CN105528793A - 一种高空间分辨率遥感影像的分割方法及系统 - Google Patents
一种高空间分辨率遥感影像的分割方法及系统 Download PDFInfo
- Publication number
- CN105528793A CN105528793A CN201610019361.XA CN201610019361A CN105528793A CN 105528793 A CN105528793 A CN 105528793A CN 201610019361 A CN201610019361 A CN 201610019361A CN 105528793 A CN105528793 A CN 105528793A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- sensing image
- segmentation
- partitioning parameters
- 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
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
本发明提供了一种高空间分辨率遥感影像的分割方法及系统,该方法包括:提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征;根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数;根据所述分割参数对所述遥感影像进行影像分割,获取分割结果;判断所述分割结果是否满足预设条件,若所述分割结果不满足预设条件,则调整所述分割参数,并根据调整后的分割参数对所述遥感影像进行均值漂移分割。本发明实施例可以根据高分遥感影像自身的性质确定合理的分割参数,从而实现基于分割参数自适应进行遥感影像的分割。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种高空间分辨率遥感影像的分割方法及系统。
背景技术
地物语义影像目标的尺度自适应精确计算是遥感影像多尺度分割方法研究领域的一个核心问题(WondcocK,1987;黄惠萍等,2003;Aplin,2006;etal.,2006;Addink,2007;黄昕,张良培等,2008;2010;龚健雅,李志林等,2010;陈春雷等,2011)。基于对象遥感影像分析中的尺度是指在多尺度影像分割过程中由物理影像基元构成的分割区域所对应的语义影像目标几何与光谱特征模式异质性最小的阈值。一般语义影像目标与有待识别或分类的物理影像基元之间的匹配程度(主要包括几何轮廓与光谱特征两方面)是检验分割算法优劣的最佳准则(于欢,张树清等,2009;刘建华,2011)。然而由于地理对象空间分布的尺度差异性以及高空间分辨率遥感影像数据自身的复杂性(如高分辨率影像是一个多尺度地物分布的复杂统一),很难在一定的分割尺度参数(不能用单一的尺度来描述其特性,并且这些参数都需要人为的确定,有时甚至需要目视解译修改对象的属性等;李德仁等,2012;笔者注:算法缺乏自适应性)条件下实现语义影像目标与物理影像基元二者的统一。分割参数设置过多依赖经验,导致影像分割与识别过程自动化程度降低且分割精度下降;过度的参数依赖性与不确定性、处理目标的单一性,造成方法普适性较差。分割得到的物理影像基元在当前兴趣尺度下的不合理合并或拆分,是导致不一致性问题的技术根源(其一、物理影像基元存在粗差,其二、合并或拆分规则不合理)。此外,对语义影像目标的定义需要符合影像理解的层次性特点,对已经构成了一个微观复杂格局的语义影像目标群,必须通过空间格局分析等途径给予最终识别与理解,仅寄希望于物理影像基元的归并来获取更高尺度层次的地物语义影像目标显然是不合理的(类似于地图概括理论)(刘建华,2011)。
显然,目前提出的尺度计算模型或方法均无法有效避免上述问题:①基于光谱值域统计计算获取尺度,这类方法本质上还是基于传统像元光谱特征分析的思想。例如,平均局部方差法(Wondcock,1987)及其改进的方法(Moran指数,2007;RMAS法,张俊等,2009;标准差及空间相关性,何敏等,2009;ESP法,Lucianetal.,2010),最大面积法(黄惠萍等,2003)及其改进的方法(面积相对差法,张友静等,2007;胡文亮等,2010),基于信息熵的方法(韩鹏等,2003)等均存在其局限性(忽略或难以自适应量化在光谱值域统计计算时空域尺度差异和统计类别间及类别内地物目标间的尺度差异性)。此外,eCognition软件集成的多尺度分割算法同时运用光谱异质性统计值和形状异质性指数(紧凑度和平滑度)来约束生成的物理影像基元,但算法的这些参数值不能自适应定量获取,必须依赖于大量随机性人工尝试来确定。
因此,如何从影像自身的性质出发确定合理的分割参数、尽可能地利用先验知识指导分割、通过减少主观因素的制约优化现有算法将成为该研究领域努力的主要方向。②地物语义影像目标尺度与地物类别最优尺度。高空间分辨率遥感影像具有描述地物几何与属性细节信息丰富、目视效果直观等优点,其已具备作为地物识别基础数据的基本潜质。“类内同质性大,类间异质性大”等准则已不适用于高空间分辨率遥感影像精细化尺度计算;显然即便是同类地物之间,其空域尺度差异(张友静等,2007)或光谱值域差异也可能很大(在高空间分辨率光学遥感影像中这类现象十分普遍且无法避免),该类地物目标之间并不具备理想的尺度相似性,地物类别最优尺度将难以达到对同类地物语义影像目标尺度的精细化描述。因此,理论与应用研究中应进一步探讨特定空域尺度条件下邻接物理影像基元间的区分与归并准则并促使尺度层次实例化到具体地物语义影像目标等级。
发明内容
鉴于上述问题,本发明提出了一种高空间分辨率遥感影像的分割方法及系统,可以根据高分遥感影像自身的性质确定合理的分割参数,从而实现基于分割参数自适应进行遥感影像的分割。
根据本发明的一个方面,提供了一种高空间分辨率遥感影像的分割方法,该方法包括:
提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征;
根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数;
根据所述分割参数对所述遥感影像进行影像分割,获取分割结果;
判断所述分割结果是否满足预设条件,若所述分割结果不满足预设条件,则调整所述分割参数,并根据调整后的分割参数对所述遥感影像进行均值漂移分割。
其中,所述分割参数包括空域尺度参数、最小分割单元参数以及全局值域尺度参数;
相应地,所述根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数,具体包括:
根据所述遥感影像的光谱特征、矢量边缘特征以及预设的第一尺度权重系数和伪边缘消除系数计算空域尺度参数,具体如下:
根据所述遥感影像的光谱特征、矢量边缘特征以及预设的第二尺度权重系数和伪边缘消除系数计算最小分割单元参数,具体如下:
根据所述遥感影像的光谱特征,确定所述遥感影像中包括的波段总数,并获取每一波段对应的图像像素个数以及每一像素的灰度值计算全局值域尺度参数;
根据所述波段总数、每一波段对应的图像像素个数以及每一像素的灰度值计算全局值域尺度参数,具体如下:
其中,S为空域尺度参数,M为最小分割单元参数,R为全局值域尺度参数,α为第一尺度权重系数,β为第二尺度权重系数,EP为伪边缘消除系数,Binfo为遥感影像的矢量边缘特征信息量,Tinfo为遥感影像的光谱特征信息量,Finfo为遥感影像的非边缘特征信息量,Finfo=Tinfo-Binfo,n为波段总数,N为图像像素个数,Xi j为i波段的第j个像素的灰度值。
其中,所述提取待处理的高空间分辨率遥感影像的矢量边缘特征,具体包括:对所述遥感影像进行矢量边缘检测,提取所述遥感影像的矢量边缘特征。
其中,在所述根据所述分割参数对所述遥感影像进行影像分割之前,所述方法还包括:
根据影像分割对应的分割算法,确定用于进行影像分割的色彩空间;
相应地,所述根据所述分割参数对所述遥感影像进行影像分割,具体为在确定出的色彩空间中根据所述分割参数对所述遥感影像进行影像分割。
其中,所述根据所述分割参数对所述遥感影像进行影像分割,具体包括:根据所述分割参数,采用均值漂移算法对所述遥感影像进行影像分割。
其中,所述根据所述分割参数,采用均值漂移算法对所述遥感影像进行影像分割,具体包括:
在所述空域尺度参数对应的空域范围内计算当前检测点对应的均值漂移向量;
判断所述均值漂移向量是否满足预设终止条件,若满足预设终止条件,则根据所述最小分割单元参数和全局值域尺度参数对所述遥感影像进行影像分割,若不满足预设终止条件,则在所述空域范围内调整当前检测点,直到对应的均值漂移向量满足所述预设终止条件。
其中,在所述提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征之前,所述方法还包括:对所述遥感影像进行预处理;
所述预处理包括全色处理、多光谱融合处理以及滤波处理。
根据本发明的另一个方面,提供了一种高空间分辨率遥感影像的分割系统,该系统包括:
特征提取单元,用于提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征;
参数确定单元,用于根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数;
影像分割单元,用于根据所述分割参数对所述遥感影像进行影像分割,获取分割结果;
参数调整单元,用于判断所述分割结果是否满足预设条件,若所述分割结果不满足预设条件,则调整所述分割参数;
所述影像分割单元,还用于根据调整后的分割参数对所述遥感影像进行均值漂移分割。
其中,所述系统还包括:
色彩空间确定单元,用于在所述影像分割单元根据所述分割参数对所述遥感影像进行影像分割之前,根据影像分割对应的分割算法,确定用于进行影像分割的色彩空间;
相应地,所述影像分割单元,具体用于在确定出的色彩空间中根据所述分割参数对所述遥感影像进行影像分割。
其中,所述系统还包括:
预处理单元,用于对所述遥感影像进行预处理,所述预处理包括全色处理、多光谱融合处理以及滤波处理。
本发明的有益效果为:
本发明提供的高空间分辨率遥感影像的分割方法及系统,通过根据遥感影像的光谱特征以及矢量边缘特征,确定遥感影像的分割参数,并根据分割参数对所述遥感影像进行影像分割,获取分割结果,若分割结果不满足预设条件,则调整所述分割参数,并根据调整后的分割参数对所述遥感影像进行均值漂移分割,直到得到满足预设条件的分割结果。本发明可以根据高分遥感影像自身的性质确定合理的分割参数,从而在分割过程无需人工输入任何参数和干预,实现基于分割参数自适应进行遥感影像的分割。
将在接下来的描述中部分阐述本发明另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明的实施而得知。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提出的一种高空间分辨率遥感影像的分割方法的流程图;
图2为本发明实施例提出的一种高空间分辨率遥感影像的分割方法的具体实现流程图;
图3(1)为高空间分辨率遥感影像尺度自适应均值漂移分割实验数据中GeoEye高空间分辨率卫星遥感影像;
图3(2)为高空间分辨率遥感影像尺度自适应均值漂移分割实验数据中QuickBird高空间分辨率卫星遥感影像;
图4(1)为GeoEye高空间分辨率遥感影像尺度自适应均值漂移分割实验结果中在RGB色彩空间中的分割结果示意图;
图4(2)为GeoEye高空间分辨率遥感影像尺度自适应均值漂移分割实验结果中在IHS色彩空间中的分割结果示意图;
图5(1)为QuickBird高空间分辨率遥感影像尺度自适应均值漂移分割实验结果中在RGB色彩空间中的分割结果示意图;
图5(2)为QuickBird高空间分辨率遥感影像尺度自适应均值漂移分割实验结果中在IHS色彩空间中的分割结果示意图;
图6为本发明实施例提出的一种高空间分辨率遥感影像的分割系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1示出了本发明实施例的一种高空间分辨率遥感影像的分割方法的流程图。
参照图1,本发明实施例提出的高空间分辨率遥感影像的分割方法包括:
S11、提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征。
S12、根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数。
S13、根据所述分割参数对所述遥感影像进行影像分割,获取分割结果。
S14、判断所述分割结果是否满足预设条件,若所述分割结果不满足预设条件,则调整所述分割参数,并根据调整后的分割参数对所述遥感影像进行均值漂移分割。
本发明实施例提供的高空间分辨率遥感影像的分割方法,可以根据高分遥感影像自身的性质确定合理的分割参数,从而在分割过程无需人工输入任何参数和干预,实现基于分割参数自适应进行遥感影像的分割。
进一步地,所述分割参数包括空域尺度参数、最小分割单元参数以及全局值域尺度参数;
相应地,所述根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数,具体包括以下附图中未示出的步骤:
S121、根据所述遥感影像的光谱特征、矢量边缘特征以及预设的第一尺度权重系数和伪边缘消除系数计算空域尺度参数,具体如下:
需要说明的是,空域尺度参数是指在多大空间范围内引导当前分割算法进行多个影像目标的分割。在本实施列中,空域尺度参数具体是指每次迭代计算均值漂移向量时的空间范围,本发明实施例能够得到合理的空域尺度,进而保证影像分割的精度和效率。具体的,基于线密度思想,首先在矢量边缘中提取出遥感影像的矢量边缘特征信息量Binfo,将其与遥感影像的光谱特征信息量Tinfo相比较,得到单位面积内线密度信息量的倒数Tinfo/Binfo,从而建立基于线密度信息量的空域尺度参数S计算公式。
其中,由于存在伪边缘信息,系数EP用于消除伪边缘。空域尺度的计算依据影像内部语义影像目标的空间复杂度,自适应给出影像多尺度分割时的最优空域尺度参数,为主要针对高分影像几何细节信息处理的参数。
S122、根据所述遥感影像的光谱特征、矢量边缘特征以及预设的第二尺度权重系数和伪边缘消除系数计算最小分割单元参数,具体如下:
需要说明的是,最小分割单元参数是关于由物理影像基元构成的语义影像目标内部特征模式异质性最小的分割阈值,一般间接对应于由影像自身特征决定的最小分割图斑单元。Tinfo为遥感影像的光谱特征信息量,影像给定后其为一常量;Binfo为遥感影像的矢量边缘特征信息量,影像中边缘越多,其值越大;Finfo为遥感影像的非边缘特征信息量,影像中边缘越多,其值越小;尺度的自适应性可以对分割得到的物理影像基元与语义影像目标间的匹配程度进行动态调整,并依据影像特征给出影像多尺度分割时的最优尺度参数。
S123、根据所述遥感影像的光谱特征,确定所述遥感影像中包括的波段总数,并获取每一波段对应的图像像素个数以及每一像素的灰度值计算全局值域尺度参数;
根据所述波段总数、每一波段对应的图像像素个数以及每一像素的灰度值计算全局值域尺度参数,具体如下:
其中,S为空域尺度参数,M为最小分割单元参数,R为全局值域尺度参数,α为第一尺度权重系数,β为第二尺度权重系数,EP为伪边缘消除系数,Binfo为遥感影像的矢量边缘特征信息量,Tinfo为遥感影像的光谱特征信息量,Finfo为遥感影像的非边缘特征信息量,Finfo=Tinfo-Binfo,n为波段总数,N为图像像素个数,Xi j为i波段的第j个像素的灰度值。
需要说明的是,值域尺度参数计算引导分割算法将在多大光谱异质性参考范围内进行同质性区域的检测,本发明实施例能够实现值域尺度参数的有效选取,在很大程度上确保了影像分割的精度和执行效率。各波段光谱值的分布规律在一定程度上反映了影像的总体光谱特征,全局值域尺度的获取与影像各波段光谱信息密切相关,故采用影像的光谱信息统计量作为值域的参考值。
可理解的是,统计特征期望值亦可为局域化的多元统计量,目的是要尽可能的对语义影像目标内的光谱异质性给出最为有效地表达。当多元统计量空间上趋于局域化后,值域尺度参数的取值可在对特定空域尺度范围S中的像元通过多元统计分析来获取,从而实现该参数获取的局部最优自适应性。
在本发明的一个可选实施例中,所述提取待处理的高空间分辨率遥感影像的矢量边缘特征,具体包括:对所述遥感影像进行矢量边缘检测,提取所述遥感影像的矢量边缘特征。
在实际应用中,本发明通过利用矢量边缘检测方法进行遥感影像矢量边缘信息提取以及伪边缘信息剔除。
其中,在所述根据所述分割参数对所述遥感影像进行影像分割之前,所述方法还包括:
根据影像分割对应的分割算法,确定用于进行影像分割的色彩空间。
本实施例中,在根据所述分割参数对所述遥感影像进行影像分割之前,还需要按照分割算法特性,选择期望的色彩空间进行遥感影像色彩空间转化与重构。
其中,遥感影像色彩空间包括RGB色彩空间与IHS色彩空间。
相应地,所述根据所述分割参数对所述遥感影像进行影像分割,具体为在确定出的色彩空间中根据所述分割参数对所述遥感影像进行影像分割。
在本发明的一个可选实施例中,所述根据所述分割参数对所述遥感影像进行影像分割,具体包括:根据所述分割参数,采用均值漂移算法对所述遥感影像进行影像分割。
进一步地,所述根据所述分割参数,采用均值漂移算法对所述遥感影像进行影像分割,具体包括:
在所述空域尺度参数对应的空域范围内计算当前检测点对应的均值漂移向量;
判断所述均值漂移向量是否满足预设终止条件,若满足预设终止条件,则根据所述最小分割单元参数和全局值域尺度参数对所述遥感影像进行影像分割,若不满足预设终止条件,则在所述空域范围内调整当前检测点,直到对应的均值漂移向量满足所述预设终止条件。
在本发明的一个可选实施例中,在所述提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征之前,所述方法还包括:对所述遥感影像进行预处理。
在实际应用中,为了保证准确地实现对高空间分辨率遥感影像的矢量边缘特征以及光谱特征的提取,本发明实施例还包括对遥感影像进行预处理的步骤,预处理主要包括全色处理、多光谱融合处理以及滤波处理。
其中,多光谱融合处理可采用如Gram-Schmidt算法实现,滤波处理可采用如双边滤波或各向异性扩散滤波算法实现。
下面通过一个具体实施例对本发明的高空间分辨率遥感影像的分割方法的实现进行详细说明。
在具体实施例中,如图2所示,高空间分辨率遥感影像的分割方法的实现包括以下步骤:
(1)影像预处理;
(2)色彩特征空间选择及影像重构;
(3)矢量边缘信息提取;
(4)分割参数自适应计算;
基于根据所述遥感影像的光谱特征以及矢量边缘特征,进行分割参数自适应计算,得到空域尺度参数、最小分割单元参数以及全局值域尺度参数。
(5)确定或微调自适应分割尺度参数;
利用(4)中提供的尺度参数(空域尺度S,值域尺度R,最小分割图斑单元M)进行均值漂移分割;或基于分割结果评价考虑是否对自适应分割参数方案进行微调。
(6)均值漂移分割;
在空域范围S内计算当前点X(x,y)的均值漂移向量;判断该均值向量是否满足终止条件,满足转步骤(7),否则继续在S内移动(区域生长与合并),迭代直至该均值向量满足终止条件;
(7)获取当前自适应参数方案下的初步分割结果(物理影像基元);判断该结果是否满足最终分割结果要求(是否存在过分割或欠分割等情况),满足转步骤(8),否则转步骤(5);
(8)获得自适应多尺度分割结果(物理影像基元)并输出。
为了展示本发明实施例提供的高空间分辨率遥感影像的分割方法在实际工程应用中的技术效果,下面分别采用GeoEye以及QuickBird高空间分辨率遥感影像数据进行工程实验展示说明。
实验数据
图3(1)-(2)为高空间分辨率遥感影像尺度自适应均值漂移分割实验数据,其中,图3(1)为GeoEye高空间分辨率卫星遥感影像,图3(2)为QuickBird高空间分辨率卫星遥感影像。
如下图3(1),原始实验数据为1024×1024像素的3通道(红、绿、蓝)多波段GeoEye高空间分辨率卫星遥感影像,数据大小为3M;影像地理范围内有道路、建筑物、湖泊、树木、裸地、草地等地物目标,较为全面地呈现了遥感影像边缘信息提取工程所处的常态化地理环境,从而确保了本次实验的真实和有效性。
如下图3(2),原始实验数据为1024×1024像素的3通道(红、绿、蓝)多波段QuickBird高空间分辨率卫星遥感影像,数据大小为3M;影像地理范围内有道路、建筑物、河流、树木、裸地、草地等地物目标,较为全面地呈现了遥感影像边缘信息提取工程所处的常态化地理环境,从而确保了本次实验的真实和有效性。
实验结果
图4(1)-(2)为本发明在RGB与IHS色彩空间进行尺度自适应均值漂移分割获得的GeoEye遥感影像实验结果。其中,图4(1)为GeoEye遥感影像在RGB色彩空间中的分割结果,图4(2)为GeoEye遥感影像在IHS色彩空间中的分割结果。
图4(1)中,尺度自适应计算获得的参数为S=13,R=15,M=120。
图4(2)中,尺度自适应计算获得的参数为S=22,R=12,M=130。
图5(1)-(2)为本发明在RGB与IHS色彩空间进行尺度自适应均值漂移分割获得的QuickBird遥感影像实验结果。其中,图5(1)为QuickBird遥感影像在RGB色彩空间中的分割结果,图5(2)为QuickBird遥感影像在IHS色彩空间中的分割结果。
图5(1)中,尺度自适应计算获得的参数为S=13,R=25,M=120。
图5(2)中,尺度自适应计算获得的参数为S=39,R=20,M=210。
本发明实施例提出的一种高空间分辨率遥感影像的分割方法及系统,通过对高空间分辨率遥感影像进行矢量边缘检测,获取整幅影像的矢量边缘信息。基于矢量边缘特征,进行全局影像空域尺度及最小分割单元的分析和计算。其次,基于矢量边缘特征约束,在分析各波段全局光谱值分布规律的基础上进行值域尺度参数计算。最后,将自适应计算获取的空域尺度、最小分割单元和值域尺度引入均值漂移分割算法,从而实现基于尺度参数自适应计算的遥感影像分割。
本发明可以自适应根据高分影像自身的性质确定合理的分割参数(空域尺度、最小分割单元和值域尺度),能够将从高空间分辨率遥感影像中提取出的矢量边缘信息以及影像自身的光谱统计信息作为先验知识,对分割算法过程进行嵌入式优化指导,分割过程无需人工输入任何参数和干预。此外,用户也可根据分割结果调整该算法自适应确定的分割参数方案,支持用户对分割结果进行期望值形式的定制。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
图6示出了本发明实施例的高空间分辨率遥感影像的分割系统的结构示意图。
参照图6,本发明实施例的高空间分辨率遥感影像的分割系统具体包括特征提取单元601、参数确定单元602、影像分割单元603以及参数调整单元604,其中:
所述特征提取单元601,用于提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征;
所述参数确定单元602,用于根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数;
所述影像分割单元603,用于根据所述分割参数对所述遥感影像进行影像分割,获取分割结果;
所述参数调整单元604,用于判断所述分割结果是否满足预设条件,若所述分割结果不满足预设条件,则调整所述分割参数;
进一步地,所述影像分割单元603,还用于根据调整后的分割参数对所述遥感影像进行均值漂移分割。
本发明实施例提供的高空间分辨率遥感影像的分割系统,可以根据高分遥感影像自身的性质确定合理的分割参数,从而在分割过程无需人工输入任何参数和干预,实现基于分割参数自适应进行遥感影像的分割。
根据本发明的一个可选实施例,所述系统还包括附图中未示出的色彩空间确定单元:
所述色彩空间确定单元,用于在所述影像分割单元根据所述分割参数对所述遥感影像进行影像分割之前,根据影像分割对应的分割算法,确定用于进行影像分割的色彩空间;
相应地,所述影像分割单元,具体用于在确定出的色彩空间中根据所述分割参数对所述遥感影像进行影像分割。
根据本发明的一个可选实施例,所述系统还包括附图中未示出的预处理单元:
所述预处理单元,用于对所述遥感影像进行预处理,所述预处理包括全色处理、多光谱融合处理以及滤波处理。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例提供的高空间分辨率遥感影像的分割方法及系统,通过根据遥感影像的光谱特征以及矢量边缘特征,确定遥感影像的分割参数,并根据分割参数对所述遥感影像进行影像分割,获取分割结果,若分割结果不满足预设条件,则调整所述分割参数,并根据调整后的分割参数对所述遥感影像进行均值漂移分割,直到得到满足预设条件的分割结果。本发明可以根据高分遥感影像自身的性质确定合理的分割参数,从而在分割过程无需人工输入任何参数和干预,实现基于分割参数自适应进行遥感影像的分割。
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以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)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,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的系统中的模块可以按照实施例描述进行分布于实施例的系统中,也可以进行相应变化位于不同于本实施例的一个或多个系统中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种高空间分辨率遥感影像的分割方法,其特征在于,所述方法包括:
提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征;
根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数;
根据所述分割参数对所述遥感影像进行影像分割,获取分割结果;
判断所述分割结果是否满足预设条件,若所述分割结果不满足预设条件,则调整所述分割参数,并根据调整后的分割参数对所述遥感影像进行均值漂移分割。
2.根据权利要求1所述的方法,其特征在于,所述分割参数包括空域尺度参数、最小分割单元参数以及全局值域尺度参数;
相应地,所述根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数,具体包括:
根据所述遥感影像的光谱特征、矢量边缘特征以及预设的第一尺度权重系数和伪边缘消除系数计算空域尺度参数,具体如下:
根据所述遥感影像的光谱特征、矢量边缘特征以及预设的第二尺度权重系数和伪边缘消除系数计算最小分割单元参数,具体如下:
根据所述遥感影像的光谱特征,确定所述遥感影像中包括的波段总数,并获取每一波段对应的图像像素个数以及每一像素的灰度值计算全局值域尺度参数;
根据所述波段总数、每一波段对应的图像像素个数以及每一像素的灰度值计算全局值域尺度参数,具体如下:
其中,S为空域尺度参数,M为最小分割单元参数,R为全局值域尺度参数,α为第一尺度权重系数,β为第二尺度权重系数,EP为伪边缘消除系数,Binfo为遥感影像的矢量边缘特征信息量,Tinfo为遥感影像的光谱特征信息量,Finfo为遥感影像的非边缘特征信息量,Finfo=Tinfo-Binfo,n为波段总数,N为图像像素个数,为i波段的第j个像素的灰度值。
3.根据权利要求1或2所述的方法,其特征在于,所述提取待处理的高空间分辨率遥感影像的矢量边缘特征,具体包括:对所述遥感影像进行矢量边缘检测,提取所述遥感影像的矢量边缘特征。
4.根据权利要求1或2所述的方法,其特征在于,在所述根据所述分割参数对所述遥感影像进行影像分割之前,所述方法还包括:
根据影像分割对应的分割算法,确定用于进行影像分割的色彩空间;
相应地,所述根据所述分割参数对所述遥感影像进行影像分割,具体为在确定出的色彩空间中根据所述分割参数对所述遥感影像进行影像分割。
5.根据权利要求2所述的方法,其特征在于,所述根据所述分割参数对所述遥感影像进行影像分割,具体包括:根据所述分割参数,采用均值漂移算法对所述遥感影像进行影像分割。
6.根据权利要求5所述的方法,其特征在于,所述根据所述分割参数,采用均值漂移算法对所述遥感影像进行影像分割,具体包括:
在所述空域尺度参数对应的空域范围内计算当前检测点对应的均值漂移向量;
判断所述均值漂移向量是否满足预设终止条件,若满足预设终止条件,则根据所述最小分割单元参数和全局值域尺度参数对所述遥感影像进行影像分割,若不满足预设终止条件,则在所述空域范围内调整当前检测点,直到对应的均值漂移向量满足所述预设终止条件。
7.根据权利要求1或2所述的方法,其特征在于,在所述提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征之前,所述方法还包括:对所述遥感影像进行预处理;
所述预处理包括全色处理、多光谱融合处理以及滤波处理。
8.一种高空间分辨率遥感影像的分割系统,其特征在于,所述系统包括:
特征提取单元,用于提取待处理的高空间分辨率遥感影像的矢量边缘特征以及光谱特征;
参数确定单元,用于根据所述遥感影像的光谱特征以及矢量边缘特征,确定所述遥感影像的分割参数;
影像分割单元,用于根据所述分割参数对所述遥感影像进行影像分割,获取分割结果;
参数调整单元,用于判断所述分割结果是否满足预设条件,若所述分割结果不满足预设条件,则调整所述分割参数;
所述影像分割单元,还用于根据调整后的分割参数对所述遥感影像进行均值漂移分割。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括:
色彩空间确定单元,用于在所述影像分割单元根据所述分割参数对所述遥感影像进行影像分割之前,根据影像分割对应的分割算法,确定用于进行影像分割的色彩空间;
相应地,所述影像分割单元,具体用于在确定出的色彩空间中根据所述分割参数对所述遥感影像进行影像分割。
10.根据权利要求8所述的系统,其特征在于,所述系统还包括:
预处理单元,用于对所述遥感影像进行预处理,所述预处理包括全色处理、多光谱融合处理以及滤波处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610019361.XA CN105528793A (zh) | 2016-01-12 | 2016-01-12 | 一种高空间分辨率遥感影像的分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610019361.XA CN105528793A (zh) | 2016-01-12 | 2016-01-12 | 一种高空间分辨率遥感影像的分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105528793A true CN105528793A (zh) | 2016-04-27 |
Family
ID=55770996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610019361.XA Pending CN105528793A (zh) | 2016-01-12 | 2016-01-12 | 一种高空间分辨率遥感影像的分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528793A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875481A (zh) * | 2016-12-30 | 2017-06-20 | 航天星图科技(北京)有限公司 | 一种三维可视化遥感影像地表分类模型的制作方法 |
CN107274421A (zh) * | 2017-05-02 | 2017-10-20 | 北京建筑大学 | 一种遥感影像尺度计算方法、可读存储介质和计算机设备 |
CN109063577A (zh) * | 2018-07-05 | 2018-12-21 | 浙江大学 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002524937A (ja) * | 1998-08-28 | 2002-08-06 | サーノフ コーポレイション | 高解像度カメラと低解像度カメラとを用いて高解像度像を合成する方法および装置 |
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN103915531A (zh) * | 2012-12-28 | 2014-07-09 | 株式会社东芝 | 半导体发光元件及其制造方法 |
-
2016
- 2016-01-12 CN CN201610019361.XA patent/CN105528793A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002524937A (ja) * | 1998-08-28 | 2002-08-06 | サーノフ コーポレイション | 高解像度カメラと低解像度カメラとを用いて高解像度像を合成する方法および装置 |
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN103915531A (zh) * | 2012-12-28 | 2014-07-09 | 株式会社东芝 | 半导体发光元件及其制造方法 |
Non-Patent Citations (2)
Title |
---|
刘建华: "高空间分辨率遥感影像自适应分割方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
林小平 等: "纹理特征遥感影像分割研究", 《测绘科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875481A (zh) * | 2016-12-30 | 2017-06-20 | 航天星图科技(北京)有限公司 | 一种三维可视化遥感影像地表分类模型的制作方法 |
CN107274421A (zh) * | 2017-05-02 | 2017-10-20 | 北京建筑大学 | 一种遥感影像尺度计算方法、可读存储介质和计算机设备 |
CN107274421B (zh) * | 2017-05-02 | 2019-11-29 | 北京建筑大学 | 一种遥感影像尺度计算方法、可读存储介质和计算机设备 |
CN109063577A (zh) * | 2018-07-05 | 2018-12-21 | 浙江大学 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
CN109063577B (zh) * | 2018-07-05 | 2021-08-31 | 浙江大学 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107636693B (zh) | 针对人工神经网络的相关性分数指派 | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
Kim et al. | Color–texture segmentation using unsupervised graph cuts | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN110807485B (zh) | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 | |
CN104318051A (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN112949738A (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
Huang et al. | A multi-kernel mode using a local binary pattern and random patch convolution for hyperspectral image classification | |
CN112733736A (zh) | 基于增强过采样的类别不平衡高光谱图像分类方法 | |
CN105528793A (zh) | 一种高空间分辨率遥感影像的分割方法及系统 | |
Ding et al. | Efficient vanishing point detection method in unstructured road environments based on dark channel prior | |
CN115565019A (zh) | 基于深度自监督生成对抗的单通道高分辨sar图像地物分类方法 | |
CN113496221B (zh) | 基于深度双边滤波的点监督遥感图像语义分割方法及系统 | |
CN117315381B (zh) | 一种基于二阶有偏随机游走的高光谱图像分类方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN117475236A (zh) | 用于矿产资源勘探的数据处理系统及其方法 | |
Dornaika et al. | A comparative study of image segmentation algorithms and descriptors for building detection | |
Li et al. | 3D large-scale point cloud semantic segmentation using optimal feature description vector network: OFDV-Net | |
CN106570127B (zh) | 基于对象属性关联规则的遥感图像检索方法及系统 | |
Sebastian et al. | Significant full reference image segmentation evaluation: a survey in remote sensing field | |
Sheikh et al. | Noise tolerant classification of aerial images into manmade structures and natural-scene images based on statistical dispersion measures | |
Tang et al. | Rapid forward vehicle detection based on deformable Part Model | |
Li | A novel remote sensing image classification algorithm based on PCA and hidden Markov random field theory | |
Subhashini et al. | A hybrid optimal technique for road extraction using entropy rate super-pixel segmentation and probabilistic neural networks | |
Liu et al. | A New Clustering Algorithm Toward Building Segmentation From Aerial Images by Utilizing RGB‐Component Differences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160427 |