CN103646400A - 面向对象遥感影像分析中的尺度分割参数自动选择方法 - Google Patents

Abstract

本发明公开了一种面向对象遥感影像分析中的尺度分割参数自动选择方法：最佳空间尺度分割参数，通过求取平均局部方差曲线变程方法确定；最佳属性尺度分割参数，通过局部方差直方图估计方法确定；最佳合并阈值参数，采用各向异性空间相关性统计求取水平和垂直变程来确定；采用指标评价方法进行分割结果的尺度效应评价及尺度分割参数优化调整。本发明兼顾地学空间统计学和模式识别理论方法，实现分割前最优尺度分割参数的自动选择，确定的最优尺度分割参数可以基于统计学理论明确地加以解释，具有更高的理论可信度，提高了面向对象遥感影像信息提取和分析的效率和精度。

Description

面向对象遥感影像分析中的尺度分割参数自动选择方法

技术领域

本发明涉及遥感地学分析方法领域，特别涉及一种面向对象遥感影像分析中的尺度分割参数自动选择方法。

背景技术

面向对象遥感影像处理与分析(GEOBIA)研究目前还处于起步，目前学术界还没有对面向对象的尺度概念进行明确的界定。根据面向对象主流商业软件对影像对象的定义——影像对象是相同属性像元组成的连通区域，面向对象影像处理与分析中的尺度的表层含义是影像对象或对象细节在空间跨度上的大小；而从影像对象提取算法，即影像分割算法的角度，面向对象影像处理与分析中的尺度选择主要对应了多尺度分割算法中的尺度分割参数选择。其中前者体现了面向对象尺度在理论上的定义，后者体现了面向对象尺度在方法上的定义。

图像处理领域一般采用分割斑块内部的均质性和分割斑块之间的异质性作为评价指标，对面向对象尺度效应进行分析，并通过一定评价模型辅助选择最佳分割尺度，但这种方法都是基于大量分割后的评价来进行尺度优选，计算量比较大，选择出的最优尺度很难从机理上加以解释，从尺度科学研究的角度，其科学性和普适性欠佳。

在模式识别领域，图像处理领域的多尺度分割中尺度分割参数选择常常表现为多尺度模式聚类带宽选择，其实质是一种分割前的最优尺度预测。然而这些方法采用的数据大多是现实生活中很少出现的离散的模拟数据，其对遥感影像地学分析的适用性和有效性难以保证，其整体最优的尺度对于局部模式能否也保证最优也不能确定，因此其求出的最佳带宽或多或少缺少实用价值。

而事实上，分割尺度参数的确定应该是基于统计的原始影像全局或局部特征的一种估计，尤其对于面向地学应用的遥感影像多尺度分割来说更是如此。此外，地表系统是由不同级别的子系统构成的复杂系统，由于影像中包含的地物目标尺寸大小不同，需要在不同的处理尺度下反映，而目前的面向对象遥感影像分析，往往基于离散或单一的尺度，很难实现对影像的全局性的理解。

因此，结合空间统计学理论方法，面向不同类型的地物或景观格局，实现分割前最优尺度分割参数的选择，才能有效提高面向对象遥感影像处理与分析的精度和自动化程度，才能更深入地研究遥感尺度聚合问题的地学规律及实质。基于空间统计学的面向对象遥感影像分析中的尺度分割参数自动选择方法成为面向对象尺度效应分析需要着重考虑的问题。

发明内容

(一)主要解决的技术问题

本发明要解决的技术问题是，基于空间统计学方法在分割前确定多尺度影像分割的最优尺度分割参数，提高面向对象遥感信息提取与分析的处理精度及自动化程度。

(二)技术方案

为此，本发明将影响遥感影像多尺度分割的尺度分割参数概括为空间尺度分割参数h_s、属性尺度分割参数h_r和合并阈值参数M。其中，空间尺度分割参数h_s的实际含义是分割过程中像元在空间域的合并距离阈值，对应实际计算窗口的尺寸；属性尺度分割参数h_r的实际含义是分割过程中像元在属性域的属性合并阈值，对应两类别间的灰度特征差值；合并阈值参数M的实际含义是分割斑块合并的阈值，即分割后最小斑块的像元数目。

在此基础上，针对这三个尺度分割参数h_s、h_r、M，本发明提供了一种面向对象遥感影像分析中的尺度分割参数自动选择方法，包括：

步骤10、输入遥感影像，所述遥感影像为全色影像；

步骤20在各向同性假设前提下，求取不同窗口尺寸下的图像平均局部方差曲线变程，确定分割最佳空间尺度分割参数h_s；

步骤30、在步骤20求得的最佳分割窗口尺寸下，统计其局部方差直方图，求取直方图峰值，确定最佳属性尺度分割参数h_r；

步骤40、在各向异性假设前提下，通过求取原始输入图像在水平和垂直方向上的变程确定最佳合并阈值参数M；

步骤50、在以上步骤20、30和40的基础上，采用分割测度多指标或分割斑块块内均质性／块间异质性指标进行分割结果评价，在此基础上对上述3个尺度分割参数h_s、h_r、M进行适当的优化调整。

其中，所述步骤20中的不同尺度下的图像的平均局部方差，为在窗口尺寸分别为3，5，......，n(n≥3且n为奇整数；一般n≤61即可满足要求)时的局部方差图像的均值。在各向同性假设前提下，平均局部方差曲线，即平均局部方差随着计算窗口尺寸大小变化的曲线，可以看作是空间变异函数曲线的近似，因此，在各向同性假设前提下，空间相关性的作用范围即平均局部方差曲线的变程所对应的窗口尺寸即为最佳空间尺度分割参数h_s。

局部方差图像大小与原始图像相同，其每一像元值为原始图像每一像元P(i，j)在窗口尺寸为n时的局部方差。因此在窗口尺寸取n的情况下，图像的平均局部方差ALV的计算公式如下：

$\mathrm{ALV}=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{LV}(i.j)}{\mathrm{MN}}$

其中：M和N表示原图像行列数大小；LV(i，j)表示第i行j列像元的局部方差值，即该窗口尺寸n内的局部图像灰度值方差，反映各像元灰度值与局部窗口灰度平均值的总的离散程度，其计算公式为：

$\mathrm{LV}(i,j)=\sqrt{\frac{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{[f(i.j)-f]}^2}{n^2}}$

其中，n表示窗口尺寸，即局部窗口行列数，f(i，j)表示该局部窗口内第i行j列像元的灰度，f为该局部窗口像元灰度均值，反映该窗口图像中地物的平均反射强度。

所述步骤30中最佳属性尺度分割参数h_r，由局部方差图像直方图的峰值来确定，即当空间尺度分割参数取h_s时，局部方差图像直方图左侧第一个非伪峰值点LC_max1，则最佳属性尺度分割参数h_r取值的计算公式为 $h_r=\sqrt{{\mathrm{LV}}_{\max 1}}.$

所述步骤40中最佳合并阈值参数M，是在各向异性假设前提下，根据原始图像的水平方向和垂直方向的变异函数的变程r_h和r_v计算得到，且根据是否引入先验知识，影像内主导景观类型的形状是否规则，而稍有不同。

当影像地物为人工地物，形状规则，接近于正方形或矩形或影像内部主导景观为建筑区时，以INT[]表示取整函数，M的计算公式如下：

M＝INT[(r_h×r_v)／2]

当影像地物为自然地物，形状不规则，以INT[]表示取整函数，M的计算公式如下：

M＝INT[(r_h×r_v)／4]

当不引入先验知识，也不考虑影像地物形状破碎性时，以INT[]表示取整函数，M的计算公式如下：

M＝INT[(r_h×r_v)／4]

所述步骤50中，针对遥感目标识别具体任务，采用分割斑块内部非均质度E1、分割斑块间灰度对比度E2、分割斑块间散度对比度E3、分割斑块边界点梯度E4四个指标来对尺度分割的效果进行评价，进而间接地对尺度分割参数选择的尺度效应进行定量评价；针对面向对象遥感信息提取具体任务，采用分割斑块内部均质性HM、分割斑块间异质性HT两个指标来对尺度分割的效果进行评价，进而间接地对尺度分割参数选择的尺度效应进行定量评价。

将以上分割效果评价的结果辅助用于尺度分割参数的优化调整，遥感影像多尺度分割的三个尺度分割参数h_s、h_r、M得以最终确定。

(三)有益效果

通过上述的描述可见，本发明实施例具有如下的有益效果：

1、通过本发明实施例提供的方法，提供了一种面向对象遥感影像分析中影像分割尺度处理方法，将地学空间统计理论应用于模式识别具体问题，确定的最优尺度分割参数可以基于统计学理论明确地加以解释，具有更高的理论可信度。

2、本发明实施例提供的方法，不拘泥于具体多尺度图像分割算法，确定的最优尺度分割参数，具有实际的图像操作意义，其尺度优选的结果具有广泛的实用性。

3、本发明实施例提供的方法，实质上是分割前的理论最优的尺度分割参数预测，避免了遥感影像尺度分割参数选择的盲目性，也避免了基于大量尺度分割后从中选择最优尺度的巨大工作投入，兼顾工作效率的同时，提高了面向对象遥感影像处理与分析的精度和自动化程度。

附图说明

图1是本发明实施例的面向对象遥感影像分析中的尺度分割参数自动选择方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，是本发明实施例的面向对象遥感影像分析中的尺度分割参数自动选择方法流程图，本实施例包括如下步骤：

步骤10：输入遥感影像，该遥感影像为全色影像。

本实施例以全色影像为例，但本发明提出的方法和思路对多光谱遥感影像的尺度分割参数选择同样适用。

步骤20：空间尺度分割参数的自动选择。

本实施例的空间尺度分割参数的自动选择包括原始图像逐像元局部窗口均值计算、逐像元局部方差计算、图像平均局部方差计算、求取不同空间分辨率平均局部方差变化曲线的变程。包括如下步骤：

步骤21、原始图像逐像元局部窗口均值计算：采用不同的窗口尺寸n(n≥3且n为奇整数；一般n≤61即可满足要求)，对原始图像按照从左到右从上到下的顺序，逐像元计算像元P(i，j)在窗口尺寸为n时的窗口均值f，计算公式如下：

$f=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}f(i.j)}{n^2}$

其中，n表示窗口尺寸，即局部窗口大小为n*n，f(i，j)表示该局部窗口内第i行j列像元的灰度，f为该局部窗口像元灰度均值，反映该局部窗口图像中地物的平均反射强度。

这里，对于图像边缘像素的处理方法是，用同灰度值扩充原始图像外围，直到待计算像元为窗口中心，以下同。

步骤22、逐像元局部方差计算：在以上均值计算的基础上，逐像元计算像元P(i，j)在窗口尺寸为n时的窗口局部方差LV(i，j)，计算公式如下：

$\mathrm{LV}(i,j)=\sqrt{\frac{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{[f(i.j)-f]}^2}{n^2}}$

其中，n表示窗口尺寸，即局部窗口大小为n*n，f(i，j)表示该局部窗口内第i行j列像元的灰度，f为上步计算得到的像元P(i，j)在局部窗口内的灰度均值。

步骤23、图像平均局部方差计算：计算以上不同的窗口尺寸n(n≥3且n为奇整数)对应的局部方差的均值。若称以上计算得到逐像元局部方差矩阵为局部方差图像，则图像平均局部方差即为该局部方差图像的均值，称其为原始图像在窗口尺寸为n时的平均局部方差，记为ALV。计算公式如下：

$\mathrm{ALV}=\frac{\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}\mathrm{LV}(i.j)}{\mathrm{MN}}$

其中，M和N表示原图像行列数大小，LV(i，j)表示第i行j列像元的局部方差值。

步骤24、求取不同空间分辨率平均局部方差变化曲线的变程：变程是空间统计学领域中的空间相关性临界值，表示了在某种观测尺度下，空间相关性的作用范围。在变程范围内，样点间的距离越小，其相似性即空间相关性越大。抽样间隔超出变程范围，变量间的空间相关性不存在。在各向同性假设前提下，平均局部方差曲线，即平均局部方差随着计算窗口尺寸大小变化的曲线，可以看作是空间变异函数曲线的近似。因此平均局部方差曲线的变程对应的窗口尺寸即为最佳空间尺度分割参数h_s。

步骤30、属性尺度分割参数的自动选择。

本实施例的属性尺度分割参数的自动选择包括最佳空间尺度分割参数对应的局部方差图像直方图统计、直方图峰值确定、原图像最佳属性尺度分割参数确定。具体步骤如下：

步骤31、窗口尺寸h_s下局部方差图像直方图统计：局部方差图像直方图是局部方差图像灰度频数随灰度变化的统计曲线，直方图第一个峰值从计算原理上对应了属性值最相近的两个类别的灰度差值的平方，因此可以作为确定最佳属性尺度分割参数的依据。首先确定直方图统计步长值，因为局部方差是中心像素与邻域像素的灰度差值的平方和均值，所以设局部方差图像直方图统计的最小步长值为4，以保证局部方差平方根最小为2。如果图像的辐射分辨率非常高，直方图统计的最小步长值可以设置成为稍大的整数值。

步骤32、局部方差图像直方图峰值确定：对上述直方图左侧第一个峰值，进行伪峰值判定。若第一个峰为伪峰值，则进行直方图曲线平滑，以去除伪峰值。伪峰值采用上坡段和下坡段点数来判定。局部方差图像直方图统计的最小步长值为4，上坡段和下坡段点数阈值设为10。即，若上坡段和下坡段点数小于10，判定该峰值为伪峰值，则令局部方差图像直方图统计的最小步长值递增1。如此反复，直到直方图曲线图上左侧第一个峰值为非伪峰值。

步骤33、最佳属性尺度分割参数确定：最佳属性尺度分割参数选择以类别特征之间的属性梯度最大为原则，这就意味着最优属性尺度分割参数应取类别的协方差值。当空间尺度分割参数取h_s时，记局部方差图像直方图左侧第一个非伪峰值点位置LV_max1，则最佳属性尺度分割参数h_r取值的计算公式为

步骤40、最佳合并阈值参数M的确定。

本实施例的最佳合并阈值参数M的确定包括原始图像水平和垂直变异函数值计算、求取原始图像水平和垂直方向的变程、基于先验知识的原始图像地物形状规则性程度估计、最佳合并阈值参数M的确定。具体步骤如下：

步骤41、原始图像水平和垂直变异函数值计算：在各向异性假设前提下，在水平和垂直方向上，按照从左到右，从上到下的顺序分别求取原始图像水平和垂直变异函数值。计算公式如下：

$\mathrm{\γ}\left(h\right)=\frac{1}{2N\left(h\right)}\underset{i=1}{\overset{N\left(h\right)}{\mathrm{\Σ}}}{[X\left(i\right)-X(i+h)]}^2$

其中，h为计算间隔，取正整数，按照取值从1，2，......顺序递增，一般递增到30左右即可满足要求，γ(h)是变异函数值，N(h)是距离等于h时的像素点对数，X(i)是在位置i处的像元灰度值，X(i+h)是在距离(i+h)处的像元灰度值。计算中要注意循环计算过程中的像元行列号的初始值和终止值。

步骤42、求取原始图像水平和垂直变程：在各向异性假设前提下，在水平和垂直方向上，分别求取原始图像水平和垂直变程。变程提供了研究某种属性相似范围的一种测度，所以可以用于目标尺寸大小的估算。在某一方向上，将变异函数值变差Δγ(h)_i首次小于或者等于零的计算间隔作为该方向上的变程。变异函数值变差Δγ(h)_i的计算公式如下：

Δγ(h)_i＝γ(h)_i-Δγ(h)_i-1

其中，i表示不同计算间隔h对应的变异函数值计算次数。对于一般遥感影像，计算间隔h取正整数且按照取值从1，2，......顺序递增，一般递增到30左右即可满足要求。

步骤43、基于先验知识的原始图像地物形状规则性程度估计：将原始图像地物形状特征分为：人工地物规则形状、自然地物不规则形状及默认形状三大类。结合先验知识和目视解译，从上述三类地物形状中选择一类。

步骤44、最佳合并阈值参数M的确定：在以上基于先验知识的原始图像地物形状规则性程度估计的基础上，计算最佳合并阈值参数M，方法如下：

当影像地物为人工地物，形状规则，接近于正方形或矩形或影像内部主导景观为建筑区时，以INT[]表示取整函数，M的计算公式如下：

M＝INT[(r_h×r_v)／2]

当影像地物为自然地物，形状不规则，以INT[]表示取整函数，M的计算公式如下：

M＝INT[(r_h×r_v)／4]

当不引入先验知识，也不考虑影像地物形状破碎性时，以INT[]表示取整函数，M的计算公式如下：

M＝INT[(r_h×r_v)／4]

步骤50、分割结果的尺度效应评价及尺度分割参数的优化调整。

本实施例的尺度效应评价及尺度分割参数的优化调整包括尺度分割结果评价、尺度分割参数的优化调整两步骤。具体步骤如下：

步骤51、尺度分割结果评价：前述步骤求得的最佳尺度分割参数实现了空间统计学支持下的理论最优，而绝对最优无法直接求得。因而在前述尺度分割参数优选的基础上，确定空间尺度分割参数和属性尺度参数的浮动阈值范围，一般空间尺度分割参数h_s和属性尺度分割参数h_r浮动阈值范围取±2；采用直接的尺度分割评价来间接地对尺度分割参数的尺度效应进行评价。

针对遥感目标识别具体任务，采用分割斑块内部非均质度E1、分割斑块间灰度对比度E2、分割斑块间散度对比度E3、分割斑块边界点梯度E4四个指标来对尺度分割的效果进行评价，进而间接地对尺度分割参数选择的尺度效应进行定量评价。

分割斑块内部非均质度指标E1的计算公式如下：

$E1=\underset{i}{\mathrm{\Σ}}\left\{\underset{(x,y)\∈R_i}{\mathrm{\Σ}}{[f(x,y)-\frac{1}{A_i}\underset{{(x,y)\∈R}_i}{\mathrm{\Σ}}f(x,y)]}^2\right\}$

其中，f(x，y)表示分割斑块R_i内部像元灰度值，A_i表示分割斑块R_i的面积。E1值越小，说明区域内部均质性越好。

分割斑块间灰度对比度指标E2的计算公式如下：

$E2=\frac{|f_1-f_2|}{f_1+f_2}$

其中，f₁和f₂表示两相邻分割斑块内部的平均灰度值。E2值越大，说明分割斑块间的异质性越强。

分割斑块间散度对比度指标E3的计算公式如下：

$E3=v-\frac{v_1+v_2}{2}$

其中，v₁和v₂表示相邻的两个分割斑块各自的灰度方差值，v表示两斑块合并后形成斑块的灰度方差值。

分割斑块边界点梯度指标E4是从图像边缘的角度对分割斑块边界准确性程度的评价，其计算公式如下：

E4＝f(x+1，y)-f(x-1，y)   水平边缘

E4＝f(x，y+1)-f(x，y-1)   垂直边缘

其中，(x，y)表示分割斑块边界点位置，f(x±1，y)表示水平边缘边界点两侧斑块内部点的原始灰度值，f(x，y±1)表示垂直边缘边界点两侧斑块内部点的原始灰度值。图像中所有斑块边界点的梯度之和越大，两相邻斑块间的异质性越大。

针对面向对象遥感信息提取具体任务，采用分割斑块内部均质性HM、分割斑块间异质性HT两个指标来对尺度分割的效果进行评价，进而间接地对尺度分割参数选择的尺度效应进行定量评价。

分割斑块内部均质性指标HM的计算公式同上述分割斑块内部非均质度E1。

$\mathrm{HM}=\underset{i}{\mathrm{\Σ}}\left\{\underset{(x,y)\∈R_i}{\mathrm{\Σ}}{[f(x,y)-\frac{1}{A_i}\underset{{(x,y)\∈R}_i}{\mathrm{\Σ}}f(x,y)]}^2\right\}$

其中，f(x，y)表示分割斑块R_i内部像元灰度值，A_i表示分割斑块R_i的面积。HM值越小，说明分割斑块内部均质性越好。

分割斑块间异质性指标HT利用Moran指数计算，公式如下：

$\mathrm{HT}=\frac{n\×{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^n(w_{\mathrm{ij}}\×(f_i-\stackrel{\‾}{f})\×(f_j-\stackrel{\‾}{f}))}{\left({\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^n{w}_{\mathrm{ij}}\right)\×\left({\mathrm{\Σ}}_{i=1}^n{(f_i-\stackrel{\‾}{f})}^2\right)}(i\≠j)$

其中，f_i代表了标签号为i的分割斑块内部灰度的平均值，而

则代表了整幅图像的灰度均值。μ_ij则作为一个判别函数的返回值，判断分割斑块i和j是否相连，相连则返回1，不相连则返回0。HT值越小，说明分割斑块间的异质性越好。

步骤52、尺度分割参数的优化调整：在以上尺度分割参数浮动区间内，基于上述分割评价结果，对尺度分割参数进行优化调整，即选择空间尺度分割参数和属性尺度分割参数浮动区间内的最优分割效果对应的h_s和h_r，作为最终优选的空间尺度分割参数和属性尺度分割参数。

现有技术中的尺度分割参数的选择，通常是通过基于大量分割后的评价来进行尺度优选，通过实验也证明了其有效性，但是这种方法的计算量比较大，也带有一定的盲目性，而且大部分的工作都过分依赖eCognition软件的多分辨率分割算法，而该算法出于商业保护原因，其尺度参数的含义面向用户不透明，进而这些尺度选择很难从机理上加以解释，其科学性和普适性欠佳。本发明兼顾地学空间统计学和模式识别理论方法，基于统计方法提出分割前最优尺度分割参数自动选择及分割后的尺度效应评价及尺度分割参数的优化调整，提高了面向对象遥感影像信息提取和分析的精度、效率和自动化程度。

以上所述仅为本发明的优选实施方式，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.将影响遥感影像多尺度分割的尺度分割参数概括为空间尺度分割参数、属性尺度分割参数和合并阈值参数，在此基础上针对这三个尺度分割参数，公开了一种面向对象遥感影像分析中的尺度分割参数自动选择方法，其特征在于：

步骤10、输入遥感影像，所述遥感影像为全色影像；

步骤20、在各向同性假设前提下，求取不同窗口尺寸下的图像平均局部方差曲线变程，确定分割最佳空间尺度分割参数；

步骤30、在步骤20求得的最佳分割窗口尺寸下，统计其局部方差直方图，求取直方图峰值，确定最佳属性尺度分割参数；

步骤40、在各向异性假设前提下，通过求取原始输入图像在水平和垂直方向上的变程确定最佳合并阈值参数；

步骤50、在以上步骤20、30和40的基础上，采用分割测度多指标或分割斑块块内均质性／块间异质性指标进行分割结果评价，在此基础上对上述3个尺度分割参数进行适当的优化调整。

2.如权利要求1所述的面向对象遥感影像分析中的尺度分割参数自动选择方法，其特征在于，步骤20中的不同窗口尺寸下的图像的平均局部方差，为在窗口尺寸分别为3，5，......，n(n≥3且n为奇整数)时的局部方差图像的均值，在各向同性假设前提下，当该平均局部方差取最大值时，其对应的窗口尺寸n即为最佳空间尺度分割参数h_s。

3.如权利要求1所述的面向对象遥感影像分析中的尺度分割参数自动选择方法，其特征在于，步骤30中最佳属性尺度分割参数h_r，h_r由局部方差图像统计直方图的峰值来确定。

4.如权利要求1所述的面向对象遥感影像分析中的尺度分割参数自动选择方法，其特征在于，步骤40中最佳合并阈值参数M，M是在各向异性假设前提下，结合先验知识由原始图像的水平方向和垂直方向的变异函数的变程计算得到。

5.如权利要求1所述的面向对象遥感影像分析中的尺度分割参数自动选择方法，其特征在于，所述步骤50中，针对遥感目标识别具体任务，采用分割测度多指标，包括分割斑块内部非均质度E1、分割斑块间灰度对比度E2、分割斑块间散度对比度E3、分割斑块边界点梯度E4四个指标对多尺度分割的效果及尺度分割参数的尺度效应进行评价，并在此基础上辅助实现尺度分割参数的优化调整。

6.如权利要求1所述的面向对象遥感影像分析中的尺度分割参数自动选择方法，其特征在于，所述步骤50中，针对面向对象遥感信息提取具体任务，采用分割斑块内部均质性HM、分割斑块间异质性HT指标对多尺度分割的效果及尺度参数的尺度效应进行评价，并在此基础上辅助实现尺度分割参数的优化调整。

Images