CN106651864A - 一种面向高分辨率遥感图像的分割方法 - Google Patents
一种面向高分辨率遥感图像的分割方法 Download PDFInfo
- Publication number
- CN106651864A CN106651864A CN201611191056.5A CN201611191056A CN106651864A CN 106651864 A CN106651864 A CN 106651864A CN 201611191056 A CN201611191056 A CN 201611191056A CN 106651864 A CN106651864 A CN 106651864A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- remote sensing
- image
- line segment
- refer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 title abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000003902 lesion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000008689 nuclear function Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种面向高分辨率遥感图像的分割方法,包含以下步骤:输入原始高分辨率遥感图像、提取图像的诸多特征并形成综合特征向量、利用支持向量数据描述方法对综合特征向量进行处理、形成图像分割结果;本发明主要解决了现有遥感图像分割技术中多特征、高分辨率产生的时间冗长、精度不高的问题。
Description
技术领域
本发明涉及智能信息处理领域,尤其是涉及一种面向高分辨率遥感图像的分割方法。
背景技术
高分辨率遥感图像由于包含更加丰富的空间信息,近年来成为遥感技术研究的热点之一,但其所包含的丰富信息也同时对于处理技术提出了更高的要求;由于不能充分利用其所富含的信息,传统的单独基于光谱的分割技术往往会出现异物同谱和同物异谱的现象,此外,传统的分割方法在处理大规模增长的像素时往往会导致更长的训练时间和更差的分割效果;目前,如何充分利用高分辨率遥感图像的各种信息来达到满意的分割效果,仍是一个具有挑战性的研究课题。
发明内容
为了解决上述问题,本发明提供一种面向高分辨率遥感图像的分割方法,本发明集成了纹理、几何和光谱空间信息中具有代表性的多种统计量,能够更加全面的表征高分辨率遥感图像所富含的信息,从而保证了图像分割的精度更高。
本发明所采用的技术方案:一种面向高分辨率遥感图像的分割方法,包含以下步骤,
S11:根据待处理遥感图像的像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度,将原始图像划分成M×N个正方形子图{Pe|e=1,2,...,M×N},记集合A={1,2,...,M×N};此处本领域技术人员划分子图的原则是,如果像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度这四个参数的值越大,需要划分出的子图个数越多,具体划分的个数应以本领域技术人员根据四个参数的值进行选定;
S12:提取每个子图Pe的典型纹理特征,包括灰度熵对比度角度二阶矩其中,m×m指的是子图Pe的像素大小,p(i,j)指的是子图Pe中像素对(i,j)和(i+a,j+b)出现在子图Pe中的概率,本领域技术人员在选取像素差分值a,b时,可以根据图像纹理细腻程度的高低而取不同的常数;
S13:提取每个子图Pe的典型几何特征,包括线段平均长度其中H指的是子图Pe中检测到的线段数量,(xis,yis),(xie,yie)指的是第i条线段起止点位置的坐标;线段长度熵其中NLEN(i)是在子图Pe长度直方图中长度位于第i个区间的线段个数;梯度幅值均值其中Gx(i,j)和Gy(i,j)分别是子图Pe中像素对(i,j)和(i+a,j+b)的水平梯度和垂直梯度;
S14:提取每个子图Pe的典型光谱特征,包括,像素值均值其中Xij指的是像素(i,j)的值;标准偏差
像素值的协方差矩阵
S15:将上述步骤中的多种特征进行融合,得到综合特征向量Ve=[α1ENTα2CONα3ENEα4LENMEANα5LENENTROPYα6GRADMEANα7PIXMEANα8PIXSTDα9PIXCOV]T,其中{αi|i=1,2,...,9}是每种特征归一化的权重系数,e=1,2,...,M×N;再利用支持向量数据描述方法对综合特征向量进行处理,通过对子图的迭代聚类实现图像分割;
本发明中,所述步骤S15中所利用的支持向量数据描述方法,主要包含以下步骤:
S21:引入满足Mercer定理的非线性映射满足其中核函数k(.,.)常用的形式有线性核函数,多项式核函数,径向基核函数,Sigmoid核函数和复合核函数;
S22:在引入映射的核特征空间中求解以下二次规划问题
s.t.0≤αe≤C,e=1,2,...,M×N.
其中,C代表人为对聚类误差的惩罚参数;求解出符合上述规划要求的αe,其下标集合B所对应的子图即为原始图像中可以被聚为一类的子图集合;计算聚类因子其中||.||为集合元素个数运算符;
S23:若聚类因子λ≥λmax,则意味着原始图像分割结束;若λ<λmax,令A=A-B,转向步骤S12,并进而迭代执行其后续步骤,其中λmax为聚类子图比例上限阈值,控制着聚类过程的迭代次数和图像分割的精细程度。
本发明的有益效果:本发明的方法中,集成了纹理、几何和光谱空间信息中具有代表性的多种统计量,能够更加全面的表征高分辨率遥感图像所富含的信息,从而保证了图像分割的精度更高;此外,分割图像所使用的支持向量数据描述方法,可以保证能以较快的速度处理更高分辨率的遥感图像,使特征融合更合理、图像分割时间更短、分割精度更高。
附图说明
图1是本发明的整体流程图。
具体实施方式
以下结合实施例对本发明的原理和特征进行详细描述,所举实施例仅用于描述本发明,并非用于限定本发明的范围。
一种面向高分辨率遥感图像的分割方法,包含以下步骤,
S11:根据待处理遥感图像的像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度,将原始图像划分成M×N个正方形子图{Pe|e=1,2,...,M×N},记集合A={1,2,...,M×N};此处本领域技术人员划分子图的原则是,如果像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度这四个参数的值越大,需要划分出的子图个数越多,具体划分的个数应以本领域技术人员根据四个参数的值进行选定;
S12:提取每个子图Pe的典型纹理特征,包括灰度熵对比度角度二阶矩其中,m×m指的是子图Pe的像素大小,p(i,j)指的是子图Pe中像素对(i,j)和(i+a,j+b)出现在子图Pe中的概率,本领域技术人员在选取像素差分值a,b时,可以根据图像纹理细腻程度的高低而取不同的常数;
S13:提取每个子图Pe的典型几何特征,包括线段平均长度其中H指的是子图Pe中检测到的线段数量,(xis,yis),(xie,yie)指的是第i条线段起止点位置的坐标;线段长度熵其中NLEN(i)是在子图Pe长度直方图中长度位于第i个区间的线段个数,此处第i条线段与第i个区间中的i含义相同,但与子图Pe中的像素对(i,j)中的i含义不同;
梯度幅值均值其中Gx(i,j)和Gy(i,j)分别是子图Pe中像素对(i,j)和(i+a,j+b)的水平梯度和垂直梯度;
S14:提取每个子图Pe的典型光谱特征,包括像素值均值其中Xij指的是像素(i,j)的值;标准偏差
像素值的协方差矩阵
S15:将上述步骤中的多种特征进行融合,得到综合特征向量Ve=[α1ENTα2CONα3ENEα4LENMEANα5LENENTROPYα6GRADMEANα7PIXMEANα8PIXSTDα9PIXCOV]T,其中{αi|i=1,2,...,9}是每种特征归一化的权重系数,e=1,2,...,M×N;再利用支持向量数据描述方法对综合特征向量进行处理,通过对子图的迭代聚类实现图像分割;
优选的,所述步骤S15中所利用的支持向量数据描述方法,是处理聚类问题时泛化能力和鲁棒性能较好的一种经典方法,主要包含以下步骤:
S21:引入满足Mercer定理的非线性映射满足其中核函数k(.,.)常用的形式有线性核函数,多项式核函数,径向基核函数,Sigmoid核函数和复合核函数;
S22:在引入映射的核特征空间中求解以下二次规划问题
s.t.0≤αe≤C,e=1,2,...,M×N.
其中,C代表人为对聚类误差的惩罚参数;求解出符合上述规划要求的αe,其下标集合B所对应的子图即为原始图像中可以被聚为一类的子图集合;计算聚类因子其中||.||为集合元素个数运算符;
S23:若聚类因子λ≥λmax,则意味着原始图像分割结束;若λ<λmax,令A=A-B,转向步骤S12,并进而迭代执行其后续步骤,其中λmax为聚类子图比例上限阈值,控制着聚类过程的迭代次数和图像分割的精细程度。
Claims (2)
1.一种面向高分辨率遥感图像的分割方法,其特征在于:包含以下步骤,
S11:根据待处理遥感图像的像素大小、纹理特征复杂度、几何特征复杂度和光谱特征复杂度,将原始图像划分成个正方形子图,记集合;
S12:提取每个子图的典型纹理特征,包括灰度熵,对比度,角度二阶矩;其中,指的是子图的像素大小,指的是子图中像素对和出现在子图中的概率,像素差分值可以根据图像纹理细腻程度的高低而取不同的常数;
S13:提取每个子图的典型几何特征,包括线段平均长度,其中指的是子图中检测到的线段数量, 指的是第条线段起止点位置的坐标;线段长度熵,其中是在子图长度直方图中长度位于第个区间的线段个数;梯度幅值均值,其中和分别是子图中像素对和的水平梯度和垂直梯度;
S14:提取每个子图的典型光谱特征,包括像素值均值,其中指的是像素的值;标准偏差,
像素值的协方差矩阵;
S15:将上述步骤中的多种特征进行融合,得到综合特征向量
其中是每种特征归一化的权重系数,;再利用支持向量数据描述方法对综合特征向量进行处理,通过对子图的迭代聚类实现图像分割。
2.如权利要求1所述的一种面向高分辨率遥感图像的分割方法,其特征在于:所述步骤S15中所利用的支持向量数据描述方法,主要包含以下步骤:
S21:引入满足Mercer定理的非线性映射,满足,其中核函数常用的形式有线性核函数,多项式核函数,径向基核函数,Sigmoid核函数和复合核函数;
S22:在引入映射的核特征空间中求解以下二次规划问题
其中,代表人为对聚类误差的惩罚参数;求解出符合上述规划要求的,其下标集合所对应的子图即为原始图像中可以被聚为一类的子图集合;计算聚类因子,其中为集合元素个数运算符;
S23 :若聚类因子,则意味着原始图像分割结束;若,令,转向步骤S12,并进而迭代执行其后续步骤,其中为聚类子图比例上限阈值,控制着聚类过程的迭代次数和图像分割的精细程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611191056.5A CN106651864B (zh) | 2016-12-21 | 2016-12-21 | 一种面向高分辨率遥感图像的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611191056.5A CN106651864B (zh) | 2016-12-21 | 2016-12-21 | 一种面向高分辨率遥感图像的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651864A true CN106651864A (zh) | 2017-05-10 |
CN106651864B CN106651864B (zh) | 2019-07-26 |
Family
ID=58835252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611191056.5A Active CN106651864B (zh) | 2016-12-21 | 2016-12-21 | 一种面向高分辨率遥感图像的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651864B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247966A (zh) * | 2017-06-02 | 2017-10-13 | 太仓韬信信息科技有限公司 | 一种高光谱图像分类方法 |
CN107909002A (zh) * | 2017-08-07 | 2018-04-13 | 北京航空航天大学 | 基于海岸线匹配的红外遥感图像海陆分割方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080193035A1 (en) * | 2005-03-15 | 2008-08-14 | Mitsubishi Electric Information Technology | Image Analysis and Representation |
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
CN102496034A (zh) * | 2011-11-29 | 2012-06-13 | 南京师范大学 | 基于直线单词的高空间分辨率遥感图像词袋分类方法 |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
CN103578110A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
CN106204543A (zh) * | 2016-06-29 | 2016-12-07 | 江南大学 | 基于单分类支持向量机的织物疵点检测方法 |
-
2016
- 2016-12-21 CN CN201611191056.5A patent/CN106651864B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080193035A1 (en) * | 2005-03-15 | 2008-08-14 | Mitsubishi Electric Information Technology | Image Analysis and Representation |
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
CN102496034A (zh) * | 2011-11-29 | 2012-06-13 | 南京师范大学 | 基于直线单词的高空间分辨率遥感图像词袋分类方法 |
CN102902978A (zh) * | 2012-08-31 | 2013-01-30 | 电子科技大学 | 一种面向对象的高分辨率遥感图像分类方法 |
CN103578110A (zh) * | 2013-11-12 | 2014-02-12 | 河海大学 | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 |
CN106204543A (zh) * | 2016-06-29 | 2016-12-07 | 江南大学 | 基于单分类支持向量机的织物疵点检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247966A (zh) * | 2017-06-02 | 2017-10-13 | 太仓韬信信息科技有限公司 | 一种高光谱图像分类方法 |
CN107909002A (zh) * | 2017-08-07 | 2018-04-13 | 北京航空航天大学 | 基于海岸线匹配的红外遥感图像海陆分割方法 |
CN107909002B (zh) * | 2017-08-07 | 2021-01-19 | 北京航空航天大学 | 基于海岸线匹配的红外遥感图像海陆分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106651864B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2016066042A1 (zh) | 商品图片的分割方法及其装置 | |
CN109389121B (zh) | 一种基于深度学习的铭牌识别方法及系统 | |
CN109657612B (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
CN105389811B (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
CN109886128B (zh) | 一种低分辨率下的人脸检测方法 | |
CN104143186B (zh) | 一种slic超像素分块优化方法 | |
CN101923715B (zh) | 基于粒子群优化空间纹理信息约束聚类的图像分割方法 | |
CN102982539B (zh) | 一种基于图像复杂性的特征自适应图像共分割方法 | |
CN105931180B (zh) | 利用显著信息引导的图像不规则马赛克拼接方法 | |
CN101847163A (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
WO2021098163A1 (zh) | 一种基于角点的空中目标探测方法 | |
CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN110852326B (zh) | 一种手写体版面分析和多风格古籍背景融合方法 | |
CN107194351B (zh) | 基于韦伯局部对称图结构的人脸识别特征提取方法 | |
CN111709901A (zh) | 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法 | |
CN105138975B (zh) | 一种基于深度信念网络的人体肤色区域分割方法 | |
CN103761736B (zh) | 一种基于贝叶斯和谐度的图像分割方法 | |
CN105303546B (zh) | 基于模糊连接度的近邻传播聚类图像分割方法 | |
CN103927730A (zh) | 基于Primal Sketch修正及矩阵填充的图像降噪方法 | |
CN110335322B (zh) | 基于图像的道路识别方法及道路识别装置 | |
CN106651864A (zh) | 一种面向高分辨率遥感图像的分割方法 | |
Li et al. | ROBYOL: Random-occlusion-based BYOL for hyperspectral image classification | |
CN109447970B (zh) | 基于能量转移和均匀缩放的图像重定向方法 | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 | |
CN111814801B (zh) | 一种机械图中标注串的提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 450000 Middle Road, 27 District University, Zhengzhou, Henan Province, No. 2 Applicant after: Zhengzhou Institute of Aeronautical Industry Management Address before: 450046 No. 15, Wen Yuan Xi Road, Zheng Dong New District, Zhengzhou, Zhengzhou, Henan, Henan Applicant before: Zhengzhou Institute of Aeronautical Industry Management |
|
GR01 | Patent grant | ||
GR01 | Patent grant |