CN107194942A - 一种确定影像分类分割尺度阈值的方法 - Google Patents

Abstract

本发明公开一种确定影像分类分割尺度阈值的方法,包括：输入遥感影像，并设置影像参数和初始的分割尺度，所述影像参数包括光谱和形状因子；采用异质性分割估算算法，对遥感影像进行一次循环的N次分割，所述N为设定的分割次数；针对遥感影像分割后形成的网络层级结构，统计分析计算的尺度层数，分析每一层的异质性局部方差，及其和上下层之间的方差变异；获取方差变异较大的层数，进而提取该层的异质性指标，并作为分割尺度阈值。在地理国情遥感监测中，面对多尺度高空间分辨率卫星遥感数据，能有效解决分割尺度的估算，提供参考尺度，将能有效解决其过程中需要的时间成本，提高了地理国情遥感监测效率,有效提高分类效率。

Description

一种确定影像分类分割尺度阈值的方法

技术领域

本发明涉及空间影像分析领域，具体涉及一种确定影像分类分割尺度阈值的方法。

背景技术

我国地域辽阔、人口众多，目前正处于经济快速发展的转型期，地表变化细致、频繁，地理国情庞大、复杂。面对这样的形势，地理国情监测作为新时期空间信息科学的重要使命，其实施需要利用空天地一体化遥感技术和全球卫星导航定位技术等实现信息一体化的采集和快速更新。地理国情监测对象的时效性和全面性，在很大程度上，要求地观测具有强大的采集更新能力。卫星遥感是对地观测的重要组成部分，以“三高”，即高空间分辨率、高光谱分辨率和高时间分辨率，的趋势快速发展，其在农林业、国土、交通、矿产资源自然灾害、城市规划、海洋等方面的技术应用满足地理国情监测的对象特征内在要求和国情外在的需求。其中，以高空间分辨率卫星影像最具信息价值，已成为经济建设、国情监测、社会公众信息服务等方面的重要空间信息源。

高空间分辨率遥感影像的信息提取是遥感应用的基础。但随着影像空间分辨率的提高，同类地物内部光谱差异逐渐增大，基于像元(Pixel Based)光谱统计、异质性分离、粒度效果的自动分类技术已经不能满足当前遥感信息提取的要求，成为了制约高分辨率影像应用的主要瓶颈。面向对象影像分析(Object Based Image Analysis,OBIA)为其信息提取提供了新的思路，核心在于精确的影像分割。

影像分割是以影像亮度值的不连续性和相似性特征作为参考值，基于同质性或异质性准则，参看图1，设定最佳分割尺度将影像划分为若干子区域，而目前对于这个过程中的最佳分割尺度没有准确的估算,依靠经验阈值来设定分割尺度进行不同尺度遥感数据分割，需要花费大量时间和有较好技术的遥感工程师完成多次实验来获取经验，是OBIA中最花费时间的过程。如果能快速且有一种科学的计算影像分割尺度阈值的方法，将大大减少人力物力成本和时间成本。

发明内容

本发明的目的在于针对上述现有技术中存在的问题，提出了一种确定影像分类分割尺度阈值的方法，在地理国情遥感监测中，面对多尺度高空间分辨率卫星遥感数据，能有效解决分割尺度的估算，提供参考尺度，将能有效解决其过程中需要的时间成本，提高了地理国情遥感监测效率,有效提高分类效率。

为达到上述发明的目的，本发明通过以下技术方案实现：

本发明公开一种确定影像分类分割尺度阈值的方法，包括步骤如下：

步骤1，输入遥感影像，并设置影像参数和初始的分割尺度，所述影像参数包括光谱和形状因子；

步骤2，采用异质性分割估算算法，对遥感影像进行一次循环的N次分割，所述N为设定的分割次数；

步骤3，针对遥感影像分割后形成的网络层级结构，统计分析计算的尺度层数，分析每一层的异质性局部方差，及其和上下层之间的方差变异；

步骤4，获取方差变异较大的层数，进而提取该层的异质性指标，并作为分割尺度阈值。

进一步，所述异质性分割估算算法如下：

步骤21，从待分割种子队列以单个像元为起点，计算与临近像元合并后的异质性指标，判断该异质性指标是否小于指标阈值，是则分割结束，否则继续下一步；

步骤22，以上一次分割生成的区域对象为起点，计算与临近对象合并后的异质性指标，并判断该异质性指标是否小于指标阈值，是则分割结束，否则再次执行步骤22；

步骤23，所述步骤21或步骤22的异质性指标大于指标阈值的像元作为种子点列入待分割种子队列，将异质性指标小于指标阈值的两个像元合并，并列入不可分割种子队列。

进一步，所述步骤3包括有：

步骤31，对第i层，计算第i层的尺度异质性指标c_Li，遥感影像N次分割得到的N个层数，i为N当中的某一层；

步骤32，对计算i层的尺度异质性指标局部方差σ_Li；

步骤33，遍历计算第i层与第i+1层尺度异质性指标的方差变异θ_Li-Li+1。

进一步，所述尺度异质性指标的局部方差σ_Li为：

其中，c_Li为第i层尺度的异质性指标，为第i层尺度的均值，n为尺度层数(分割尺度)，σ_L为i层的方差，表现为i层地物不同类别之间局部异质性指标情况。

进一步，所述第i层与第i+1层尺度异质性指标的方差变异θ_Li-Li+1为：

θ_Li-Li+1＝|(σ_L+1-σ_L)/σ_L|

其中，σ_L+1为下一尺度层方差，σ_L为当前尺度层方差，θ_Li-Li+1为方差变异值绝对值，表现为某一个尺度层数上下两层之间局部异质性指标变化情况。

本发明的一种确定影像分类分割尺度阈值的方法，具有如下有益效果：

1、便捷性。比传统以依靠经验阈值来设定分割尺度进行不同尺度遥感数据分割，需要花费大量时间和有较好技术的遥感工程师完成多次实验来获取经验的方法，本发明通过轻运算有了快速确定分割阈值的方法，节省了每个经验尺度阈值分割运行多遍的时间，缩短了遥感影像分割分类的时间。

2、客观性。本发明排除主观臆测、推理研究，采用完全客观的影响分割原理、数据选取、异质性分割指标和计算方法，与传统的人工影响分类或依靠经验性的确定遥感影响分割分类尺度阈值相比较，从而表现出可计量性、客观性和合理性。

3、精确性和唯一性。因为客观的数据选取、模型建立和计算方法流程，与传统的经验分析，使得结果更加精确，因而本发明确定的影响分类分割尺度阈值的方法获得的结果具有精确性和唯一性，从而具有科学性和说服力。

附图说明

图1为常规的异质性分割估算方法的流程图。

图2为图1分割估算算法下的网络层级结构示意图。

图3为图2在同一分割区域的三种分割方向的图层色块示意图。

图4为本发明的一种确定影像分类分割尺度阈值的方法的步骤图。

图5为本发明的异质性指标、局部方程及方差变异的计算示意图。

图6为分割估算算法的另一实施例的流程图。

图7为计算实例的分割尺度分析图，其中上图为全部分割尺度局部方差和方差变异支线图，下图为放大分割尺度范围下的变化峰谷。

具体实施方式

下面结合附图和实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。

参看图1至图3，图1为常规的异质性分割估算方法，影像分割的方法是在不同的尺度，进行多次分割，形成网络层次结构,参看图2，每一个分割都利用低一层的影像对象作为原料，随之在新分割中进行合并。同时，也遵循父层中的对象边界限制。这个网状结构是一个拓朴关系，比如，父层对象的边界决定了子对象的边界，父层对象的区域大小由子对象的总和决定。每一层都由它的直接的子对象来构成，在下一个父层上，子对象合并为大对象。这个合并会被已有父层对象的边界所限制。如果是不同的父层对象，相邻的对象则不能进行合并。

从一个单个像元开始，分别与其相邻对象进行计算，若相邻的两个对象和合并后的异质性指标小于给定的域值，则合并，否则不进行合并。当一轮合并结束后，以上一轮生成的对象为基本单元，继续分别与它的相邻对象进行计算，这一过程将一直持续到在用户指定的尺度上已经不能再进行任何对象的合并为止。

参看图3为基于影像分割的原理和影像地物异质性指标，分割过程中每一尺度层次和上下层次之间的分割示意图。

参看图4，为本发明公开一种确定影像分类分割尺度阈值的方法，包括步骤如下：

步骤1，输入遥感影像，并设置影像参数和初始的分割尺度，所述影像参数包括光谱和形状因子；

步骤2，采用异质性分割估算算法，对遥感影像进行一次循环的N次分割，所述N为设定的分割次数；

步骤3，针对遥感影像分割后形成的网络层级结构，统计分析计算的尺度层数，分析每一层的异质性局部方差，及其和上下层之间的方差变异；

步骤4，获取方差变异较大的层数，进而提取该层的异质性指标，并作为分割尺度阈值。

参看图6，本发明方法所述的异质性分割估算算法如下：

步骤21，从待分割种子队列以单个像元为起点，计算与临近像元合并后的异质性指标，判断该异质性指标f是否小于指标阈值s，是则分割结束，否则继续下一步；

步骤22，以上一次分割生成的区域对象为起点，计算与临近对象合并后的异质性指标，并判断该异质性指标f是否小于指标阈值s，是则分割结束，否则再次执行步骤22；

步骤23，所述步骤21或步骤22的异质性指标f大于指标阈值s的像元作为种子点列入待分割种子队列，将异质性指标f小于指标阈值s的两个像元合并，并列入不可分割种子队列。

参看图5，作为具体实施例，所述步骤3包括有：

步骤31，对第i层，计算第i层的尺度异质性指标c_Li，遥感影像N次分割得到的N个层数，i为N当中的某一层；

步骤32，对计算i层的尺度异质性指标局部方差σ_Li；

步骤33，遍历计算第i层与第i+1层尺度异质性指标的方差变异θ_Li-Li+1。

作为具体实施例，所述尺度异质性指标f的局部方差σ_Li为：

其中，c_Li为第i层尺度的异质性指标，为第i层尺度的均值，n为尺度层数(分割尺度)，σ_L为i层的方差，表现为i层地物不同类别之间局部异质性指标情况。σ_L随着分割尺度n的增大，分割对象变大，统计的像元数目增多，不同类别之间会合并，其方差值也是相应的变大。

作为具体实施例，所述第i层与第i+1层尺度异质性指标的方差变异θ_Li-Li+1为：

θ_Li-Li+1＝|(σ_L+1-σ_L)/σ_L|

其中，σ_L+1为下一尺度层方差，σ_L为当前尺度层方差，θ_Li-Li+1为方差变异值绝对值，表现为某一个尺度层数上下两层之间局部异质性指标变化情况。θ_Li-Li+1值越大，表示该层在当前尺度范围中具有与上下两层，具有较大变化的异质性指标，其间的地物变异性较大，可作为分割尺度参考值。

上述的异质性指标f包括有光谱异质性h_color、形状异质性h_shape和整体异质性h,具体如下：

对象的光谱(spectral)异质性指标h_color：

其中，ω_c为图层的权重，σ_c为图层的标准差，c为图层数；根据影像不同的特性以及目标区域(interest object)特性，图层间的权重调配亦有所不同，可依分割使用和实际应用需求进行调整。

对象的形状(spatial)异质性指标h_shape：

h_shape＝ω_smoothness×h_smoothness+ω_compatness×h_compactness

其中，形状的异质性指标是由平滑(smoothness)与紧密(compactness)这两个子异质性指标所构成，ω_smoothness与ω_compactness代表两者间的权重调配，两者的和为1；平滑指标与紧密指标计算如下式所示：

其中，l为对象的实际边长，b为对象的最短边长，n为对象面积；若平滑指标的权重较高，分割后的对象边界较为平滑，反之，若紧密指标的权重较高，分割后的对象形状较为紧密较接近矩形，根据不同的影像特性以及目标对象(interest object)特性，两者间的权重调配亦有所不同，可依使用者的需求加以调整。加入形状的因子于影像分割的过程中，能约制对象形状的发展，使分割后的区域形状较平滑完整，较符合视觉习惯。

对象的整体异质性指标h：

h＝ω_color×h_color+ω_shape×h_shape

对象整体的异质性指标是由上述的光谱异质性指标与形状异质性指标所构成，ω_color与ω_shape代表光谱与形状两者间的权重调配，两者之和为1，亦可依分割尺度和实际应用需求进行调整。

参看图7，由于“天绘一号”影像空间分辨率为2m，根据像元大小及对地监测需要的提取图斑最小面积，设置最大分割单元为50，进行50次循环统计，仅需时2min。该方法比一般完成一次完成分类提取实验获取经验节省了运行时间，得到异质性指标数据，采用局部方差和方差变异统计数据，将其形成分析图7.结果表现为，图7上图随着分割尺度n的增大，分割对象单元变大，单位对象统计的像元数目增多，不同类别之间进行合并(存在混淆合并)，其异质性指标方差也是相应的变大。图7下图中，在36和51尺度下，对比前后尺度范围，形成峰之后有下滑的谷出现，表明这两个分割尺度具有较大变化的异质性指标，其间的地物变异性较大。36尺度阈值，相对与周边35和37有形成更加明显的峰谷差别，表明在此阈值下地物变异性更大，差别更突出，可作为分割尺度确定阈值。

上述实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种确定影像分类分割尺度阈值的方法,其特征在于，包括步骤如下：

步骤1，输入遥感影像，并设置影像参数和初始的分割尺度，所述影像参数包括光谱和形状因子；

步骤2，采用异质性分割估算算法，对遥感影像进行一次循环的N次分割，所述N为设定的分割次数；

步骤3，针对遥感影像分割后形成的网络层级结构，统计分析计算的尺度层数，分析每一层的异质性局部方差，及其和上下层之间的方差变异；

步骤4，获取方差变异较大的层数，进而提取该层的异质性指标，并作为分割尺度阈值。

2.根据权利要求1所述的确定影像分类分割尺度阈值的方法，其特征在于，所述异质性分割估算算法如下：

步骤21，从待分割种子队列以单个像元为起点，计算与临近像元合并后的异质性指标，判断该异质性指标是否小于指标阈值，是则分割结束，否则继续下一步；

步骤22，以上一次分割生成的区域对象为起点，计算与临近对象合并后的异质性指标，并判断该异质性指标是否小于指标阈值，是则分割结束，否则再次执行步骤22；

步骤23，所述步骤21或步骤22的异质性指标大于指标阈值的像元作为种子点列入待分割种子队列，将异质性指标小于指标阈值的两个像元合并，并列入不可分割种子队列。

3.根据权利要求1所述的确定影像分类分割尺度阈值的方法，其特征在于，所述步骤3包括有：

步骤31，对第i层，计算第i层的尺度异质性指标c_Li，遥感影像N次分割得到的N个层数，i为N当中的某一层；

步骤32，对计算i层的尺度异质性指标的局部方差σ_Li；

步骤33，遍历计算第i层与第i+1层尺度异质性指标的方差变异θ_Li-Li+1。

4.根据权利要求4所述的确定影像分类分割尺度阈值的方法，其特征在于，所述尺度异质性指标的局部方差σ_Li为：

<mrow> <msub> <mi>&amp;sigma;</mi> <mi>L</mi> </msub> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <mo>&amp;CenterDot;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>c</mi> <mrow> <mi>L</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>c</mi> <mo>&amp;OverBar;</mo> </mover> <mi>L</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>

其中，c_Li为第i层尺度的异质性指标，为第i层尺度的均值，n为尺度层数(分割尺度)，σ_L为i层的方差，表现为i层地物不同类别之间局部异质性指标情况。

5.根据权利要求4所述的确定影像分类分割尺度阈值的方法，其特征在于，所述第i层与第i+1层尺度异质性指标的方差变异θ_Li-Li+1为：

θ_Li-Li+1＝|(σ_L+1-σ_L)/σ_L|

其中，σ_L+1为下一尺度层方差，σ_L为当前尺度层方差，θ_Li-Li+1为方差变异值绝对值，表现为某一个尺度层数上下两层之间局部异质性指标变化情况。