影像多层次分割方法及系统 - Google Patents

Abstract

本发明公开了一种高分辨率遥感影像多层次分割方法及系统。其中该方法包括：依次扫描遥感影像的像素，为每个像素创建对应的像素区域对象，计算相邻像素所属的像素区域对象之间的第一异质性值；当第一异质性值小于等于预设的第一阈值时，将相邻像素所属的像素区域对象进行合并，得到初始区域对象；当第一异质性值大于预设的第一阈值时，不进行相邻像素所属像素区域对象的合并；计算相邻初始区域对象之间的第二异质性值；自底向上合并第二异质性值最小的相邻初始区域对象。本发明实现对遥感影像多层次分割，提高了遥感影像分割的效率、准确度及稳定度，减少了人工干预程度及其产生的人为因素影响，实现自动化的遥感影像多层次分割。

Description

一种高分辨率遥感影像多层次分割方法及系统

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种高分辨率遥感影像多层次分割方法及系统。

背景技术

随着对地观测卫星空间分辨率的不断提高，高分辨率遥感影像呈现出如下特点：一方面，地物目标的几何结构更加清晰、纹理特征更加丰富、光谱信息更加精细；另一方面，由于高分辨率遥感影像是一个多尺度地物分布的复杂统一，不能用单一的尺度来描述其特性，必须在多个尺度下才能充分表达和描述。由此导致了传统单尺度、基于像素的中低分辨率遥感影像的处理方法无法有效处理高分辨率遥感影像。近年来，面向对象的影像分析技术在高分辨率遥感影像处理领域得到了广泛应用，其核心思想是把对象作为影像特征提取和分析的最小处理单元，核心技术是影像分割和信息提取。遥感影像多层次分割是构建影像中不同种类地物多尺度表达常用的方法，其目标是对一幅遥感影像分割生成多尺度不同层次细节的多层次分割结果。这些多层次分割结果会形成对同一幅影像的不同尺度的多层次网络结构表达，使后续多尺度、面向对象处理方法能直接针对具有丰富属性的不同尺度的区域对象进行，而不是一个个像素单元，从而能有效提高信息提取的精度和效率。因此，遥感影像多层次分割是传统单尺度、基于像素的影像处理方法到多尺度、面向对象的处理方法的桥梁，是充分挖掘高分辨率遥感影像应用潜力的一种有效途径。

遥感影像多层次分割(Hierarchical Image Segmentation，HIS)，亦称多尺度分割(Multi-scale Segmentation，MSS)或多分辨率分割(Multi-resolutionSegmentation,MRS)，是面向对象的影像分析的关键步骤，其目标是建立多尺度地物目标基元属性和关系的多层次网络结构，是进行像素-基元-目标-格局影像分析计算的基础。在高分辨率遥感影像中不同类别的地物是多尺度的，而且即使同类地物也具有不同的空间尺度，单一尺度的分割结果难以同时准确反映各种不同尺度的地物特征。因此，多层次分割方法是高分辨率遥感影像处理的基础。

分形网络演化方法(Fractal Net Evolution Approach,FNEA)是由Baatz M.和Schape A.于2000年首先提出的，是目前广泛应用的一种多层次分割算法，也是目前面向对象的影像分析技术的基础及核心内容。该算法已经作为其核心分割算法应用到商业遥感软件eCognition中，得到了较好的应用效果。然而，该遥感影像分割软件在实际应用中发现存在如下两个方面的问题与不足：⑴分割尺度参数难以设置；⑵需要多次设定参数实现多层次分割。

HSEG是一种为高级影像分析提供高精度、可伸缩、易使用的多层次分割结果的快速图像分割软件，由美国NASA的Tilton博士研发，被广泛应用于遥感影像分析、医学图像分析、声呐和雷达数据分析、图像数据挖掘、人脸识别等众多领域。然而，就针对高分辨率遥感影像分割而言，其在如下两个方面有待改进：⑴可伸缩性太强，参数设置过多；⑵以最终分割结果区域个数作为终止条件不合理。

发明内容

为了解决现有技术中参数难以设置、需要多次设定大量参数进行影像分割等技术问题，本发明提出一种高分辨率遥感影像多层次分割方法及系统。

本发明的一个方面，提供一种高分辨率遥感影像多层次分割方法，包括：

步骤A，依次扫描遥感影像的像素，为每个像素创建对应的像素区域对象，计算相邻像素所属的像素区域对象之间的第一异质性值；当第一异质性值小于等于预设的第一阈值时，将相邻像素所属的像素区域对象进行合并，得到初始区域对象；当第一异质性值大于预设的第一阈值时，不进行相邻像素所属像素区域对象的合并；；

步骤B，计算相邻初始区域对象之间的第二异质性值；自底向上合并第二异质性值最小的相邻初始区域对象。

本发明的另一个方面，提供一种高分辨率遥感影像多层次分割系统，包括：

扫描装置，用于依次扫描遥感影像的像素，为每个像素创建对应的像素区域对象；

第一计算装置，用于计算相邻像素所属的像素区域对象之间的第一异质性值；

第一合并装置，用于将相邻像素所属的像素区域对象进行合并，得到初始区域对象；第二计算装置，用于计算相邻初始区域对象之间的第二异质性值；

第二合并装置，用于自底向上合并第二异质性值最小的相邻初始区域对象。

本发明的高分辨率遥感影像多层次分割方法及系统，通过根据区域对象之间的异质性值进行区域对象的合并，并在合并过程中输出满足尺度条件的多层分割结果，从而只需一次输入少量参数，就可以实现对遥感影像多层次分割，提高了高分辨率遥感影像分割的效率、准确度及稳定度，减少了人工干预程度及其产生的人为因素影响，实现自动化的遥感影像多层次分割。

附图说明

图1是本发明高分辨率遥感影像多层次分割方法的实施例流程图；

图2是本发明高分辨率遥感影像多层次分割方法步骤102的实施例流程图；

图3是本发明高分辨率遥感影像多层次分割方法步骤102的分割结果与区域邻接图的示意图；

图4是本发明高分辨率遥感影像多层次分割方法步骤104的实施例流程图；

图5是本发明高分辨率遥感影像多层次分割方法另一实施例流程图；

图6是本发明遥感影像不同尺度多层次结构表达示意图；

图7是本发明高分辨率遥感影像多层次分割系统的结构图。

具体实施方式

以下结合附图对本发明进行详细说明。

如下表1所示，本发明首先对如下参数进行设置：

表1

名称

参数意义

备注

T	第一阈值	像素区域对象合并的阈值
			Sstart	合并开始尺度	达到该尺度时开始输出中间合并结果
Sstop	合并终止尺度	达到该尺度时合并过程结束，分割过程终止
			α	第二阈值（松弛因子）	层次输出尺度控制，默认值为1.2
wshape	形状异质性权重	默认值为0.1，即光谱异质性权重为0.9
			wcompact	紧凑度异质性权重	默认值为0.5，即光滑度权重也为0.5

如图1所示，本发明高分辨率遥感影像多层次分割方法实施例包括以下步骤：

步骤102，依次扫描遥感影像的像素，为每个像素创建对应的像素区域对象，计算相邻像素所属的像素区域对象之间的第一异质性值；当第一异质性值小于等于预设的第一阈值时，将相邻像素所属的像素区域对象进行合并，得到初始区域对象；当第一异质性值大于预设的第一阈值时，不进行相邻像素所属像素区域对象的合并；步骤104，计算相邻初始区域对象之间的第二异质性值；自底向上合并第二异质性值最小的相邻初始区域对象。

以下分别对上述两个步骤进行具体描述。

如图2所示，上述步骤102的具体实现流程包括：

步骤202，初始化第一阈值T的值；

步骤204，从第1行第1列的开始，创建像素区域对象R_i，并存储到临时区域对象数组TR中，标记像素(1,1)所属的像素区域对象为R_i，即tag[1][1]=ID_i；

步骤206，扫描第1行的下一个像素(1,n)，n>1，创建像素区域对象R_i，获得二维数组tag[1][n-1]的值，即像素(1,n)左侧像素所属的区域对象标号ID_left，根据区域对象标号从临时区域对象数组TR查找像素区域对象R_left，判断是将R_i合并至R_left中还是作为一个新的区域对象存储到临时区域对象数组TR中：

●当H₁(R_i,R_left)≤T时，将该像素区域对象R_i合并至其左侧像素所属的像素区域对象R_left，标记像素(1,n)所属的区域对象为R_left，即tag[1][1]=ID_left；

●当H₁(R_i,R_left)＞T时，将区域对象R_i作为一个新的区域对象存储到临时区域对象数组TR中，标记像素(1,n)所属的区域对象为R_i，即tag[1][1]=ID_i；

步骤208，重复步骤206，直到第1行所有像素扫描完；

步骤210，扫描下一行第1个像素(m,1)开始，m>1，创建像素区域对象R_i，获得二维数组tag[m-1][1]的值，即像素(m,1)上方像素所属的区域对象标号ID_up，根据区域对象标号从临时区域对象数组TR查找区域对象R_up，判断是将R_i合并至R_up中还是作为一个新的区域对象存储到临时区域对象数组TR中：

●当H₁(R_i,R_up)≤T时，将R_i合并至R_up中，标记像素(m,1)所属的区域对象为R_up，即tag[1][1]=ID_up；

●当H₁(R_i,R_up)＞T时，将区域对象R_i作为一个新的区域对象存储到临时区域对象数组TR中，标记像素(m,1)所属的区域对象为R_i，即tag[m][1]=ID_i；

步骤212，扫描当前行的下一个像素(m,n)，创建像素级区域对象R_i，获得二维数组tag[m-1][n]的值，即像素(m,n)上方像素所属的区域对象标号ID_up，根据区域对象标号从临时区域对象数组TR查找区域对象R_up；获得二维数组tag[m][n-1]的值，即像素(m,n)左侧像素所属的区域对象标号ID_left，根据区域对象标号从临时区域对象数组TR查找像素区域对象R_left；判断是将R_i合并至R_left或R_up中还是作为一个新的区域对象存储到临时区域对象数组TR中：

●ID_up=ID_left，即R_up和R_left为同一个区域对象：

①当H₁(R_i,R_up)≤T时，将R_i合并至R_up中；标记像素(m,n)所属的区域对象为R_up，即tag[m][n]=ID_up；

②当H₁(R_i,R_up)＞T时，将R_i作为一个新的区域对象存储到临时区域对象数组TR中，标记像素(m,n)所属的区域对象为R_i，即tag[m][n]=ID_i；

●同时满足H₁(R_i,R_left)≤T和H₁(R_i,R_up)≤T：

①当H₁(R_i,R_up)＜H₁(R_i,R_left)时，将R_i合并至R_up中，标记像素(m,n)所属的区域对象为R_up，即tag[m][n]=ID_up；

②当H₁(R_i,R_up)＞H₁(R_i,R_left)时，将区域对象R_i合并至区域对象R_left中，标记像素(m,n)所属的区域对象为R_left，即tag[m][n]=ID_left；

③当H₁(R_i,R_up)＝H₁(R_i,R_left)时，将R_i合并至R_left或R_up之一，标记像素(m,n)所属的区域对象为相应区域对象，即tag[m][n]=ID_left或ID_up；

更优地，可以进一步计算该像素区域对象左侧像素所属的像素区域对象R_left与上方像素所属的像素区域对象R_up之间的第一异质性值H₁(R_left,R_up)；当H₁(R_left,R_up)≤T时，将该像素区域对象左侧像素所属的像素区域对象R_left合并至该像素区域对象上方像素所属的像素区域对象R_up，从临时区域对象数组TR中删除区域对象R_left，将二维数组tag中区域对象R_left所有像素的区域对象标号均替换为区域对象R_up的标号；

●当H₁(R_i,R_left)≤T且H₁(R_i,R_up)＞T时，将区域对象R_i合并至区域对象R_up中，标记像素(m,n)所属的区域对象为R_up，即tag[1][1]=ID_up；

●当H₁(R_i,R_left)＞T且H₁(R_i,R_up)≤T时，将区域对象R_i合并至区域对象R_left中，标记像素(m,n)所属的区域对象为R_left，即tag[1][1]=ID_left；

●当H₁(R_i,R_left)＞T且H₁(R_i,R_up)＞T时，将区域对象R_i作为一个新的区域对象存储到临时区域对象数组TR中。标记像素(m,n)所属的区域对象为R_i，即tag[m][n]=ID_i；

步骤214，重复步骤210-212，直到整幅影像的所有像素扫描完。

本发明中，可以将上述步骤102合并后最终得到的初始区域对象采用区域邻接图的方式来表示。

区域邻接图的定义为：G=(V,E)，其中V={V₁，V₂，…，V_n}为顶点集，E={E₁，E₂，…，E_m}为边集，或弧段集。相邻两节点间生成一条弧段，弧段带有权值。因此，区域邻接图通常为无向加权图。区域邻接图是事物之间关系的一种数学表示，在实际应用中常给弧段赋一数值，如果顶点表示某种事物，则弧段可表示事物间的连接，弧段上的权值大小可表示事物连接的紧密程度。

如图3所示，将临时区域对象数组TR中所有区域对象采用区域邻接图RAG表达。令R表示整个图像区域，对R的分割可以看作将R分成若干个子区域的集合，即R={R₁，R₂，…，R_n}。那么，采用区域邻接图表达上述步骤102的影像分割结构，节点V_i表示初始区域对象R_i；节点V_i和V_j之间的弧段E_ij表示区域R_i和R_j之间的连接，即相邻关系；弧段E_ij的权值为相邻区域R_i和R_j之间的异质性值，用于表示相邻区域R_i和R_j之间相似性程度，值越小表示区域R_i和R_j之间越相似，反之，则差异越大。

如图4所示，上述步骤104的具体实现流程包括：

步骤402，遍历区域邻接图RAG，获得权值最小的弧段的权值，记为W_min；

步骤404，再次遍历区域邻接图RAG中的所有弧段，如果其权值W小于等于W_min，在RAG中查找该权值最小弧段连接的相邻区域对象，记为R₁和R₂；

步骤406，将R₁和R₂进行区域合并，生成新的区域对象R_i，新区域对象的唯一标号可以选择R₁和R₂中的任一个标号，如选择R₁的标号；

步骤408，将R₂从区域邻接图中删除，同时删除与R₂相连的所有弧段，再将与R₂相连而不与R₁相连的区域对象与R₁相连，并生成新的弧段；

步骤410，重新计算与R₁相连的所有弧段的权重；

步骤412，如果满足合并终止条件，则合并结束；否则返回步骤402。

具体地，计算相邻初始区域对象之间的第二异质性值，即弧段权值的方法如下：

H₂(R_i,R_j)＝(1-w_shape)h_spectral(R_i,R_j)+w_shapeh_shape(R_i,R_j)，

其中，R_i和R_j为相邻初始区域对象，h_spectral(R_i,R_j)为R_i和R_j之间的光谱异质性值，h_shape(R_i,R_j)为R_i和R_j之间的形状异质性值，w_shape为形状异质性值的权重，1-w_shape为光谱异质性值的权重；

$h_{\mathrm{spectral}}(R_i,R_j)=|\underset{b=1}{\overset{B}{\mathrm{\Σ}}}(n_i+n_j){\mathrm{\σ}}_{\mathrm{ijb}}-(\underset{b=1}{\overset{B}{\mathrm{\Σ}}}{n}_i{\mathrm{\σ}}_{\mathrm{ib}}+\underset{b=1}{\overset{B}{\mathrm{\Σ}}}{n}_j{\mathrm{\σ}}_{\mathrm{jb}})|,$

其中，n_i和n_j分别为R_i和R_j中包含的像素个数，σ_ib、σ_jb和σ_ijb分别为R_i、R_j及合并后得到的区域对象第b波段的光谱信息标准差，B为遥感影像的波段个数；

h_shape(R_i,R_j)＝w_compacth_compact(R_i,R_j)+(1-w_compact)h_smooth(R_i,R_j)，

其中，h_compact(R_i,R_j)为R_i和R_j的紧致度，h_smooth(R_i,R_j)为R_i和R_j的光滑度，w_compact为紧致度的权重，1-w_compact为光滑度的权重；

$h_{\mathrm{compact}}(R_i,R_j)=|(n_i+n_j)\frac{l_{\mathrm{ij}}}{h_{\mathrm{ij}}}-(n_i\frac{l_i}{h_i}+n_j\frac{l_j}{h_j})|,$

l_i、l_j、l_ij分别为R_i、R_j及合并后得到的区域对象的轮廓边界的最小有向矩形框的长，h_i、h_j、h_ij分别为R_i、R_j及合并后得到的区域对象的轮廓边界的最小有向矩形框的宽；

$h_{\mathrm{smooth}}(R_i,R_j)=|(n_i+n_j)\frac{p_{\mathrm{ij}}}{q_{\mathrm{ij}}}-(n_i\frac{p_i}{q_i}+n_j\frac{p_j}{q_j})|,$

其中，p_i、p_j、p_ij分别为R_i、R_j及合并后得到的区域对象的轮廓边界周长，q_i、q_j、q_ij分别为R_i、R_j及合并后得到的区域对象的轮廓边界最小外接有向矩形框的周长。

更优地，步骤104中，在每次合并过程中，根据每次合并时相邻初始区域对象之间的第二异质性值判断是否执行本次合并。即，以区域邻接图中所有相邻区域间异质性值的平均值作为尺度参数的基数，引入第二阈值（松弛因子）来调节层次输出时的尺度参数大小，以控制多层次分割结果集中层次的数量。

本发明定义分割尺度为S，建立S与区域邻接图中所有弧段权重的平均值的关系。使分割尺度参数符合遥感影像分割尺度与对象大小乘成正比关系，即尺度越大，区域对象个数越少，对象区域越大。

S为为本次合并所有相邻初始区域对象之间的第二异质性值平均值的平方根，即

其中i≠j，N表示区域邻接图中的弧段个数，W_ij为弧段权值，即顶点V_i和V_j所对应的相邻区域对象R_i和R_j间的异质性值。使用平方根对平均值进行开平方，主要是为了增加尺度控制的敏感度，使其更加容易控制。

令S_cur表示当前分割尺度，S_prev表示上一次分割尺度，K表示S_cur与的S_prev比值。令α表示第二阈值（松弛因子），该值为常数，其范围为(1.0,∞)。当K＞α，即S_cur＞αS_prev时，执行本次合并。

在步骤104的合并过程中，每次合并都计算当前合并状态的尺度值S_cur，然后与前一次合并时的尺度值S_prev进行比较，如果其比值大于预设松弛因子，即S_cur＞αS_prev，则输出当前尺度的分割结果，并将S_cur赋给S_prev，即S_cur＝S_prev，重复上述过程，直到满足合并终止条件，多层次分割过程结束。

在步骤104的合并过程中，还将当前分割尺度S_cur与预设的合并开始尺度S_start及合并终止尺度S_stop进行比较，当S_cur≥S_start且S_cur＜S_stop时，执行本次合并；当S_cur＜S_start或S_cur≥S_stop时，停止合并。

如图5所示，本发明高分辨率遥感影像多层次分割方法具体实现方法如下：

步骤502，输入原始遥感影像，设置分割参数，主要包括表1参数列表项；

步骤504，对原始遥感影像进行初始分割，具体流程如图2所示；

步骤506，将步骤504的分割结果区域构建为区域邻接图，包括构建区域邻接拓扑关系和计算弧段权值，此时采用包含光谱和形状两种异质性测度的整体区域合并异质性测度计算区域间异质性值作为弧段权值，并对异质性值进行精度控制，不保留小数位；

步骤508，统计、计算区域邻接图中区域间最小异质性值和平均异质性值；根据平均异质性值计算初始状态的尺度，并赋给S_prev，同时将层次输出开始尺度赋给当前合并状态尺度，即S_cur＝S_start；

步骤510，如果满足当前层次输出尺度条件，即S_cur＞αS_prev，跳转至步骤514，否则执行步骤512；

步骤512，基于异质性最小区域合并算法在区域邻接图基础上进行区域合并，在调整由于合并引起的区域间邻接拓扑关系，重新计算新弧段权值时，采用整体区域合并异质性测度计算新弧段的权值，并对异质性值进行精度控制，不保留小数位；回到步骤508；

步骤514，输出当前尺度的分割结果；

步骤516，如果当前尺度不满足合并终止的尺度，即S_cur≠S_stop，执行步骤518，否则跳转至步骤520；

步骤518，将当前分割尺度作为前一层次输出尺度，即S_cur＝S_prev，计算下一个层次输出的尺度，并赋给S_cur，如果S_cur大于分割终止尺度，将分割终止尺度赋给S_cur，即S_cur＝S_stop；返回步骤508；

步骤520，合并停止，分割过程结束，得到不同尺度的多层次分割结果。

如图6所示，单个分割结果称为区域对象层，一个区域对象层是由多个区域对象组成，多个区域对象层形成区域对象层组。在区域对象层组中，通过对同一区域对象层中区域对象间构建拓扑邻接关系，上下区域对象层中区域对象间构建层次继承关系，形成区域对象的多层次网络结构。在区域对象的多层次网络结构中，每一层区域对象层对应一个分割尺度，多层次分割的目标既是生成对一幅遥感影像的不同尺度的多层次网络结构表达。

多层次网络结构表达中同层的区域对象之间具有邻接拓扑关系，上下层的区域对象之间具有隶属关系。这种区域对象的多层次表达可以很好的反映地物的上下文信息，相比单一分割结果的表达具有非常明显的优势，是充分地挖掘高分辨率遥感影像应用潜力的一种有效途径。多层次分割技术提供的多尺度区域对象数据层为同一研究区域中多种地物类别提供多尺度的影像数据成为可能，据此，不同类别的信息提取可以在相应尺度的区域对象层中进行。

基于同一发明构思，如图7所示，本发明高分辨率遥感影像多层次分割系统实施例包括：

扫描装置71，依次扫描遥感影像的像素，为每个像素创建对应的像素区域对象；第一计算装置72，计算相邻像素所属的像素区域对象之间的第一异质性值；第一合并装置73，当第一异质性值小于等于预设的第一阈值时，将相邻像素区域对象合并，得到两个或两个以上的初始区域对象；第二计算装置74，计算相邻初始区域对象之间的第二异质性值；第二合并装置75，自底向上合并第二异质性值最小的相邻初始区域对象。

优选地，该系统还包括：合并控制装置76，用于根据每次合并时相邻初始区域对象之间的第二异质性值判断是否控制第二合并装置75执行本次合并。

本发明的高分辨率遥感影像多层次分割方法及系统，通过根据区域对象之间的异质性值进行不同层次区域对象的合并，从而实现只需一次输入少量参数，就可以实现对遥感影像不同层次区域对象的分割，提高了遥感影像分割的效率、准确度及稳定度，减少了人工干预程度及其产生的人为因素影响，实现自动化的影像分割。

应说明的是：以上实施例仅用以说明本发明而非限制，本发明也并不仅限于上述举例，一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围中。

Claims (12)

1.一种高分辨率遥感影像多层次分割方法，其特征在于，包括：

步骤A，依次扫描遥感影像的像素，为每个像素创建对应的像素区域对象，计算相邻像素所属的像素区域对象之间的第一异质性值；当所述第一异质性值小于等于预设的第一阈值时，将所述相邻像素所属的像素区域对象进行合并，得到初始区域对象；当所述第一异质性值大于预设的第一阈值时，不进行相邻像素所属像素区域对象的合并；

步骤B，计算相邻初始区域对象之间的第二异质性值；自底向上合并所述第二异质性值最小的相邻初始区域对象。

2.根据权利要求1所述的方法，其特征在于，所述步骤A中，计算相邻像素所属的像素区域对象之间的第一异质性值包括：

$H_1(R_i,R_j)=\sqrt{\frac{n_i{n}_j}{n_i+n_j}\underset{b=1}{\overset{B}{\mathrm{\Σ}}}{({\mathrm{\μ}}_{\mathrm{ib}}-{\mathrm{\μ}}_{\mathrm{jb}})}^2},$

其中，R_i和R_j为相邻的像素区域对象，n_i和n_j分别为R_i和R_j中包含的像素个数，μ_ib和μ_jb分别为R_i和R_j第b波段的光谱均值，B为所述遥感影像的波段个数。

3.根据权利要求2所述的方法，其特征在于，所述步骤A包括：

对于所述遥感影像第1行第1列的像素，为其创建对应的像素区域对象R_i；

对于所述遥感影像第1行第n列的像素，n>1，为其创建对应的像素区域对象R_i，计算该像素区域对象R_i与其左侧像素所属的像素区域对象R_left之间的第一异质性值H₁(R_i,R_left)，当时，T为所述预设的第一阈值，将该像素区域对象合并至其左侧像素所属的像素区域对象；

对于所述遥感影像第m行第1列的像素，m>1，为其创建对应的像素区域对象R_i，计算该像素区域对象R_i与其上方像素所属的像素区域对象R_up之间的第一异质性值H₁(R_i,R_up)，当H₁(R_i,R_up)≤T时，将该像素区域对象合并至其上方像素所属的像素区域对象。

4.根据权利要求2所述的方法，其特征在于，所述步骤A包括：

对于所述遥感影像第m行第n列的像素，m>1，n>1，为其创建对应的像素区域对象R_i，计算该像素区域对象R_i与其左侧像素所属的像素区域对象R_left之间的第一异质性值H₁(R_i,R_left)及该像素区域对象R_i与其上方像素所属的像素区域对象R_up之间的第一异质性值H₁(R_i,R_up)；

当其左侧像素所属的像素区域对象R_left和其上方像素所属的像素区域对象R_up为同一像素区域对象时，且H₁(R_i,R_left)≤T时，将该像素区域对象合并至其左侧像素所属的像素区域对象；

当其左侧像素所属的像素区域对象R_left和其上方像素所属的像素区域对象R_up为不同像素区域对象，且同时满足

和H₁(R_i,R_up)≤T时，比较H₁(R_i,R_left)和H₁(R_i,R_up)，当H₁(R_i,R_up)＜H₁(R_i,R_left)时，将该像素区域对象合并至其上方像素所属的像素区域对象；当H₁(R_i,R_up)＞H₁(R_i,R_left)时，将该像素区域对象合并至其左侧像素所属的像素区域对象；当H₁(R_i,R_up)＝H₁(R_i,R_left)时，将该像素区域对象合并至其左侧像素所属的像素区域对象或其上方像素所属的像素区域对象；

当H₁(R_i,R_left)≤T且H₁(R_i,R_up)＞T时，将该像素区域对象合并至其左侧像素所属的像素区域对象；

当H₁(R_i,R_left)＞T且H₁(R_i,R_up)≤T时，将该像素区域对象合并至其上方像素所属的像素区域对象。

5.根据权利要求4所述的方法，其特征在于，还包括：

计算该像素区域对象左侧像素所属的像素区域对象R_left与上方像素所属的像素区域对象R_up之间的第一异质性值H₁(R_left,R_up)；

当H₁(R_left,R_up)≤T时，将该像素区域对象左侧像素所属的像素区域对象R_left合并至该像素区域对象上方像素所属的像素区域对象R_up。

6.根据权利要求1-5任一所述的方法，其特征在于，所述步骤B中，计算相邻初始区域对象之间的第二异质性值包括：

H₂(R_i,R_j)＝(1-w_shape)h_spectral(R_i,R_j)+w_shapeh_shape(R_i,R_j)，

其中，R_i和R_j为相邻初始区域对象，h_spectral(R_i,R_j)为R_i和R_j之间的光谱异质性值，h_shape(R_i,R_j)为R_i和R_j之间的形状异质性值，w_shape为所述形状异质性值的权重，1-w_shape为所述光谱异质性值的权重；

$h_{\mathrm{spectral}}(R_i,R_j)=|\underset{b=1}{\overset{B}{\mathrm{\Σ}}}(n_i+n_j){\mathrm{\σ}}_{\mathrm{ijb}}-(\underset{b=1}{\overset{B}{\mathrm{\Σ}}}{n}_i{\mathrm{\σ}}_{\mathrm{ib}}+\underset{b=1}{\overset{B}{\mathrm{\Σ}}}{n}_j{\mathrm{\σ}}_{\mathrm{jb}})|,$

其中，n_i和n_j分别为R_i和R_j中包含的像素个数，σ_ib、σ_jb和σ_ijb分别为R_i、R_j及合并后得到的区域对象第b波段的光谱信息标准差，B为所述遥感影像的波段个数；

h_shape(R_i,R_j)＝w_compacth_compact(R_i,R_j)+(1-w_compact)h_smooth(R_i,R_j)，

其中，h_compact(R_i,R_j)为R_i和R_j的紧致度，h_smooth(R_i,R_j)为R_i和R_j的光滑度，w_compact为紧致度的权重，1-w_compact为光滑度的权重；

$h_{\mathrm{compact}}(R_i,R_j)=|(n_i+n_j)\frac{l_{\mathrm{ij}}}{h_{\mathrm{ij}}}-(n_i\frac{l_i}{h_i}+n_j\frac{l_j}{h_j})|,$

l_i、l_j、l_ij分别为R_i、R_j及合并后得到的区域对象的轮廓边界的最小有向矩形框的长，h_i、h_j、h_ij分别为R_i、R_j及合并后得到的区域对象的轮廓边界的最小有向矩形框的宽；

$h_{\mathrm{smooth}}(R_i,R_j)=|(n_i+n_j)\frac{p_{\mathrm{ij}}}{q_{\mathrm{ij}}}-(n_i\frac{p_i}{q_i}+n_j\frac{p_j}{q_j})|,$

其中，p_i、p_j、p_ij分别为R_i、R_j及合并后得到的区域对象的轮廓边界周长，q_i、q_j、q_ij分别为R_i、R_j及合并后得到的区域对象的轮廓边界最小外接有向矩形框的周长。

7.根据权利要求6所述的方法，其特征在于，所述步骤B中，合并所述第二异质性值最小的相邻初始区域对象之前还包括：

根据每次合并时相邻初始区域对象之间的第二异质性值判断是否执行本次合并。

8.根据权利要求7所述的方法，其特征在于，根据每次合并时相邻初始区域对象之间的第二异质性值判断是否执行本次合并包括：

计算本次合并所有相邻初始区域对象之间的第二异质性值；

计算当前分割尺度为本次合并所有相邻初始区域对象之间的第二异质性值平均值的平方根；

将当前分割尺度S_cur和上一次分割尺度S_prev的比值K与预设的第二阈值α进行比较，当K＞α时，执行本次合并。

9.根据权利要求8所述的方法，其特征在于，根据每次合并时相邻初始区域对象之间的第二异质性值判断是否执行本次合并还包括：

将所述当前分割尺度S_cur与预设的合并开始尺度S_start及合并终止尺度S_stop进行比较，当S_cur≥S_start且S_cur＜S_stop时，执行本次合并；

当S_cur＜S_start或S_cur≥S_stop时，停止合并。

10.根据权利要求9所述的方法，其特征在于，还包括：

执行本次合并后，输出合并结果。

11.一种高分辨率遥感影像多层次分割系统，其特征在于，包括：

扫描装置，用于依次扫描遥感影像的像素，为每个像素创建对应的像素区域对象；

第一计算装置，用于计算相邻像素所属的像素区域对象之间的第一异质性值；

第一合并装置，用于将所述相邻像素所属的像素区域对象进行合并，得到初始区域对象；第二计算装置，用于计算相邻初始区域对象之间的第二异质性值；

第二合并装置，用于自底向上合并所述第二异质性值最小的相邻初始区域对象。

12.根据权利要求11所述的系统，其特征在于，还包括：

合并控制装置，用于根据每次合并时相邻初始区域对象之间的第二异质性值判断是否控制所述第二合并装置执行本次合并。

Images