CN106651864B - 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 PDF

Info

Publication number
CN106651864B
CN106651864B CN201611191056.5A CN201611191056A CN106651864B CN 106651864 B CN106651864 B CN 106651864B CN 201611191056 A CN201611191056 A CN 201611191056A CN 106651864 B CN106651864 B CN 106651864B
Authority
CN
China
Prior art keywords
subgraph
remote sensing
line segment
image
pixel
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.)
Active
Application number
CN201611191056.5A
Other languages
English (en)
Other versions
CN106651864A (zh
Inventor
王永庆
刘双红
刘申晓
张晓煜
王佳
李玲玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Aeronautics
Original Assignee
Zhengzhou University of Aeronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University of Aeronautics filed Critical Zhengzhou University of Aeronautics
Priority to CN201611191056.5A priority Critical patent/CN106651864B/zh
Publication of CN106651864A publication Critical patent/CN106651864A/zh
Application granted granted Critical
Publication of CN106651864B publication Critical patent/CN106651864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

一种面向高分辨率遥感图像的分割方法
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,(xks,yks),(xke,yke)指的是第k条线段起止点位置的坐标；线段长度熵其中H1是子图Pe线段长度直方图中区间的个数，NLEN(l)是在子图Pe线段长度直方图中位于第l个区间内的线段个数；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)对应向量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
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，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(.,.)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，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,(xks,yks),(xke,yke)指的是第k条线段起止点位置的坐标；线段长度熵其中H1是子图Pe线段长度直方图中区间的个数，NLEN(l)是在子图Pe线段长度直方图中位于第l个区间内的线段个数；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)对应向量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
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，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(.,.)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，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M×N个正方形子图{Pe|e＝1,2,...,M×N}，记集合A＝{1,2,...,M×N}；
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，像素差分值a,b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,(xks,yks),(xke,yke)指的是第k条线段起止点位置的坐标；线段长度熵其中H1是子图Pe线段长度直方图中区间的个数，NLEN(l)是在子图Pe线段长度直方图中位于第l个区间内的线段个数；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)对应向量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
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。
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，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(.,.)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。
CN201611191056.5A 2016-12-21 2016-12-21 一种面向高分辨率遥感图像的分割方法 Active CN106651864B (zh)

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 CN106651864A (zh) 2017-05-10
CN106651864B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
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
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1703467A1 (en) * 2005-03-15 2006-09-20 Mitsubishi Electric Information Technology Centre Europe B.V. Image analysis and representation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN106651864A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN109614922B (zh) 一种动静态手势识别方法和系统
CN106920243B (zh) 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN107506761B (zh) 基于显著性学习卷积神经网络的脑部图像分割方法及系统
CN107133935B (zh) 一种基于深度卷积神经网络的单图像精细去雨方法
CN103353987B (zh) 一种基于模糊理论的超像素分割方法
CN109447998B (zh) 基于PCANet深度学习模型下的自动分割方法
CN105574527B (zh) 一种基于局部特征学习的快速物体检测方法
CN107133955B (zh) 一种多层次结合的协同显著性检测方法
CN102243711B (zh) 一种基于邻域嵌套的图像超分辨率重建方法
WO2016066042A1 (zh) 商品图片的分割方法及其装置
CN111709901B (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
CN104376556A (zh) 一种岩石ct图像目标分割方法
CN105118090A (zh) 一种自适应复杂地形结构的点云滤波方法
CN108154158B (zh) 一种面向增强现实应用的建筑物图像分割方法
CN102521831A (zh) 基于多尺度分形维和神经网络的机器人视觉图像分割方法
CN107527054A (zh) 基于多视角融合的前景自动提取方法
CN107292328A (zh) 多尺度多特征融合的遥感影像阴影检测提取方法及系统
CN108090485A (zh) 基于多视角融合的图像前景自动提取方法
CN102446356A (zh) 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法
CN106651864B (zh) 一种面向高分辨率遥感图像的分割方法
CN114170527A (zh) 一种利用旋转框表示的遥感目标检测方法
CN113610024A (zh) 一种多策略的深度学习遥感影像小目标检测方法
CN104899592B (zh) 一种基于圆形模板的道路半自动提取方法及系统
CN110991463B (zh) 一种超像素图引导下的多尺度引导滤波特征提取方法
CN114219049B (zh) 一种基于层级约束的细粒度笔石图像分类方法和装置

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