CN104036499B - 一种多尺度叠加分割方法 - Google Patents

Abstract

本发明公开了一种多尺度叠加分割方法。所述方法包括以下步骤：对图像进行多尺度分割，得到分割后的各尺度对象；利用稳定尺度指数判断各尺度对象，确定各尺度的最佳尺度对象；将确定的各尺度的最佳尺度对象投影到单一数据层；对投影到单一数据层上的最佳尺度对象进行合并。本发明通过基于每个对象边界的真实地物匹配为目标进行分割对象提取，实现了对图像的多尺度分割，避免了同一尺度上，不同土地覆盖类型对象的过分割与欠分割，以及多尺度对象叠加时的重叠问题的出现，提高了多尺度分割的精确性。

Description

一种多尺度叠加分割方法

技术领域

本发明涉及地理学中的卫星遥感监测领域，尤其涉及一种多尺度叠加分割方法。

背景技术

遥感影像的光谱特性极大地影响着土地覆盖制图精度。不同土地覆盖类型本身在光谱特征上具有高度的内部异质性和类间相似性，即使高分辨率影像，也往往由于产生“同谱异物”现象而降低分类精度，对于传统的基于像素、单一尺度光谱的分类方法难以解决分类精度的问题。

尺度效应是指在不同时空尺度或不同组织水平上的信息转译，基于尺度空间理论和地学过程角度，在不同尺度上，格局和过程往往出现不同的特征规律。受传感器成像模式的影响，遥感影像的空间尺度特征与土地覆盖分类系统组织尺度特征(按谱系结构建立的体系)往往不完全吻合，而分类系统同一等级上各土地覆盖类型也不能在同一空间影像尺度上有效地表征。且利用同一尺度遥感影像进行土地覆盖监测，会导致各土地覆盖类型分类精度的不一致。不同土地覆盖类型对空间尺度的依据性、稳定性各不相同。各类型有不同的最佳观测距离和尺度，才能有效、完整地观察，并不一定是距离越近越好、观测越细微越好，单一优化的空间尺度很难精确表征复杂影像下的土地覆盖类型。

在最优尺度选择与分类研究中，最早提出了以影像对象均值方差方法确定影像最优分割尺度。通过组成这个对象的所有像元亮度值的均值所产生整个区域/影像的方差，建立多尺度的方差的曲线，确定其峰值来提取了不同类别有其相应的最优分割尺度，该方法尤其适用于高分辨率影像最优尺度的选择。之后，又提出以影像对象最大面积方法确定影像最优分割尺度。影像对象最大面积随分割尺度变化的曲线呈阶梯状上升的趋势，每一个曲线平台对应于某种类别提取适宜尺度的范围。其中，在分析Lidar高度数据与光谱、纹理、阴影维数关系性时，等距分割15个尺度，分析不同尺度下的相关性，相关性最好的尺度应用是最佳尺度。由于不同类型在不同尺度上，其中一个类型在最佳的尺度，其它类型可能处于过分割和欠分割现象，所以对于单尺度分类，选择最佳尺度实际上是选择大多数类型的平均适合尺度。

对此，改进的方法是在不同尺度上拟合不同类型进行分类的方法，即多尺度拟合分类。如利用目视试验分析的方法，选择单树、林斑、景观特征3个尺度提取不同特征的、同一森林类型。或在3个尺度上利用SVM(Support Vector Machine，支持向量机)方法分别提取宽公路、小路、建筑物等3类城市不透水表面。由于多尺度选择带有主观性、随意性、不可重复性，针对单类进行分析时是可行的，而针对多数类别进行分析时难度较大。即这类方法没有解决多尺度的分类结果叠加时出现的重叠问题，重叠部分只能优先高精度尺度的结果。

目前，利用多尺度面向对象方法进行土地覆盖分类的研究处于刚刚起步阶段，对土地覆盖影像对象特征的尺度推绎研究仍然面临着以下问题：(1)由于土地覆盖类型的光谱和空间特征异质性，以及同一类型的区域差异性，不同土地覆盖的尺度变化的规律和机制并不清楚，还没有形成一种鲁棒性、标准的尺度选择方法；(2)尺度变化特征还没有充分挖掘，分类主要依赖于二维的光谱和几何等特征，忽视了尺度推绎过程中纵向的特征利用；(3)多尺度间土地覆盖分类没有形成关联，各自分类结果的重叠造成的最终合成分类结果时产生误差传递，多类多尺度土地覆盖效果并不理想。

发明内容

本发明实施例的目的在于提供一种多尺度叠加分割方法，通过基于每个对象边界的真实单元匹配为目标进行分割对象提取，实现了对图像的多尺度分割，避免了多尺度对象叠加时的重叠问题的出现，提高了多尺度分割的精确性。

为了达到上述目的，本发明实施例提供了一种多尺度叠加分割方法，所述方法包括以下步骤：

对图像进行多尺度分割，得到分割后的各尺度对象；

利用稳定尺度指数判断各尺度对象，确定各尺度的最佳尺度对象；

将确定的各尺度的最佳尺度对象投影到单一数据层；

对投影到单一数据层上的最佳尺度对象进行合并。

优选地，所述对图像进行多尺度分割，具体包括：基于区域融合方法，从像素开始，将像素融合成小对象、小对象融合成大对象，逐级融合。

优选地，在得到分割的各尺度对象之后，所述各尺度对象中分别包含有各自的特征参数，其中，对象标准差SD为最佳尺度识别的参数。

优选地，以过分割对象的最初分割尺度为边界，同位置切割各尺度的对象，保持各尺度对象各自的特征参数，以便不同尺度对象进行同位置特征参数对比。

优选地，所述利用稳定尺度指数判断各尺度对象的特征参数，具体通过如下公式：

S_i＝F_i+1-F_i

其中，S_i是指尺度稳定指数，i是指缩放级别，F_i是在i尺度上对象的SD值，F_i+1是在i+1尺度分割级别上的对象SD值；在整个尺度变化中，S_i连续为0并持续最长时，对应的尺度定义为最佳对象拟合尺度。

优选地，所述对投影到单一数据层上的最佳尺度对象进行合并，具体包括：以单一尺度对象的特征参数为依据进行相邻对象的同值合并。

现有技术相比，本发明实施例所提出技术方案具有以下优点：

本发明的上述实施例，通过图像的多尺度分割，基于每个对象边界的真实单元匹配为目标进行分割对象提取，避免了同一尺度上，不同土地覆盖类型对象的过分割与欠分割，多尺度对象叠加时的重叠问题的出现，提高了多尺度分割的精确性。

附图说明

图1是本发明实施例所提供的现有中多尺度分割过程的示意图；

图2是本发明实施例所提供的多尺度叠加分割的流程示意图；

图3(a)(b)(c)(d)是本发明实施例所提供的多尺度叠加分割的图形的流程示意图；

图4是本发明实施例所提供的多尺度叠加分割的分割效果图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在现有的多尺度分割中，是将像素(栅格)变成对象(矢量)的过程，其目的在于在类型划分时，不仅考虑目标的光谱特征，还可以考虑对象所产生目标的形状、空间关系等特征，从而提高了分类精度。参见下图1，为该多尺度分割过程的示意图；多尺度分割过程是通过一个尺度阈值的设定，获得多级像素融合的方式。具体的，分割是从像素开始融合，随着尺度不断增加，对象不断增大，它从部分像素合并、整个土地覆盖类型单元、到多个单元的组合的过程。在不同阶段，对象组份不同，从而显示不同的对象特征，而最佳的尺度就是对象大小(基元)与真实地物单元(目标)边界一致，此时的对象光谱、几何、关系语义特征是真实反映地物的特征，利用此特征进行分类，有利于提高影像的分类精度。

本发明是基于单个对象的最优分割尺度选择的基本思路：当等间距尺度阈值增加时，像素到对象、对象到大对象进行不断合并，虽然不一定每次阈值变化都会有对象大小的改变，直到有一个尺度(阈值)，对象的大小与真实目标相匹配，在一定尺度范围内，对象大小会保持稳定或不变。两个类型之间的差异越大，稳定的尺度范围越宽。当分割尺度继续增加，对象大小比现实目标大而两个土地覆盖类对象合并，对象特征也随之不断变化。尺度变化中有多个稳定的尺度，而其中最大的(最宽的)尺度，可视为目标拟合的最佳尺度，也是该单元最佳分割状态，将这些不同尺度上的最佳对象提取出来，投影到一个数据层面上，形成最佳分割对象层，有利于后期进一步土地覆盖分类。

参见图2，为本发明实施例所提供的多尺度叠加分割的流程示意图，图3具体为根据图2多尺度分割的流程图得到的图形示意。

该流程可包括：

步骤201，如图3(a)，对图像进行多尺度分割，得到分割后的各尺度对象。

在本步骤中，对图像进行多尺度分割，具体包括：基于区域融合方法，从像素开始，将像素融合成小对象、小对象融合成大对象，逐级融合。

在得到分割后的各尺度对象之后，还包括：依据所述过分割尺度的对象边界对各尺度对象进行切割，得到切割后的各尺度对象，切割后的对象保持原有的SD特征。

具体的，利用区域合并技术，进行多尺度自下而上、从一个像素到对象的分割过程，该过程可以通过Definiens软件实现。在多次迭代步骤中，基于非均质性阈值的控制，较小的图像对象合并成较大的对象，多尺度分割遵循谱系过程，过分割尺度的边界保持在欠分割尺度边界中。改变阈值表示改变尺度大小。多尺度分割从0开始，以基准等间距阈值(通常为“5”)增量进行尺度提升。“5”尺度阈值范围内的参数变化不大，并且是足够窄的范围来测量稳定的尺度度量。从Definiens的软件输出每个尺度的、包含SD信息的对象层，并导入ARCGIS软件(一种矢量空间分析软件)进行多尺度对象的空间的对比。所有的尺度数据层以过分割(最密分割层)基准进行切割。从而形成统一的过分割尺度层的对象界线，将原对象的SD特征赋给新切割的对象属性中。这个过程保证后续对象的投影不产生对象之间的重叠和空洞。

步骤202，如图3(b)，利用稳定尺度指数判断各尺度对象，确定各尺度的最佳尺度对象。

在本步骤中，所述各尺度对象中分别包含有各自的特征参数，所述利用稳定尺度指数判断各尺度对象，确定各尺度的最佳尺度对象。

具体的，各尺度对象中包含的特征参数具体为标准差SD、像素均值等。在本步骤中，具体以特征参数为SD作为优选实施例进行阐述。

进一步地，每个对象的标准差SD具体为对象内各像素的光谱值统计，其做为特征值进行稳定尺度的特征分析，考虑到影像由多个波段组成，实际上对象的SD指的是所有影像光谱波段的欧氏距离(每个波段的对象的SD平方和的平方根)，选择SD作为尺度参数(SD通常随着尺度增加而增加)比对象均值(通常是波动变化)或对象的大小(弱相关)更敏感。随后，分析对象属性表中多尺度的SD变化，提取最佳尺度。

从一个尺度到另一个尺度的变化来评估SD变化，可以利用尺度稳定指数(Si)表达：

S_i＝F_i+1-F_i (1)

其中，S_i是指尺度稳定指数，i是指缩放级别，F_i是对象的SD值在扩展分割的水平，F_i+1的是物体的i+1的尺度分割级别。

每个层对象的SD的属性按尺度变化顺序输入到MATLAB软件(数值处理软件)。计算每个相邻尺度S_i(式1)，S_i值等于零或者连续为零出现表示的稳定的尺度，其中连续为零的宽度最大的尺度中，自动选择该宽度段中间尺度表示为最佳尺度。

步骤203，如图3(c)，将确定的各尺度的最佳尺度对象投影到单一数据层。

具体的，对上述确定的最佳尺度进行标识，并将这些最佳尺度对应的SD提取出来，赋值到单独一个数据层中。

步骤204，如图3(d)，对投影到单一数据层上的最佳尺度对象进行合并。

具体的，以SD为属性进行空间邻近对象边界的同类合并，这些合并后的矢量边界就是最佳分割边界，这些分割边界最后输入到Definiens软件中，对影像进行分割，再提取影像光谱作息进行图像分类。

在进行多尺度分割之后，为了验证分割效果，下面选取各类土地覆盖类型进行效果评估。选择常见的8类土地覆盖类型，包括针叶林、阔叶林、草地、作物生长的耕地、休耕地、水面、居住地、交通用地，从5尺度参数(过分割尺度)图像上，每类随机采集10个对象、共80对象，在此基础上，多尺度分割24个尺度。真实的最佳尺度使用试验-误差的分析方法中选择最佳的尺度，目标真实大小与影像对象边界拟合为最佳尺度。对象SD是随着尺度增加，而逐渐增加或不变。有三种类型的SD变动：不稳定(连续变化，S_i>0)；相对稳定(不变化，但不是最宽不变尺度带，连续的S_i＝0)；最稳定的(无变化，但是最宽不变化尺度，连续的S_i＝0)，那么，我们分析匹配到上述三种类型的SD变化的最佳对象尺度的比例统计。具体的效果图参见图4。

基于上述图4中的效果图，对最优尺度提取的效果进行相应的分析。具体的，对8类土地覆盖的分割中最佳尺度选择的统计，真实匹配尺度在最稳定的、相对稳定、不稳定尺度上分别占76％，21％和3％。水面和阔叶林的真实匹配尺度多数在最稳定的尺度上，它们具有更多的类内同质性，比其它土地覆盖显示明显的特征差异。而相对稳定的SD通常反映一些土地覆盖的多尺度变化中的类内结构的差异性。道路对象的最优尺度的匹配方面有不确定性。近半数对象在最稳定的范围匹配。道路通常空间上邻近居住地和耕地，而这些类型与道路有相似的光谱特征。这两个原因导致最佳真实匹配尺度落在没有都落在最稳定尺度上。但对于大多数土地覆盖和地区，利用最稳定尺度选择最佳匹配对象可以得到较好的分割效果。

本实施例中，通过基于每个对象边界的真实单元匹配为目标进行分割对象提取，实现了对图像的多尺度分割，避免了多尺度对象叠加时的重叠问题的出现，提高了多尺度分割的精确性。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的流程并不一定是实施本发明所必须的。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上公开的仅为本发明的一个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (5)

1.一种多尺度叠加分割方法，其特征在于，所述方法包括以下步骤：

对图像进行多尺度分割，得到分割后的各尺度对象；

利用稳定尺度指数判断各尺度对象，确定各尺度的最佳尺度对象；

将确定的各尺度的最佳尺度对象投影到单一数据层；

对投影到单一数据层上的最佳尺度对象进行合并；

所述利用稳定尺度指数判断各尺度对象的特征参数，具体通过如下公式：

S_i＝F_i+1-F_i

其中，S_i是指尺度稳定指数，i是指缩放级别，F_i是在i尺度上对象的SD值，F_i+1是在i+1尺度分割级别上的对象SD值；

在整个尺度变化中，S_i连续为0并持续最长时，对应的尺度定义为最佳尺度。

2.如权利要求1所述的方法，其特征在于，所述对图像进行多尺度分割，具体包括：基于区域融合方法，从像素开始，将像素融合成小对象、小对象融合成大对象，逐级融合。

3.如权利要求2所述的方法，其特征在于，在得到分割的各尺度对象之后，所述各尺度对象中分别包含有各自的特征参数，其中，对象标准差SD为最佳尺度识别的参数。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

以过分割对象的最初分割尺度为边界，同位置切割各尺度的对象，保持各尺度对象各自的特征参数，以便不同尺度对象进行同位置特征参数对比。

5.如权利要求4所述的方法，其特征在于，所述对投影到单一数据层上的最佳尺度对象进行合并，具体包括：

以单一尺度对象的特征参数为依据进行相邻对象的同值合并。