CN104200482A - 一种基于ssc的多尺度分割参数优化方法 - Google Patents
一种基于ssc的多尺度分割参数优化方法 Download PDFInfo
- Publication number
- CN104200482A CN104200482A CN201410478027.1A CN201410478027A CN104200482A CN 104200482 A CN104200482 A CN 104200482A CN 201410478027 A CN201410478027 A CN 201410478027A CN 104200482 A CN104200482 A CN 104200482A
- Authority
- CN
- China
- Prior art keywords
- parameter
- scale
- value
- segmentation
- degree
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用于遥感信息提取技术领域,提供了一种基于SSC的多尺度分割参数优化方法,包括:输入遥感影像,将尺度参数在指定范围内以固定步长进行遍历,得到一组随尺度参数变化的分割结果;根据计算得到的分割结果在各个尺度参数下的分割质量评价值求得尺度参数优化值;将形状因子参数或紧致度参数在指定范围内以固定步长进行遍历,得到随形状因子参数或紧致度参数变化的分割结果;根据计算得到的分割结果在各个尺度参数下的分割质量评价值求得形状因子参数优化值或紧致度参数优化值;通过计算分割质量评价值来优化各个多尺度分割参数,在不具备先验知识的前提下,可以计算得到一个分割参数,并且使得分割后产生的影像对象与实际目标大小最为接近。
Description
技术领域
本发明属于遥感信息提取技术领域,尤其涉及一种基于SSC的多尺度分割参数优化方法。
背景技术
目前,影像分割已成遥感专题信息提取中不可或缺的技术,如何根据专题应用尺度将相邻的像元组成有意义的影像对象并融入对象的背景信息是遥感专题信息提取成功的关键。
如果影像基元对应于真实场景中的可见特征,那么通过处理方法或特征知识的有效结合来进行分割分类是唯一可能的。但是,产生的分割对象面临一个巨大的挑战,因为它依赖于一组用户定义的分割参数,这些参数受限于所允许的内部影像异质性和对象的大小。目前大多数遥感应用研究中对于分割参数的选择往往直接采用缺省的参数值,或者通过反复尝试之后选择一个效果比较好的分割结果。此类分割的选择方法具有一定的盲目性,且无法得到最佳的分割结果。影响多尺度分割效果的分割参数有尺度、形状因子和紧致度参数,但目前已有的分割参数自动选择方法中,仅仅提供了确定尺度参数的方法,对于同样具有重要影响的形状因子和紧致度参数却未予以确定。
发明内容
本发明实施例的目的在于提供一种基于SSC(Scale-Shape-Compactness,尺度-形状-紧凑度)的多尺度分割参数优化方法,以解决现有技术需要进行大量计算选择多尺度分割参数的问题。
本发明实施例是这样实现的,一种基于SSC的多尺度分割参数优化方法,所述方法包括以下步骤:
步骤S1,输入遥感影像,采用缺省的形状因子参数和紧致度参数,尺度参数在指定范围内以固定步长进行遍历,得到一组随所述尺度参数变化的分割结果;
步骤S2,计算所述步骤S1中得到的所述分割结果在各个所述尺度参数下的分割质量评价值,以所述分割质量评价值及其对应的尺度分别作为纵坐标和横坐标拟合三次样条曲线,取所述三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为尺度参数优化值;
步骤S3,将尺度参数设置为所述步骤S2中得到的所述尺度参数优化值,采用缺省的紧致度参数,形状因子参数在指定范围内以固定步长进行遍历,得到一组随所述形状因子参数变化的分割结果;
步骤S4,计算所述步骤S3中得到的分割结果在各个形状因子参数下的分割质量评价值,以所述分割质量评价值及其对应的形状因子参数分别作为纵坐标和横坐标拟合三次样条曲线,取所述三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为形状因子参数优化值;
步骤S5,将尺度参数设置为所述步骤S2中得到的尺度参数优化值,形状因子参数设置为所述步骤S4中得到的形状因子参数优化值,紧致度参数在指定范围内以固定步长进行遍历,得到一组随所述紧致度参数变化的分割结果;
步骤S6,计算所述步骤S5中得到的分割结果在各个紧致度参数下的分割质量评价值,以所述分割质量评价值及其对应的紧致度参数分别作为纵坐标和横坐标拟合三次样条曲线,取所述三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为紧致度参数优化值。
本发明实施例提供的一种基于SSC的多尺度分割参数优化方法的有益效果包括:
通过设定分割参数的分割质量评价值,在不具备先验知识的前提下,可以得到一个优化的分割参数,计算过程简单,避免盲目选择分割参数或者大量计算后选择得到最优分割参数的过程,并且实际实施例证明该优化的分割参数使得分割后产生的影像对象与实际目标大小最为接近,在设置分割参数具有重要的指导意义和应用价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于SSC的多尺度分割参数优化方法的流程图;
图2是本发明实施例提供的基于SSC的多尺度分割参数优化方法的流程图;
图3是本发明实施例提供的随尺度参数变化的分割质量评价值三次样条曲线示意图;
图4是本发明实施例提供的随形状因子参数变化的分割质量评价值三次样条曲线示意图;
图5是本发明实施例提供的随紧致度参数变化的分割质量评价值三次样条曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如图1所示为本发明提供的基于SSC的多尺度分割参数优化方法的流程图,该方法包括以下步骤:
步骤S1,输入遥感影像,采用缺省的形状因子参数和紧致度参数,尺度参数在指定范围内以固定步长进行遍历,得到一组随尺度参数变化的分割结果。
步骤S2,计算步骤S1中得到的分割结果在各个尺度参数下的分割质量评价值,以分割质量评价值及其对应的尺度分别作为纵坐标和横坐标拟合三次样条曲线,取三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为尺度参数优化值。
步骤S3,将尺度参数设置为步骤S2中得到的尺度参数优化值,采用缺省的紧致度参数,形状因子参数在指定范围内以固定步长进行遍历,得到一组随形状因子参数变化的分割结果。
步骤S4,计算步骤S3中得到的分割结果在各个形状因子参数下的分割质量评价值,以分割质量评价值及其对应的形状因子参数分别作为纵坐标和横坐标拟合三次样条曲线,取三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为形状因子参数优化值。
步骤S5,将尺度参数设置为步骤S2中得到的尺度参数优化值,形状因子参数设置为步骤S4中得到的形状因子参数优化值,紧致度参数在指定范围内以固定步长进行遍历,得到一组随紧致度参数变化的分割结果。
步骤S6,计算步骤S5中得到的分割结果在各个紧致度参数下的分割质量评价值,以分割质量评价值及其对应的紧致度参数分别作为纵坐标和横坐标拟合三次样条曲线,取三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为紧致度参数优化值。
本发明实施例提供的一种基于SSC的多尺度分割参数优化方法,在不具备先验知识的前提下,可以计算得到一个分割参数,并且使得分割后产生的影像对象与实际目标大小最为接近,在设置分割参数具有重要的指导意义和应用价值。
实施例一
上述基于SSC的多尺度分割参数优化方法中包括对尺度参数进行优化、对形状因子参数进行优化和对紧致度参数进行优化的过程,如图2所示为本发明实施例提供的基于SSC的多尺度分割参数优化方法的流程图,由图2可知,本发明提供的基于SSC的多尺度分割参数优化方法的实施例包括:
在本发明实施例中,步骤S1得到一组随尺度参数变化的分割结果的方法具体包括:
将遥感影像Img导入eCognition软件,采用缺省的形状因子参数Shapedef和紧致度参数Compdef,尺度参数在指定范围Scalerange内,以固定步长进行遍历,得到一组随尺度参数变化的分割参数Para(scale),利用该分割参数Para(scale)对遥感影像Img采用eCognition软件的多尺度分割方法进行分割,得到上述一组随尺度参数变化的分割结果Seg(scale)。
步骤S3得到一组随形状因子参数变化的分割结果的方法具体包括:
将尺度参数设置为步骤S2中得到的尺度参数优化值,采用缺省的紧致度参数,形状因子参数在指定范围Shaperange内,以固定步长进行遍历,得到一组随形状因子参数变化的分割参数Para(shape),利用该分割参数Para(shape)对遥感影像Img采用eCognition软件的多尺度分割方法进行分割,得到上述随形状因子参数变化的分割结果Seg(shape)。
步骤S5得到一组随紧致度参数变化的分割结果的方法具体包括:
将尺度参数设置为步骤S2中得到的尺度参数优化值,形状因子参数设置为步骤S4中得到的形状因子参数优化值,紧致度参数在指定范围Comprange内,以固定步长进行遍历,得到一组随紧致度参数变化的分割参数Para(comp),利用该分割参数Para(comp)对遥感影像Img采用eCognition软件的多尺度分割方法进行分割,得到上述随紧致度参数变化的分割结果Seg(comp)。
步骤S2、S4和S6中计算分割质量评价值Val(Seg)包括:
分割质量评价值Val(Seg)的计算公式为:
Val(seg)=F(V)+F(I);
其中V和F(V)分别代表对象内同质性指标和其归一化值。
其中,n表示影像中分割对象的总数,ai表示对象i的面积,vi表示对象i的方差。
I和F(I)分别代表对象间异质性指标和其归一化值。
其中,n表示研究区分割影像对象的总数;wij表示影像对象i与影像对象j的空间邻近性,当影像对象i与影像对象j相互邻接时,则wij值为1,若不互相邻接则wij值为0;xi与xj分别表示影像对象i与影像对象j的平均灰度值;表示整个影像的平均灰度值。
步骤S2、S4和S6中可以利用Matlab软件的CurveFittingTool工具中三次样条曲线(cubicspline)方法拟合三次样条曲线CubSpl。
实施例二
本发明提供的实施例二为本发明提供的一种基于SSC的多尺度分割参数优化方法的具体应用实施例,将实施例图导入eCognition软件,采用缺省的形状因子参数Shapedef=0.1和紧致度参数Compdef=0.5,尺度参数在指定范围[5,30]内,以固定步长Scalestep=1进行遍历,如图3所示为本发明实施例提供的随尺度参数变化的分割质量评价值三次样条曲线示意图,最后计算得到的尺度参数优化值Scaleopt=12.935。
将尺度参数设置为步骤S2中得到的尺度参数优化值Scaleopt=12.935,采用缺省的紧致度参数Compdef=0.5,形状因子参数在指定范围[0,0.9]内,以固定步长Shapestep=0.03进行遍历,如图4所示为本发明实施例提供的随形状因子参数变化的分割质量评价值三次样条曲线示意图,最后计算得到的形状因子参数Shapeopt=0.788。
将尺度参数设置为步骤S2中得到的尺度参数优化值Scaleopt=12.935,状因子参数设置为步骤S4中得到的形状因子参数优化值Shapeopt=0.788,紧致度参数在指定范围[0,1]内,以固定步长Compstep=0.04进行遍历,如图5所示为本发明实施例提供的随形状因子参数变化的分割质量评价值三次样条曲线示意图,最后计算得到的形状因子参数Compopt=0.028。
即最终的基于SSC的多尺度分割参数优化方法的多尺度分割参数OPT(12.935,0.788,0.028),相对缺省分割参数DEF(10,0.1,0.5)而言,得到的分割结果能够更好的表达目标地物边界。
本领域普通技术人员还可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,包括ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于SSC的多尺度分割参数优化方法,其特征在于,所述方法包括:
步骤S1,输入遥感影像,采用缺省的形状因子参数和紧致度参数,尺度参数在指定范围内以固定步长进行遍历,得到一组随所述尺度参数变化的分割结果;
步骤S2,计算所述步骤S1中得到的所述分割结果在各个所述尺度参数下的分割质量评价值,以所述分割质量评价值及其对应的尺度分别作为纵坐标和横坐标拟合三次样条曲线,取所述三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为尺度参数优化值;
步骤S3,将尺度参数设置为所述步骤S2中得到的所述尺度参数优化值,采用缺省的紧致度参数,形状因子参数在指定范围内以固定步长进行遍历,得到一组随所述形状因子参数变化的分割结果;
步骤S4,计算所述步骤S3中得到的分割结果在各个形状因子参数下的分割质量评价值,以所述分割质量评价值及其对应的形状因子参数分别作为纵坐标和横坐标拟合三次样条曲线,取所述三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为形状因子参数优化值;
步骤S5,将尺度参数设置为所述步骤S2中得到的尺度参数优化值,形状因子参数设置为所述步骤S4中得到的形状因子参数优化值,紧致度参数在指定范围内以固定步长进行遍历,得到一组随所述紧致度参数变化的分割结果;
步骤S6,计算所述步骤S5中得到的分割结果在各个紧致度参数下的分割质量评价值,以所述分割质量评价值及其对应的紧致度参数分别作为纵坐标和横坐标拟合三次样条曲线,取所述三次样条曲线上分割质量评价值的极大值的最大值对应的横坐标为紧致度参数优化值。
2.如权利要求1所述的方法,其特征在于,所述步骤S1得到一组随尺度参数变化的分割结果的方法包括:
将遥感影像Img导入eCognition软件,采用缺省的形状因子参数Shapedef和紧致度参数Compdef,尺度参数在指定范围Scalerange内,以固定步长进行遍历,得到一组随尺度参数变化的分割参数Para(scale),利用所述分割参数Para(scale)对所述遥感影像Img采用eCognition软件的多尺度分割方法进行分割,得到所述随尺度参数变化的分割结果Seg(scale)。
3.如权利要求1所述的方法,其特征在于,所述步骤S3得到一组随形状因子参数变化的分割结果的方法具体包括:
将尺度参数设置为所述步骤S2中得到的尺度参数优化值,采用缺省的紧致度参数Compdef,形状因子参数在指定范围Shaperange内,以固定步长进行遍历,得到一组随形状因子参数变化的分割参数Para(shape),利用所述分割参数Para(shape)对所述遥感影像Img采用eCognition软件的多尺度分割方法进行分割,得到所述随形状因子参数变化的分割结果Seg(shape)。
4.如权利要求1所述的方法,其特征在于,所述步骤S5得到一组随紧致度参数变化的分割结果的方法具体包括:
将尺度参数设置为所述步骤S2中得到的尺度参数优化值,形状因子参数设置为所述步骤S4中得到的形状因子参数优化值,紧致度参数在指定范围Comprange内,以固定步长进行遍历,得到一组随紧致度参数变化的分割参数Para(comp),利用所述分割参数Para(comp)对遥感影像Img采用eCognition软件的多尺度分割方法进行分割,得到所述随紧致度参数变化的分割结果Seg(comp)。
5.如权利要求1所述的方法,其特征在于,所述步骤S2、S4和S6中计算分割质量评价值Val(Seg)包括:
分割质量评价值Val(Seg)的计算公式为:
Val(Seg)=F(V)+F(I);
其中V和F(V)分别代表对象内同质性指标和其归一化值;
其中,n表示影像中分割对象的总数,ai表示对象i的面积,vi表示对象i的方差;
I和F(I)分别代表对象间异质性指标和其归一化值;
其中,n表示研究区分割影像对象的总数;wij表示影像对象i与影像对象j的空间邻近性,当影像对象i与影像对象j相互邻接时,则wij值为1,若不互相邻接则wij值为0;xi与xj分别表示影像对象i与影像对象j的平均灰度值;表示整个影像的平均灰度值。
6.如权利要求1所述的方法,其特征在于,所述步骤S2、S4和S6中利用Matlab软件的CurveFittingTool工具中三次样条曲线方法拟合三次样条曲线CubSpl。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410478027.1A CN104200482A (zh) | 2014-09-17 | 2014-09-17 | 一种基于ssc的多尺度分割参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410478027.1A CN104200482A (zh) | 2014-09-17 | 2014-09-17 | 一种基于ssc的多尺度分割参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104200482A true CN104200482A (zh) | 2014-12-10 |
Family
ID=52085768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410478027.1A Pending CN104200482A (zh) | 2014-09-17 | 2014-09-17 | 一种基于ssc的多尺度分割参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200482A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570870A (zh) * | 2016-10-20 | 2017-04-19 | 浙江大学 | 一种确定图像分割尺度参数的自适应方法 |
CN106651861A (zh) * | 2016-11-15 | 2017-05-10 | 兰州大学 | 基于区域不一致性评价自动优选遥感影像分割参数的方法 |
CN106846325A (zh) * | 2017-01-16 | 2017-06-13 | 河南理工大学 | 一种遥感影像最优分割结果确定的自动化方法 |
CN107194942A (zh) * | 2017-03-27 | 2017-09-22 | 广州地理研究所 | 一种确定影像分类分割尺度阈值的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617626A (zh) * | 2013-12-16 | 2014-03-05 | 武汉狮图空间信息技术有限公司 | 基于cpu+gpu的遥感影像多尺度异构并行分割方法 |
CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学(北京) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
-
2014
- 2014-09-17 CN CN201410478027.1A patent/CN104200482A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617626A (zh) * | 2013-12-16 | 2014-03-05 | 武汉狮图空间信息技术有限公司 | 基于cpu+gpu的遥感影像多尺度异构并行分割方法 |
CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学(北京) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
Non-Patent Citations (5)
Title |
---|
G.M.ESPINDOLA: ""Parameter Selection for Region-Growing Image Segmentation Algorithms using Spatial Autocorrelation"", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
J.TIAN等: "Optimization in multi-scale segmentation of high-resolution satellite images for artificial feature recognition", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
T.ESCH等: "Improvement of Image Segmentation Accuracy Based on Multiscale Optimization Procedure", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
刘大伟等: "一种基于对象相似性的遥感影像最优分割尺度评价方法", 《大地测量与地球动力学》 * |
殷瑞娟等: "一种高分辨率遥感影像的最优分割尺度自动选取方法", 《地球信息科学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570870A (zh) * | 2016-10-20 | 2017-04-19 | 浙江大学 | 一种确定图像分割尺度参数的自适应方法 |
CN106570870B (zh) * | 2016-10-20 | 2019-09-13 | 浙江大学 | 一种确定图像分割尺度参数的自适应方法 |
CN106651861A (zh) * | 2016-11-15 | 2017-05-10 | 兰州大学 | 基于区域不一致性评价自动优选遥感影像分割参数的方法 |
CN106651861B (zh) * | 2016-11-15 | 2019-05-24 | 兰州大学 | 基于区域不一致性评价自动优选遥感影像分割参数的方法 |
CN106846325A (zh) * | 2017-01-16 | 2017-06-13 | 河南理工大学 | 一种遥感影像最优分割结果确定的自动化方法 |
CN106846325B (zh) * | 2017-01-16 | 2019-09-10 | 河南理工大学 | 一种遥感影像最优分割结果确定的自动化方法 |
CN107194942A (zh) * | 2017-03-27 | 2017-09-22 | 广州地理研究所 | 一种确定影像分类分割尺度阈值的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017041396A1 (zh) | 一种车道线数据的处理方法、装置、存储介质及设备 | |
CN102592268B (zh) | 一种分割前景图像的方法 | |
CN104299263B (zh) | 一种基于单幅图像建模云场景的方法 | |
CN111860227B (zh) | 训练轨迹规划模型的方法、装置和计算机存储介质 | |
CN105046688B (zh) | 一种三维点云中的多平面自动识别方法 | |
CN110120065B (zh) | 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及系统 | |
CN104200482A (zh) | 一种基于ssc的多尺度分割参数优化方法 | |
CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN101587593A (zh) | 一种基于真实图像素描风格化的方法 | |
CN102999926B (zh) | 一种基于底层特征融合的图像视觉显著性计算方法 | |
CN105184735A (zh) | 一种人像变形方法及装置 | |
CN102509327B (zh) | 一种图像空洞填补的多尺度全局采样方法 | |
CN103226701B (zh) | 一种视频语义事件建模方法 | |
CN109544561A (zh) | 细胞标注方法、系统和装置 | |
CN113269089B (zh) | 基于深度学习的实时手势识别方法及系统 | |
CN112819864B (zh) | 一种行驶状态检测方法、装置及存储介质 | |
CN103578092A (zh) | 一种多聚焦图像融合方法 | |
CN104200426A (zh) | 图像插值方法和装置 | |
CN111144254A (zh) | 城市内涝积水程度识别方法及装置 | |
CN104346621A (zh) | 创建眼睛模板及检测眼睛状态的方法与装置 | |
CN104766346A (zh) | 一种基于视频图像的斑马鱼跟踪方法 | |
CN112257772B (zh) | 一种道路增减区间切分方法、装置、电子设备及存储介质 | |
CN104463080A (zh) | 人眼状态的检测方法 | |
CN103065302B (zh) | 一种基于离群数据挖掘的图像显著性检测方法 | |
CN117011413A (zh) | 道路图像重建方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141210 |
|
WD01 | Invention patent application deemed withdrawn after publication |