CN103400389A - 一种高分辨率遥感图像分割方法 - Google Patents

Abstract

本发明提供一种高分辨率遥感图像分割方法，属于遥感图像处理领域，包括以下步骤：S1、计算待处理图像所有相邻像素的相似度，按相似度从大到小的顺序对所有像素对进行排序；S2、按顺序选择像素对，计算两个像素所在两个相邻区域的光谱特征和纹理特征；S3、根据获取到光谱特征和纹理特征确定两个区域是否合并，最终完成分割；其中，所述待处理图像为高分辨率遥感图像，所述纹理特征指待合并区域的LBP值分布。本发明在结合统计区域合并算法的基础上，结合改进的旋转不变一直模式LBP算子，充分利用了高分辨率遥感图像的信息，大大提高了分割精度，有效将大量光谱信息接近的不同区域分割出来，灵活控制图像的分割尺度。

Description

一种高分辨率遥感图像分割方法

技术领域

本发明涉及遥感图像处理领域，尤其涉及一种高分辨率遥感图像分割方法。 

背景技术

图像分割是面向对象分析方法的关键一步，其分割形成的初始区域是遥感图像面向对象技术分析的基本单元，对应地面一定尺度下的地物区域，分割结果直接影响后续处理的结果。因为图像分割的结果多种多样，同时高分辨率遥感图像往往场景复杂，而且地面目标清晰可见，导致能够分辨的地物种类过多，面积相差很大，使得高分辨率遥感图像精确分割的难度很高，所以这个领域的研究具有很大挑战性，是现在研究的热点，也是难点。随着高分辨率遥感图像的分辨率越来越高，地物类型和场景越来越复杂，目标表面的细节信息越来越丰富，传统的分割算法已经无法有效分割，很容易产生错误分割，对高分辨率遥感图像分割技术提出了很大挑战，优良的图像分割算法能够精确分割地面目标，或者这些目标的不同部分，从而以分割得到的对象为基本单位，进一步提取信息，方便后续处理。所以，开展高分辨率遥感图像分割的研究对现在日益增长的实际应用需求非常重要，这样就可以使得后续的分析与应用能直接针对同质的对象区域进行，与基于像素的分析方法相比，能够显著提高对地面目标识别的精度。 

高分辨率遥感图像的分辨率不断提高，其不但光谱信息丰富，同时包含着大量的地物表面纹理细节信息，存在大量光谱信息相近的不同区域，一般的方法难以分割，利用纹理信息可以比较容易地区分这些区域，提高分割精度。LBP算子是一种优良的纹理信息描述方法，利用该算子，可以有效描述高分辨率遥感图像的纹理特征。 

发明内容

针对上述现有技术，本发明的目在于如何提供一种高分辨率遥感图像分割方法，用以解决现有技术中在分割高分辨遥感图像时对光谱接近的不同区域分割效果不佳的问题。 

为解决上述问题，本发明采用的如下技术方案是： 

一种高分辨率遥感图像分割方法，其特征在于，包括以下步骤： 

S1、计算待处理图像所有相邻像素的相似度，按相似度从大到小的顺序进行排序； 

S2、按S1所指按相似度从大到小选择像素对，计算两个像素所在两个相邻区域的光谱特征和纹理特征； 

S3、根据获取到的光谱信息和纹理信息确定两个区域是否合并，最终完成分割； 

其中，所述待处理图像为高分辨率遥感图像，所述纹理特征指待合并区域的LBP值分布，光谱信息指区域平均灰度值。 

所述步骤S1具体分解为以下两个步骤： 

S11、计算图像所有相邻像素的相似度； 

所述相邻像素是通过计算相邻像素的灰度值差得到；对于单波段图像，相邻像素相似度的计算公式为： 

$f(p,p^{\′})=\frac{1}{|p-p^{\′}|},$

其中，p和p′代表两个相邻像素的灰度值，|p-p′|表示两个像素灰度值之差的绝对值； 

对于多波段图像，相邻像素相似度的计算公式为： 

$f(p,p^{\′})=\frac{1}{\underset{a\∈\{B_1,B_2,...,B_n\}}{\max }|p_a-{p^{\′}}_a|},$

|p_a-p′_a|表示在波段a中，两个相邻像素灰度值之差的绝对值； 

S12、按照相似度从大到小的顺序对所有像素对进行排序。 

所述步骤S2具体分解为以下四个步骤： 

S21、按顺序选择像素对，如果像素对已选择完，则分割结束； 

S22、按顺序选择像素对，判断两个像素是否在同一区域，如果在同一区域，转S21； 

S23、计算两个像素所在区域的光谱特征b(R)、b(R′)和b(R)计算公式 为： 

其中，R代表像素p所在区域，|R|代表区域R的面积，R′代表像素p′所在区域，Q为人工输入的尺度因子，g代表图像的灰度级数量，δ＝1/(6|I|²),|I|为整个图像面积，

为区域R的平均灰度值。 

S24、计算两个像素所在区域的纹理特征，即得到区域中各点的LBP值，LBP计算公式如下： 

${\mathrm{LBP}}_{P,R}^{\mathrm{riu}2,T}=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{p=0}^{P-1}\mathrm{sign}\left(\right|g_p-g_c|-T),& \mathrm{ifU}\left({\mathrm{LBP}}_{P,R}^T\right)\≤2\\ P+1,& \mathrm{otherwise}\end{array}\right.$

$U\left({\mathrm{LBP}}_{P,R}^T\right)=|\mathrm{sign}\left(\right|g_{P-1}-g_c|-T)-\mathrm{sign}\left(\right|g_0-g_c|-T)|+$

$\underset{p=1}{\overset{P-1}{\mathrm{\Σ}}}|\mathrm{sign}\left(\right|g_p-g_c|-T)-\mathrm{sign}\left(\right|g_{p-1}-g_c|-T)|$

式中，P表示该点像素邻域像素数量，R代表邻域半径，g_c代表该点灰度值，g_p代表邻域像素灰度值，其中0≤p≤P，T为手动设置的最小灰度差。其中，所述S3具体分解为以下四个步骤： 

S31、计算两个区域像素数量是否均大于N。N为事先设定数值。 

S32、如果两个区域像素数量均大于N，则计算两个区域是否同时满足光谱信息合并准则和纹理信息合并准则。如果有一个区域的像素数量小于等于N，则值计算两个区域是否满足光谱信息合并准则。 

S33、如果满足合并准则，则将两个像素所在两个相邻区域合并，否则，不予合并。 

S34、按顺序选择像素对，如果像素对已选择完，则分割结束； 

其中，光谱信息合并准则为： 

$P(R,R^{\′})=\left\{\begin{array}{ccc}\mathrm{true}& \mathrm{if}& |\stackrel{\_}{R}-\stackrel{\‾}{R\′}|\≤\sqrt{b^2\left(R\right)+b^2(R^{\′})}\\ \mathrm{false}& & \mathrm{otherwise}\end{array}\right.$

其中，

为区域R的平均灰度值； 

对于包含n个波段{B₁,B₂,...,B_n}的图像，其光谱信息合并准则为： 

$P(R,R^{\′})=\left\{\begin{array}{ccc}\mathrm{true}& \∀a\∈\{B_1,B_2,...,B_n\},& |{\stackrel{\‾}{R}}_a-\stackrel{\‾}{{R_a}^{\′}}|\≤\sqrt{b^2\left(R_a\right)+b^2\left({R_a}^{\′}\right)}\\ \mathrm{false}& \mathrm{otherwise}& \end{array}\right.$

其中，纹理信息合并准则为： 

$J_B(R,R^{\′})=-\ln \left(\underset{i=0}{\overset{9}{\mathrm{\Σ}}}\sqrt{p_R\left(i\right)p_{R^{\′}}\left(i\right)}\right)$

$P_B(R,R^{\′})=\left\{\begin{array}{ccc}\mathrm{true}& \mathrm{if}& J_B\left(R{,R}^{\′}\right)\≤M\\ \mathrm{false}& & \mathrm{otherwise}\end{array}\right.$

其中，R和R′为两个相邻区域，p_R(i)表示区域R中LBP值为i的像素所占比例，p_R′(i)代表区域R′中LBP值为i的像素所占比例，M为人工设定合并尺度，如果P_B(R,R′)为true，则表明两个区域满足纹理信息合并准则。 

与现有技术相比，本发明的有益效果表现在： 

本发明在统计合并算法的基础上，引入了改进的旋转不变一致模式LBP算子，在一定程度上解决了现有技术中对光谱信息接近的区域区分能力不强的问题，使高分辨率遥感图像的分割精度有了很大的提高。 

附图说明

图1是本发明的流程图； 

图2是实施方式中高分辨率遥感图像分割方法的流程图； 

图3为改进旋转不变一致模式LBP示意图。 

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。 

请参阅图1，本实施方式提供一种高分辨率遥感图像分割方法，包括： 

S1、计算待处理图像所有相邻像素的相似度，按相似度从大到小的顺序进行排序； 

S2、按顺序选择像素对，计算两个像素所在两个相邻区域的光谱特征和纹理特征； 

S3、根据获取到光谱信息和纹理信息确定两个区域是否合并，最终完成分 割； 

其中，所述待处理图像为高分辨率遥感图像，，所述纹理特征指待合并区域的LBP值分布，光谱信息指区域平均灰度值。 

请参阅图2，在某些实施例中，所述S1包括S11和S12，具体如下文所述。 

S11、计算图像所有相邻像素的相似度，相似度通过计算相邻像素灰度值差得到。对于单波段图像，相邻像素相似度的计算公式为： 

$f(p,p^{\′})=\frac{1}{|p-p^{\′}|}$

其中，p和p′代表两个相邻像素的灰度值，|p-p′|表示两个像素灰度值之差的绝对值。 

对于多波段图像，相邻像素相似度的计算公式为： 

$f(p,p^{\′})=\frac{1}{\underset{a\∈\{B_1,B_2,...,B_n\}}{\max }|p_a-{p^{\′}}_a|}$

|p_a-p′_a|表示在波段a中，两个相邻像素灰度值之差的绝对值。 

S12、按照相似度从大到小的顺序，对所有像素对进行排序。 

请参阅图2和图3，所述S2包括S21、S22、S23和S24。具体如下所述。 

S21、按顺序选择像素对，如果像素对已选择完，则分割结束，得到分割结果； 

S22、判断所选两个像素是否在同一区域，如果在同一区域，转S21。判断两个像素是否在同一区域，通过确定两个像素的标记编号是否一致得到； 

S23、计算两个像素所在区域的光谱特征b(R)、b(R′)和

b(R)计算公式为： 

R代表像素p所在区域，R′代表像素p′所在区域，Q为人工输入的尺度因子，g代表图像的灰度级数量，|R|代表区域R的面积，δ＝1/(6|I|²),|I|为整个图像面积，

为区域R的平均灰度值。 

S24、计算两个像素所在区域的纹理特征，即得到区域中各点的LBP值，对 于单波段图像，LBP计算公式如下： 

$U\left({\mathrm{LBP}}_{P,R}^T\right)=|\mathrm{sign}\left(\right|g_{P-1}-g_c|-T)-\mathrm{sign}\left(\right|g_0-g_c|-T)|+$

$\underset{p=1}{\overset{P-1}{\mathrm{\Σ}}}|\mathrm{sign}\left(\right|g_p-g_c|-T)-\mathrm{sign}\left(\right|g_{p-1}-g_c|-T)|$

${\mathrm{LBP}}_{P,R}^{\mathrm{riu}2,T}=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{p=0}^{P-1}\mathrm{sign}\left(\right|g_p-g_c|-T),& \mathrm{if\; U}\left({\mathrm{LBP}}_{P,R}^T\right)\≤2\\ P+1,& \mathrm{otherwise}\end{array}\right.$

计算过程中，首先需要判断是否为一致模式，即是否满足

然后根据是否为一致模式，确定LBP值。 

对于多波段图像，分别计算该点在各波段的LBP值，然后选择其中最大者作为该点LBP值。 

请参阅图2，所述S3包括S31、S32、S33和S34。具体如下所述。 

S31、计算两个区域像素数量是否均大于N。N为事先设定数值。 

S32、如果两个区域像素数量均大于N，则计算两个区域是否同时满足光谱信息合并准则和纹理信息合并准则。如果有一个区域的像素数量小于等于N，则值计算两个区域是否满足光谱信息合并准则。 

S33、如果满足合并准则，则将两个像素所在两个相邻区域合并，即将两个区域的像素标记编号统一，否则，不予合并。 

S34、转S21，即按顺序选择下一个像素对，确定是否合并下一对相邻区域。 

具体的，光谱信息合并准则为： 

$P(R,R^{\′})=\left\{\begin{array}{ccc}\mathrm{true}& \mathrm{if}& |\stackrel{\_}{R}-\stackrel{\‾}{R^{\′}}|\≤\sqrt{b^2\left(R\right)+b^2\left(R^{\′}\right)}\\ \mathrm{false}& & \mathrm{otherwise}\end{array}\right.$

对于包含n个波段{B₁,B₂,...,B_n}的图像，其光谱信息合并准则为： 

$P(R,R^{\′})=\left\{\begin{array}{ccc}\mathrm{true}& \∀a\∈\{B_1,B_2,...,B_n\},& |{\stackrel{\‾}{R}}_a-\stackrel{\‾}{{R_a}^{\′}}|\≤\sqrt{b^2\left(R_a\right)+b^2\left({R_a}^{\′}\right)}\\ \mathrm{false}& \mathrm{otherwise}& \end{array}\right.$

纹理信息合并准则为： 

$J_B(R,R^{\′})=-\ln \left(\underset{i=0}{\overset{9}{\mathrm{\Σ}}}\sqrt{p_R\left(i\right)p_{R^{\′}}\left(i\right)}\right)$

$P_B(R,R^{\′})=\left\{\begin{array}{ccc}\mathrm{true}& \mathrm{if}& J_B(R,R^{\′})\≤M\\ \mathrm{false}& & \mathrm{otherwise}\end{array}\right.$

式中，R和R′为两个相邻区域，p_R(i)表示区域R中LBP值为i的像素所占比例，p_R′(i)代表区域R′中LBP值为i的像素所占比例，M为人工设定合并尺度。如果P_B(R,R′)为true，则表明两个区域满足纹理信息合并准则。 

由上述不难看出，本发明在此引入了改进的旋转不变LBP算子，以相邻区域的LBP值分布来区分光谱信息接近的不同区域，可以有效提高高分辨率遥感图像的分割精度。 

综上所述，本发明提供一种高分辨率遥感图像分割方法，在统计区域合并算法的基础上上，引入了改进的旋转不变一致模式LBP算子，根据相邻区域LBP值分布的差异性，在一定程度上解决了现有技术中对光谱信息接近的不同区域区分能力不高的问题，使高分辨率遥感图像的分割精度有了很大的提高。 

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。 

Claims (7)

1.一种高分辨率遥感图像分割方法，其特征在于，包括： 

S1、计算待处理图像所有相邻像素的相似度，按相似度从大到小的顺序进行排序； 

S2、按顺序选择像素对，计算两个像素所在两个相邻区域的光谱特征和纹理特征； 

S3、根据获取到光谱信息和纹理信息确定两个区域是否合并，最终完成分割。 

2.根据权利要求1所述的高分辨率遥感图像分割方法，其特征在于，所述S1包括： 

S11、计算图像所有相邻像素的相似度； 

S12、按照相似度从大到小的顺序对所有像素对进行排序。

3.根据权利要求2所述的高分辨率遥感图像分割方法，其特征在于，所述相邻像素相似度是：通过计算相邻像素的灰度值差得到， 

对于单波段图像，相邻像素相似度的计算公式为： 

其中，p和p′代表两个相邻像素的灰度值，|p-p′|表示两个像素灰度值之差的绝对值； 

对于多波段图像，相邻像素相似度的计算公式为： 

|p_a-p′_a|表示在波段a中，两个相邻像素灰度值之差的绝对值。 

4.根据权利要求1所述的高分辨率遥感图像分割方法，其特征在于，所述步骤S2具体分解为以下四个步骤： 

S21、按顺序选择像素对，如果像素对已选择完，则分割结束； 

S22、判断所选两个像素是否在同一区域，如果在同一区域，则选择下一个像素对，即转S21； 

S23、计算两个像素所在区域的光谱特征b(R)、b(R′)和

b(R)计算公式为： 

R代表像素p所在区域，R′代表像素p′所在区域，Q为人工输入的尺度因子，g代表图像的灰度级数量，|R|代表区域R的面积，δ＝1/(6|I|²),|I|为整个图像面积，

为区域R的平均灰度值。 

S24、计算两个像素所在区域的纹理特征，即得到区域中各点的LBP值，LBP计算公式如下： 

P表示该点像素邻域像素数量，R代表邻域半径，g_c代表该点灰度值，g_p代表邻域像素灰度值。 

5.根据权利要求1所述的高分辨率遥感图像分割方法，其特征在于，所述S3具体为： 

S31、计算两个区域像素数量是否均大于N，N为事先设定数值； 

S32、如果两个区域像素数量均大于N，则计算两个区域是否同时满足光谱信息合并准则和纹理信息合并准则；如果有一个区域的像素数量小于等于N，则值计算两个区域是否满足光谱信息合并准则； 

S33、如果满足合并准则，则将两个像素所在两个相邻区域合并，否则，不予合并； 

S34、按顺序选择像素对，如果像素对已选择完，则分割结束。 

6.根据权利要求5所述高分辨率遥感图像分割方法，其特征在于，所述S32中光谱信息合并准则为： 

对于包含n个波段{B₁,B₂,...,B_n}的图像，其光谱信息合并准则为： 

7.根据权利要求5所述高分辨率遥感图像分割方法，其特征在于，所述S32中纹理信息合并准则为： 

式中，R和R′为两个相邻区域，p_R(i)表示区域R中LBP值为i的像素所占比例，p_R′(i)代表区域R′中LBP值为i的像素所占比例，M为人工设定合并尺度。如果P_B(R,R′)为true，则表明两个区域满足纹理信息合并准则。 

Images