CN105335965A - 一种高分辨率遥感图像多尺度自适应决策融合分割方法 - Google Patents
一种高分辨率遥感图像多尺度自适应决策融合分割方法 Download PDFInfo
- Publication number
- CN105335965A CN105335965A CN201510628087.1A CN201510628087A CN105335965A CN 105335965 A CN105335965 A CN 105335965A CN 201510628087 A CN201510628087 A CN 201510628087A CN 105335965 A CN105335965 A CN 105335965A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- scale
- region
- yardstick
- moran
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Image Analysis (AREA)
Abstract
本发明是一种高分辨率遥感图像多尺度自适应决策融合分割方法。首先,应用分形网络演化分割算法,设置一系列递增尺度参数得到多尺度分割序列;其次,定义区域多尺度Moran′s?I指数、临界分割尺度和欠分割Moran′s?I指数阈值;最后,以最大分割尺度作为初始临界尺度逐个区域判定是否欠分割,如果欠分割则以多尺度Moran′s?I指数首次达到最小值尺度作为新的临界尺度,依次递归进行尺度下推直至最小分割尺度层或当前层不存在欠分割区域,最终结合多尺度分割层之间的空间继承关系得到分割结果。本发明融合了多尺度分割信息,有效减弱过分割与欠分割、易分割与精确性的矛盾,可广泛应用于面向对象的专题目标识别等领域。
Description
技术领域
本发明是一种实用的高分辨率遥感图像多尺度自适应决策融合分割方法,方法适用于GF-1、GF-2、WorldView、QuickBird等高分辨率遥感图像的分割。本发明可广泛应用于面向对象的专题目标识别、土地利用分类与变化检测等领域。
背景技术
高分辨率遥感卫星的大量升空使得高分辨率卫星遥感数据的获取能力大幅提高,人类进入到多源高分辨率对地观测数据获取的新时代。随着卫星遥感图像空间分辨率的提高,图像的数据量和信息量越来越大,图像的空间结构和细节信息也更加丰富。然而,更高的空间分辨率和较少的光谱波段数使得高分辨率遥感图像中同类地物之间的光谱差异性增强,不同类地物之间的光谱差异性减弱,传统基于像素的处理方法已经不能满足应用的需求。面向对象的图像处理与分析技术的出现,使得图像处理的基本单元由像元过渡到对象,使得特征空间由单一像元光谱特征扩展到区域的光谱、空间纹理、形状和上下文关系等特征。遥感图像分割是面向对象遥感图像处理与分析的基础,是面向对象分析的第一个层次。因此,研究高效精确的高分辨率遥感图像分割方法,对于提高高分辨率遥感影像的信息提取精度,促进高分辨率遥感图像应用具有十分重要的理论研究意义和应用价值。
针对遥感图像的分割问题,提出了大量的分割算法。按照分割算法所使用图像特征的不同,可以将分割算法分为:基于阈值法的图像分割、基于边缘检测的图像分割和基于区域生长的图像分割等。依据分割算法所使用数学模型的不同,可分为基于马尔科夫随机场模型的分割、基于小波变换的分割、基于数学形态学的分割、基于聚类分析的分割、基于图论的分割等等。根据分割过程中是否使用图像的多尺度信息,可将分割算法分为单尺度分割和多尺度分割等等。
不同的地物对象具有不同的最佳空间表达尺度,只有在适宜的空间尺度下,地物对象的空间本质特征才能更好的体现。针对多尺度的现实世界,需要应用多尺度或者多分辨率的思想进行地物识别与解译。基于多尺度理论的图像分割其实并不是一种具体的图像分割算法,而是提供了一种图像分割的策略与框架,这种框架与人眼观察识别图像有着类似的特点,所以在图像分割甚至图像处理领域中被广泛应用。多尺度分割是从原始影像的像元尺度上,进行“尺度上推”所得到多层次分割结果的过程。面对多尺度的分割结果,通常从中选择某一尺度作为图像最佳分割结果,如何确定和选择最佳分割表达尺度也是多尺度分割重点研究的问题。然而,高分辨率遥感图像具有多尺度特性,不同地物目标的最佳分割尺度不同,选用单一尺度很难全面描述和刻画现实世界中的所有地物尺度特征。虽然多尺度的分割结果能够综合呈现各个局部区域的最佳状态,但是如何有效地综合应用多尺度的最佳分割信息是当前遥感图像分割领域研究的热点问题。
本发明从高分辨率遥感图像的多尺度特性和多尺度分割结果出发,在分析图像分割尺度与分割质量、信息提取精度关系的基础上,受人眼识别图像模式的启发,提出了多尺度自适应决策融合分割方法。本发明有效综合了图像多尺度的分割信息,能够有效减弱过分割与欠分割、易分割与精确性的矛盾,获得高质量的分割结果。
发明内容
本发明是一种实用的高分辨率遥感图像多尺度自适应决策融合分割方法,通过多尺度自适应决策融合策略实现多尺度分割信息的有机融合,获得高质量的分割结果。该发明主要包括两部分内容:首先是多尺度分割模型的构建,其次是多尺度分割结果的自适应决策融合。多尺度分割模型构建的过程是从像元尺度逐步进行“尺度上推”的过程,多尺度分割结果决策融合的过程是从多尺度分割结果的最大尺度分割层进行“尺度下推”自适应融合的过程。
具体方法的步骤为:
第一步:高分辨率遥感图像多尺度分割模型构建。
本发明首先应用分形网络演化分割算法,通过设置一系列递增尺度的分割参数,得到高分辨率遥感图像多尺度分割序列,形成高分辨率遥感图像多尺度分割模型。分形网络演化算法从像元层开始,采用“自下而上”的区域合并原则实现多尺度分割,根据相邻区域或者对象的异质性测度最小原则,将特征相似的临近区域合并为更大的区域。合并的依据是两个相邻对象合并前后异质性测度的变化是否小于某个阈值,而该阈值控制着面向对象分割的尺度,即所谓的“尺度参数”。相比于其它的多尺度分割算法,分形网络演化多尺度分割结果中较大尺度的分割结果是由较小尺度的分割结果合并而来,如第三层是由第二层分割结果通过区域合并得到,其分割层与层之间具有严格的空间继承与对应关系,更利于后续多尺度分割结果的融合与应用。
第二步:定义区域多尺度Moran′sI指数以及临界分割尺度。
2-1)区域多尺度Moran′sI指数是指在多尺度分割结果中,最大尺度分割结果中的每个区域都对应着一个多尺度的分割区域序列,通过计算最大尺度上每个区域在多尺度分割序列中所有尺度上的Moran′sI指数,构成该区域的多尺度Moran′sI指数序列,称为区域多尺度Moran′sI指数。
Moran′sI指数是最早由Moran在1950年提出的一种全局聚类检验方法,研究整个研究区中邻近区域是相似(空间正相关)、相异(空间负相关)还是相互独立。该指标可以反映出区域属性值的分布是聚集、离散或者随机分布模式。全局Moran′sI指数计算公式:
上述公式中:N是研究区内的区域总数,wij是空间权重,表示区域i和区域j的邻近关系,通常用一个二元对称空间权重矩阵W来表达N个区域的空间邻接关系,xi和xj分别是区域i和区域j的属性值,是所有区域属性的平均值。
对最大分割尺度上每一个区域对应的多尺度分割序列,计算每一个尺度上分割区域的整体Moran′sI指数,构成了该分割区域的多尺度Moran′sI指数序列。
2-2)临界分割尺度是指在图像的多尺度分割序列中,由过分割变成欠分割的尺度转折点。
最大尺度上的分割区域如果存在欠分割现象,则随着分割尺度的增加,多尺度Moran′sI指数首次达到最小值的点所对应的分割尺度定义为该多尺度分割序列的临界分割尺度。
第三步:多尺度分割结果的自适应决策融合。
3-1)判定临界尺度上的分割区域是否存在欠分割。
首先在此定义一个Moran′sI指数阈值,以多尺度分割序列的最大分割尺度作为初始临界尺度,对其上的每个区域通过多尺度Moran′sI指数的最大值判定该区域是否欠分割。如果多尺度Moran′sI指数序列中的最大值超过该阈值,则说明该区域存在欠分割现象,同样,如果多尺度Moran′sI指数序列中的最大值没有超过该阈值,则说明该区域不存在欠分割现象。
3-2)对存在欠分割的区域,依据多尺度Moran′sI指数序列变化递归进行多尺度分割结果融合。
临界尺度上的区域如果欠分割,则该区域的多尺度Moran′sI指数首次达到最小值的点所对应的分割尺度即为新的临界分割尺度,进而将新的临界分割尺度作为新的初始临界分割尺度,依次对新的初始临界分割尺度上的每个区域计算新的多尺度Moran′sI指数,依据新的Moran′sI指数自适应的递归进行“尺度下推”,直至到达最小分割尺度层或者当前层不存在欠分割区域,进而结合多尺度分割层之间的空间继承关系,得到多尺度自适应决策融合的分割结果。
依次对最大分割尺度上的每个区域,按照第三步的方法进行自适应决策融合就得到整个图像自适应决策融合分割结果。
附图说明
附图1为本发明所设计的多尺度自适应决策融合分割方法的流程图。
附图2为本发明所采用的原始高分辨率遥感影像。
附图3为构建的多尺度分割结果。
附图4为多尺度分割结果自适应决策融合后的分割结果。
具体实施方式
1、附图2为多尺度自适应决策融合分割所采用的QuickBird高分辨率遥感图像,图像大小为400*400像素,空间分辨率为0.6米。
2、对附图2中的高分辨率遥感图像,采用分形网络演化分割算法,通过设定一系列递增尺度分割参数,得到的多尺度分割结果,构成图像的多尺度分割模型。分形网络演化分割算法的分割参数包括三部分:尺度参数、光谱权重系数和紧凑度权重系数。一系列递增分割参数,尺度参数设置为10至200,尺度递增间隔为10,共有20个分割尺度,每个尺度的光谱权重均设为0.9,每个尺度的紧凑度权重均设为0.5。附图3展示的是从20个尺度中选出6个代表尺度的分割结果,子图像a代表是的尺度参数为10,光谱权重为0.9,紧凑度权重为0.5的分割结果,子图像b不代表是的尺度参数为30,光谱权重为0.9,紧凑度权重为0.5的分割结果,子图像c代表是的尺度参数为50,光谱权重为0.9,紧凑度权重为0.5的分割结果,子图像d代表是的尺度参数为100,光谱权重为0.9,紧凑度权重为0.5的分割结果,子图像e代表是的尺度参数为150,光谱权重为0.9,紧凑度权重为0.5的分割结果,子图像f代表是的尺度参数为200,光谱权重为0.9,紧凑度权重为0.5的分割结果。
3、将最大分割尺度200作为初始临界分割尺度,并设定Moran′sI指数欠分割阈值为0.2。计算初始临界分割尺度200上每个区域的多尺度Moran′sI指数,并依据Moran′sI指数序列的最大值是否大于Moran′sI指数欠分割阈值0.2来判定是否存在欠分割,如果存在欠分割,则将Moran′sI指数序列首次达到最小值对应的尺度作为新的临界分割尺度,依次对新的初始分割尺度上的每个区域自适应的递归进行“尺度下推”,直至到达最小分割尺度层或者当前层不存在欠分割区域,进而结合多尺度分割层之间的空间继承关系,得到该多尺度分割序列自适应决策融合分割结果。依次对最大分割尺度200上的每个区域,按照步骤3方法进行自适应决策融合就得到整个图像多尺度自适应决策融合分割结果。附图4为多尺度自适应决策融合后的分割结果。
Claims (1)
1.高分辨率遥感图像多尺度自适应决策融合分割方法,其步骤为:
第一步:生成高分辨率遥感图像多尺度分割结果
基于分形网络演化分割算法,通过设置一系列递增尺度的分割参数,得到高分辨率遥感图像的多尺度分割序列,较大尺度的分割结果是由较小尺度的分割结果进行区域合并而来,如第三层是由第二层的分割区域通过区域合并得到,其相邻分割层与层之间具有严格的空间继承与对应关系;
第二步:依据高分辨率遥感图像的多尺度分割结果,定义区域多尺度Moran’sI指数以及临界分割尺度
2-1)在多尺度分割结果中,最大尺度分割结果中的每个区域都对应着一个多尺度的分割区域序列,通过计算最大尺度上每个区域在所有尺度上对应区域的整体Moran’sI指数,构成该区域的多尺度Moran’sI指数序列,称为区域多尺度Moran’sI指数,全局Moran’sI指数计算公式:
上述公式中:N是研究区内的区域总数,wij是空间权重,表示区域i和区域j的邻近关系,Xi和Xj分别是区域i和区域j的属性值,是所有区域属性的平均值;
2-2)在区域的多尺度分割序列中,由过分割变成欠分割的尺度转折点定义为临界分割尺度,根据区域多尺度Moran’sI指数的最大值和随尺度的变化趋势,找到过分割和欠分割的临界点,该临界点所对应的分割尺度即为该多尺度分割序列的临界分割尺度;
第三步:多尺度分割结果的自适应决策融合
3-1)在此定义一个Moran′sI指数阈值,以多尺度分割序列中最大分割尺度作为初始临界尺度,对其上的每个区域计算多尺度Moran’sI指数序列,如果多尺度Moran′sI指数序列中的最大值超过该阈值,则说明该区域存在欠分割现象,同样,如果多尺度Moran′sI指数序列中的最大值没有超过该阈值,则说明该区域不存在欠分割现象;
3-2)临界尺度上的区域如果欠分割,则区域多尺度Moran′sI指数首次达到最小值的点所对应的分割尺度即为新的临界分割尺度,进而将当前临界分割尺度作为新的初始临界尺度,依次对新临界分割尺度上的每个区域自适应的递归进行“尺度下推”,直至到达最小分割尺度层或者当前层不存在欠分割区域,按照第三步中的方法依次对最大分割尺度上的每个区域进行自适应决策融合,进而结合多尺度分割层之间的空间继承关系,得到多尺度自适应决策融合后的最终分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510628087.1A CN105335965B (zh) | 2015-09-29 | 2015-09-29 | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510628087.1A CN105335965B (zh) | 2015-09-29 | 2015-09-29 | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105335965A true CN105335965A (zh) | 2016-02-17 |
CN105335965B CN105335965B (zh) | 2020-05-22 |
Family
ID=55286470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510628087.1A Active CN105335965B (zh) | 2015-09-29 | 2015-09-29 | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335965B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392208A (zh) * | 2017-05-23 | 2017-11-24 | 三亚中科遥感研究所 | 基于光谱空间映射与纯化的对象光谱特征提取方法 |
CN107664623A (zh) * | 2017-09-22 | 2018-02-06 | 武汉轻工大学 | 一种物质光谱特征提取的方法 |
CN107833224A (zh) * | 2017-10-09 | 2018-03-23 | 西南交通大学 | 一种基于多层次区域合成的图像分割方法 |
CN108765426A (zh) * | 2018-05-15 | 2018-11-06 | 南京林业大学 | 自动图像分割方法及装置 |
CN110119744A (zh) * | 2019-05-07 | 2019-08-13 | 上海交通大学 | 多尺度分割约束的遥感影像语义分割方法 |
CN110322454A (zh) * | 2019-07-08 | 2019-10-11 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
CN111369569A (zh) * | 2020-02-24 | 2020-07-03 | 中国科学院地理科学与资源研究所 | 一种多尺度分割的最优尺度参数计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
US8670630B1 (en) * | 2010-12-09 | 2014-03-11 | Google Inc. | Fast randomized multi-scale energy minimization for image processing |
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 |
-
2015
- 2015-09-29 CN CN201510628087.1A patent/CN105335965B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8670630B1 (en) * | 2010-12-09 | 2014-03-11 | Google Inc. | Fast randomized multi-scale energy minimization for image processing |
CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
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 |
---|
GUIZHOU WANG ET AL.: "Human Visual System based Processing for High Resolution Remote Sensing Image Segmentation", 《2010 2ND INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING SYSTEMS (ICSPS)》 * |
YAN MENG ET AL.: "SCALE SELECTION BASED ON MORAN’S I FOR SEGMENTATION OF HIGH RESOLUTION REMOTELY SENSED IMAGES", 《IGARSS 2014》 * |
李楠 等: "自适应多尺度融合遥感图像分割方法", 《计算机工程》 * |
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》 * |
陈杰 等: "基于最优尺度选择的高分辨率遥感影像丘陵农田提取", 《农业工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392208A (zh) * | 2017-05-23 | 2017-11-24 | 三亚中科遥感研究所 | 基于光谱空间映射与纯化的对象光谱特征提取方法 |
CN107392208B (zh) * | 2017-05-23 | 2020-05-22 | 三亚中科遥感研究所 | 基于光谱空间映射与纯化的对象光谱特征提取方法 |
CN107664623A (zh) * | 2017-09-22 | 2018-02-06 | 武汉轻工大学 | 一种物质光谱特征提取的方法 |
CN107833224A (zh) * | 2017-10-09 | 2018-03-23 | 西南交通大学 | 一种基于多层次区域合成的图像分割方法 |
CN108765426A (zh) * | 2018-05-15 | 2018-11-06 | 南京林业大学 | 自动图像分割方法及装置 |
CN110119744A (zh) * | 2019-05-07 | 2019-08-13 | 上海交通大学 | 多尺度分割约束的遥感影像语义分割方法 |
CN110322454A (zh) * | 2019-07-08 | 2019-10-11 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
CN111369569A (zh) * | 2020-02-24 | 2020-07-03 | 中国科学院地理科学与资源研究所 | 一种多尺度分割的最优尺度参数计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105335965B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335965A (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN109086773B (zh) | 基于全卷积神经网络的断层面识别方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN103646400B (zh) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 | |
CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN101937079A (zh) | 基于区域相似度的遥感影像变化检测方法 | |
CN108053408B (zh) | 一种基于遥感卫星影像的高自动化土地利用更新方法 | |
CN109919944A (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
CN106910202B (zh) | 一种遥感图像地物的图像分割方法及系统 | |
CN104463164A (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN105139379A (zh) | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 | |
CN103679734A (zh) | 基于svm和pde的有眼台风二维表面风场反演方法 | |
CN104408733A (zh) | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 | |
Zhu et al. | Change detection based on the combination of improved SegNet neural network and morphology | |
Zhao et al. | Optimal scale selection for DEM based slope segmentation in the loess plateau | |
CN107194942B (zh) | 一种确定影像分类分割尺度阈值的方法 | |
CN117765313A (zh) | 一种基于空间连续视图对比学习的多源遥感图像分类方法 | |
CN109784209B (zh) | 利用高分辨率遥感影像的高寒山区积雪提取方法 | |
CN114463621A (zh) | 现代沉积源-汇系统遥感定量分析方法及装置 | |
Yang et al. | Urban roads network detection from high resolution remote sensing | |
CN105528793A (zh) | 一种高空间分辨率遥感影像的分割方法及系统 | |
Gong et al. | An adaptive multi-scale gaussian co-occurrence filtering decomposition method for multispectral and SAR image fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |