CN107358197A - 一种面向耕地地块提取的影像分类及语义处理方法 - Google Patents
一种面向耕地地块提取的影像分类及语义处理方法 Download PDFInfo
- Publication number
- CN107358197A CN107358197A CN201710565068.8A CN201710565068A CN107358197A CN 107358197 A CN107358197 A CN 107358197A CN 201710565068 A CN201710565068 A CN 201710565068A CN 107358197 A CN107358197 A CN 107358197A
- Authority
- CN
- China
- Prior art keywords
- mrow
- region
- msub
- arable land
- ridge
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域，公开了一种面向耕地地块提取的影像分类及语义处理方法，在光谱‑纹理‑空间特征的基础上形成初始影像对象，依据耕地的语义表现执行耕地区域的多尺度合并，形成成片的耕地区域；依据田埂的语义表现，形成连续的田埂区域，最后将耕地和田埂区域合并融合，得到最终的地块提取结果。本发明在高分辨率无人机遥感图像的试验表明，该算法能够更加准确地提取耕地地块信息。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种面向耕地地块提取的影像分类及语义处理方法。
背景技术
随着城市化进程的加快，耕地面积逐年减少，实时监测耕地信息已经成为国土管理部门关注的问题之一。地块是指可辨认出同类属性的最小土地单元，是评定和划分土地级别的基本空间单位，也是耕地信息监测的基本数据单元。在遥感影像中，耕地地块上表现出较强的光谱/纹理相似性，并具有明显的自然边缘，这为基于遥感影像的耕地地块提取提供了可能。然而，传统上依靠人工数字化的方法来提取地块信息，费时费力，且要求解译人员具有较强的专业背景和丰富的实践经验。因此，如何利用高分辨率遥感影像自动提取耕地地块已经成为一个研究热点。利用图像分割类技术进行地块提取是比较常见的一种手段。庞等借助边缘提取和数学形态学方法，通过边缘检测、边缘闭合、区域标号和后处理四个步骤提取耕地地块。然而，基于形态学腐蚀和膨胀操作实现边界曲线的闭合操作，会导致在结果中出现大量的虚假边界像素，而虚假边界像素是否位于某一地块内部难以判断。胡等首先利用分类结果进行原始图像的对比度增强处理，然后基于小波变换和分水岭分割提取高分辨率遥感影像地块信息。然而，在分水岭变换获得区域的基础上进行合并和优化，虽然获得了成片的区域，但田埂和耕地合并在一起或者地块本身识别不准确等问题频繁出现。沈占峰等改进了均值漂移算法的多尺度实现方式和多核任务处理方式，并据此进行林地地块提取。这种方法的本质是均值漂移分割基础上的多尺度合并，主要的创新是多核处理的方式，虽然加快了处理速度，但其仅仅利用光谱信息进行基于分割的对地块提取，信息利用非常不充分。张等在多尺度分割的基础上，基于光谱分析构建规则集实现了大麻地块的提取。然而，该方法根据经验选择最优尺度，并利用光谱信息基于SVM进行面向对象分类，这种方式提取的地块对分割结果的优劣和分割尺度的选择有很强的依赖性。
综上所述，现有技术存在的问题是：基于分割方法获取的影像区域与真实的地块之间存在较大的差异，导致最终的地块提取结果难以令人满意。主要原因是现有技术中，影像分割过程通常都是基于光谱信息进行的，分割结果受纹理影响较大，这不利于后续的地块提取操作的进行；其次，现有技术主要考虑了影像本身的数据特点，对耕地地块的语义表现考虑较少。总之，现有方法在形成地块区域的过程中不能综合利用光谱、纹理、背景和对象语义特征，这是导致地块提取不准确的根本原因。
发明内容
针对现有技术存在的问题，本发明提供了一种面向耕地地块提取的影像分类及语义处理方法。
本发明是这样实现的，设计了一种面向耕地地块提取的影像分类及语义处理方法，在光谱-纹理-空间特征的基础上形成初始影像对象，依据耕地的语义表现执行耕地区域的多尺度合并，形成成片的耕地区域；依据田埂的语义表现，形成连续的田埂区域，最后将耕地和田埂区域合并融合，得到最终的地块提取结果。本发明与现有的方法存在极大不同，地块提取的过程中有效集成了光谱、纹理、背景和语义信息，取得了较好的结果。
进一步，所述面向耕地地块提取的影像分类及语义处理方法具体包括：
首先，结合光谱和纹理特征，基于特征-空间分类方法进行耕地高分辨率遥感影像分类，分别提取耕地区域和田埂区域；
接着，分别使用区域合并技术和形态学操作对对耕地区域和田埂区域进行语义处理；
最后，将处理后的耕地区域和田埂区域进行融合，进而获取耕地地块提取结果。
进一步，所述面向地块提取的影像分类及语义处理方法包括：
所述语义处理采用多尺度语义合并的策略对耕地区域进行区域合并；并采用形态学操作对提取出的田埂进行语义连接，以获取完整的田埂信息。
进一步，分类特征选择包括：
采用具有较强纹理区分能力的Gabor算子获取纹理特征；其表达式为：
其中，x′＝xcosθ+ysinθ，y′xsinθ+ycosθ；θ为方向参数；λ为尺度；ρ为相位角；γ为高斯窗口的长宽比；利用Gabor算子对影像进行5个尺度、8个方向的滤波，得到40维的纹理特征向量；对该向量归一化后，进行主成分分析；提取前6个主成分，并将归一化的光谱特征结合在一起，形成分类特征；参与分类的特征向量的大小为(D+6)，其中D为影像的波段数。
进一步，所述进行分别优化包括：
A)使用LIBSVM提供的一个概率支撑向量估计每一像素的类条件概率分布；
假设遥感影像的特征映射图为f＝[f1，…，fN]T，其中：每一个fi为一个大小为(D+6)的特征向量；N为像素个数；对应的分类标记图记为l＝(l1，…，lN)T，其中：li∈{1，2，…，K}为第i个像素的分类标记，K为类别个数；
B)接着，使用MRF模型对背景信息建模并对分类结果进行优化；
使用极大后验概率估计准则，在MAP-MRF框架下进行分类结果优化；像素位置i的局部能量表示为：
Ui＝Ufeature(i)+Uspatial(i)，
其中，Ufeature(i)为该像素的特征能量函数，Uspatial(i)为根据像素的邻域ηi计算出的空间能量函数；
特征能量函数的定义为：
Ufeature(i)＝-ln{P(fi|li)}，
其中，P(fi|li)为概率支撑向量机输出；
空间能量函数的定义为：
其中，β为控制空间交互强度的势函数，δ为Kronecker函数：
使用Graph-Cut算法进行MRF能量函数的最小化，进而获取最终的分类结果；在优化过程中，设置参数β为常数1。
进一步，所述基于多尺度区域合并的耕地区域优化，包括：
相邻的区域m和n进行区域合并时分析两个准则；准则1为特征相似性准则，定义为：
其中，表示区域n内所有像素特征的均值向量，T1为区域特征相似度阈值；
准则2为最小面积准则，定义为：
am＜T2 or an＜T2，
其中，T2为给定尺度上区域的最小面积阈值；
给定T1和每一尺度上的T2序列T2＝[T2(1)，…，T2(S)]，S为区域合并的尺度个数。
进一步，多尺度区域合并算法包括：
1)根据像素级分类结果建立区域邻接图G，设置尺度参数S＝0；
2)如果s＝S，则合并过程结束；否则，令s＝s+1；
3)统计每一区域的均值向量和区域面积an，将合并阈值设定为T1和T2(s)；
4)扫描区域邻接图G，寻找面积小于T2(s)且未参与合并的区域m。如果区域m不存在，则转2)；否则，转5)；
5)对区域m寻找d(rm，rn)最小的相邻区域n，如果d(rm，rn)不满足公式(5)，则返回3)，寻找下一个面积小于T2(s)且未参与合并的区域m；否则，执行6)；
6)合并区域m和n，并更新区域邻接图G，且重新计算每一区域的均值向量和区域面积an，并返回3)。
进一步，基于形态学方法的田埂区域语义连接中，采用形态学膨胀和腐蚀操作来完成田埂区域的语义连接，具体包括：
a)设定结构元素E；
b)对田埂映射图像R执行M次膨胀操作，使得未连接的田埂区域连接在一起，得到膨胀后的田埂映射图R’；
c)对膨胀后的田埂映射图R’执行M次腐蚀操作，得到最终的田埂映射图像R；M取值设为4。
进一步，所述并对处理结果进行决策级融合以获得耕地地块信息包括：
为了获取完整的耕地地块，将语义连接后的田埂区域映射图像R与耕地区域映射图像F进行融合；采用逻辑算子完成：
逻辑算子使用田埂区域将连接在一起的耕地区域进行分割，形成不同的地块；融合田埂区域之后，在耕地区域的基础上，通过将相互连通且具有耕地标记的所有像素使用不同的序号标记，得到最终的地块提取结果。
本发明的优点及积极效果为：
本发明在影像分类的基础上，根据耕地区域和田埂区域的实际语义特点，对其进行分别优化，并对处理结果进行决策级融合以获得耕地地块信息。在高分辨率无人机遥感图像的试验表明，该算法的地块提取准确率达到了94.5％，比对比方法的最好结果(67.3％)提高了27个百分点。从视觉效果上也能看出，本方案提取的地块结果与手工标注结果更为接近。
地块提取的准确率定义为：
附图说明
图1是本发明实施例提供的面向耕地地块提取的影像分类及语义处理方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
基本农田数据库建设是推进基本农田管理科学化、规范化、精细化，提升管理效能的重要手段；耕地地块的识别是其中的一项基础性工作；然而，多年来人们纯粹依靠视觉判读来理解译遥感影像，这使得在耕地地块的提取需要花费大量的时间和人力；
而且，现有技术中，影像分割过程通常都是基于光谱信息进行的，分割结果受纹理影响较大，这不利于后续的地块提取操作的进行；其次，上述方法主要考虑了影像本身的数据特点，对耕地地块的语义表现考虑较少。
下面结合附图对本发明的应用原理作详细描述。
本发明实施例提供的面向耕地地块提取的影像分类及语义处理方法，所述面向耕地地块提取的影像分类及语义处理方法根据耕地区域和田埂区域的实际语义特点，进行分别优化；并对处理结果进行决策级融合以获得耕地地块信息。
如图1所示，本发明实施例提供的面向耕地地块提取的影像分类及语义处理方法，包括：
S101：结合光谱和纹理特征，基于特征-空间分类方法进行耕地高分辨率遥感影像分类，分别提取耕地区域和田埂区域；
S102：接着，分别使用区域合并技术和形态学操作对对耕地区域和田埂区域进行语义处理；
S103：最后，将处理后的耕地区域和田埂区域进行融合，进而获取耕地地块提取结果。
下面结合具体实施例对本发明作进一步描述。
1、面向地块提取的影像分类及语义处理方法：
本发明考虑到耕地区域具有较为一致的光谱和纹理特征，本发明结合Gabor纹理特征和光谱特征进行影像分类。分类时采用SVM-MRF框架，在考虑像素特征响应的基础上，利用MRF模型的空间建模能力将像素之间的空间交互关系考虑进分类过程，进而获得具有较好区域一致性的分类结果。在此基础上，分别提取对应的耕地区域和田埂区域。考虑到高分辨率遥感影像地物内部的光谱响应变异增大，降低了类别的可分性，本发明接着分别对耕地区域和田埂区域进行一定程度的语义处理。因为在高分辨率遥感影像中耕地区域通常都会连成一片并具有较大面积，因此具有较小面积的分类区域有很大程度的可能会是分类错误。因此，在采用多尺度语义合并的策略对耕地区域进行区域合并。另外，地块之间的田埂区域一般具有狭长的形状特征，且具有一致的特定方向，它们通常连接在一起将耕地划分为一个个的地块。然而，因为高分辨率遥感影像的成像复杂性，分类结果中的田埂区域常常会有一定程度的断裂。基于此，本发明采用形态学操作对提取出的田埂进行语义连接，以获取完整的田埂信息。最后，将语义优化后的耕地区域和田埂区域融合在一起，再对耕地区域进行编号以获得最终的耕地地块信息。
2、分类特征选择：
纹理特征作为遥感影像的一个基本特征，对地块提取具有积极作用。因而，采用具有较强纹理区分能力的Gabor算子获取纹理特征。其表达式为：
其中，x′＝xcosθ+ysinθ，y′＝xsinθ+ycosθ；θ为方向参数；λ为尺度；ρ为相位角；γ为高斯窗口的长宽比。本发明利用Gabor算子对影像进行5个尺度、8个方向的滤波，得到40维的纹理特征向量。对该向量归一化后，进行主成分分析(Prominent ComponentAnalysis,PCA)。提取前6个主成分，并将归一化的光谱特征结合在一起，形成本文的分类特征。因此，参与分类的特征向量的大小为(D+6)，其中D为影像的波段数。
3、基于SVM和MRF的影像分类：
在只有有限样本的情况下，支撑向量机(Supported Vector Machine,SVM)在遥感影像分类中表现出较好的性能。概率支撑向量机作为一个软分类技术，在区分纯像元和混合像元上表现出一定的优势。马尔科夫随机场模型(Markov Random Field,MRF)是一个常用的集成空间背景信息的概率模型，在影像分类中得到了广泛应用。本发明分两步实现地物分类：首先，使用概率支撑向量机学习像素级别的特征类条件概率分布；接着，使用MRF模型对背景信息建模并对分类结果进行优化。
假设遥感影像的特征映射图为f＝[f1，…，fN]T，其中：每一个fi为一个大小为(D+6)的特征向量；N为像素个数。对应的分类标记图记为l＝(l1，…，lN)T，其中：li∈{1，2，…，K}为第i个像素的分类标记，K为类别个数。本文使用LIBSVM提供的一个概率支撑向量估计每一像素的类条件概率分布。在此基础上，使用极大后验概率(Maximum a Posterior，MAP)估计准则，在MAP-MRF框架下进行分类结果优化。像素位置i的局部能量可以表示为：
Ui＝Ufeature(i)+Uspatial(i) (2)
其中，Ufeature(i)为该像素的特征能量函数，Uspatial(i)为根据像素的邻域ηi计算出的空间能量函数(本文使用二阶邻域系统)。
特征能量函数的定义为：
Ufeature(i)＝-ln{P(fi|li)} (3)
其中，P(fi|li)为概率支撑向量机输出。
空间能量函数的定义为：
其中，β为控制空间交互强度的势函数，δ为Kronecker函数：
本发明使用Graph-Cut算法进行MRF能量函数的最小化，进而获取最终的分类结果。在优化过程中，设置参数β为常数1。
4、基于多尺度区域合并的耕地区域优化：
在高分辨率耕地遥感影像中，耕地区域相对其它地物通常具有较大面积和较好的区域连通性，这是耕地提取的一个基本语义信息。然而，因为地物内部特征不可避免会存在较大差异，基于像素的影像分类方法难以获得完整的耕地区域。为此，本发明在像素级分类的基础上，进一步对分类结果进行多尺度合并，这是分类结果语义处理的一个重要部分。
相邻的区域m和n进行区域合并时考虑两个准则。准则1为特征相似性准则，定义为：
其中，表示区域n内所有像素特征的均值向量，T1为区域特征相似度阈值。准则2为最小面积准则，定义为：
am＜T2 or an＜T2 (6)
其中，T2为给定尺度上区域的最小面积阈值。
给定T1和每一尺度上的T2序列T2＝[T2(1)，…，T2(S)](S为区域合并的尺度个数)，多尺度区域合并算法具体描述如下：
1)根据像素级分类结果建立区域邻接图G，设置尺度参数s＝0；
2)如果s＝S，则合并过程结束；否则，令s＝s+1；
3)统计每一区域的均值向量和区域面积an，将合并阈值设定为T1和T2(s)；
4)扫描区域邻接图G，寻找面积小于T2(s)且未参与合并的区域m。如果区域m不存在，则转2)；否则，转5)；
5)对区域m寻找d(rm，rn)最小的相邻区域n，如果d(rm，rn)不满足公式(5)，则返回3)，寻找下一个面积小于T2(s)且未参与合并的区域m；否则，执行6)；
6)合并区域m和n，并更新区域邻接图G，且重新计算每一区域的均值向量和区域面积an，并返回3)。
5基于形态学方法的田埂区域语义连接：
田埂是耕地地块的一个重要标志，田埂的识别对地块的提取至关重要。然而，在遥感影响上，田埂区域通常细小狭长，分类时很容易受到其它类别的影响，进而导致田埂断裂或不完整。因此，本发明采用形态学方法对田埂区域进行语义连接，以获取完整的田埂信息，这是本发明算法语义处理的第2个关键部分。主要采用形态学膨胀和腐蚀操作来完成田埂区域的语义连接，具体步骤为：
a)设定结构元素E；
b)对田埂映射图像R执行M次膨胀操作，使得未连接的田埂区域连接在一起，得到膨胀后的田埂映射图R’；
c)对膨胀后的田埂映射图R’执行M次腐蚀操作，得到最终的田埂映射图像R。
M取值过大，会出现过连接问题，即不是同一田埂的区域被连接在了一起；M取值过小，同一田埂的断裂片段不能连接在一起。在本发明试验中，根据经验，将M设为4。
6、耕地区域和田埂区域融合：
为了获取完整的耕地地块，需要将语义连接后的田埂区域映射图像R与耕地区域映射图像F进行融合。这属于决策级图像融合的范畴，但考虑到算法执行的效率，本发明采用如下简单的逻辑算子完成：
上述逻辑算子的主要目的是使用田埂区域将连接在一起的耕地区域进行分割，形成不同的地块。融合了田埂区域之后，在耕地区域的基础上，通过将相互连通且具有耕地标记的所有像素使用不同的序号标记，得到最终的地块提取结果。
下面结合面向地块提取的影像分类及语义优化实验分析对本发明作进一步描述。
1)实验数据选择:
实验中选用的遥感影像来自于一台大疆科技生产的无人机，型号为Phantom4Advanced。拍摄于2016年11月15日14:30左右，无人机飞行高度为350米。实验场地为安阳南部中华路东侧距安阳市约10公里的一片小麦种植区。选取的实验图像如图1所示，图像只含有红、绿、蓝三个波段，大小为512×910。
2)算法有效性定性分析
依照本发明提出的耕地地块提取框架，采用航拍对实验方案的有效性进行验证。从展示了航拍的Gabor纹理的伪彩色显示结果和训练概率支撑向量机时选用的训练样本图可以看出，Gabor纹理在区分田埂和道路时比单纯的光谱特征更有优势。为了验证纹理特征和空间信息的有效性，试验中选用四种方案进行验证。(1)Spectral：只使用“光谱”特征进行概率SVM分类；(2)Spectral-Texture：使用光谱特征和Gabor纹理进行概率SVM分类；(3)Spectral-MRF：使用光谱特征进行概率SVM分类，并使用MRF进行优化；(4)Spectral-Texture-MRF：使用光谱和纹理进行概率SVM分类，并使用MRF进行优化。
从分类结果中可以看出，只使用光谱特征很容易将道路区域划分为田埂或者耕地；添加纹理特征后，概率SVM估计的条件概率分布更为准确。使用MRF进行分类结果优化后，分类结果的区域性明显改善，但是道路区域依然不能正确检测。
本发明选用的结合光谱和纹理特征的SVM-MRF框架能够较好地识别出高分辨率耕地遥感影像中的地物类别，为后续的地块提取奠定较好的数据基础。
然而，分类结果中耕地区域有部分的区域被划分为道路，而道路中也有部分区域被划分为耕地。除此之外，部分田埂出现了明显的断裂。这些现象对于地块提取极为不利。为此，本发明算法中增加了语义处理环节：多尺度区域合并和语义连接。为了能进一步验证语义处理过程的有效性，展示了基于上述分类结果提取的耕地区域的识别结果，并分别给出了经过多尺度区域合并和语义连接之后的识别结果。通过比较，不难看出，经过多尺度区域合并，耕地区域中出现的分类错误明显减少。然而，合并之后的结果中出现了不同耕地地块粘连的现象。对应田埂区域将出现明显的断裂。通过所描述的语义连接的方法，得到处理结果。断裂的田埂区域得到了有效的修补。
为了获取准确的地块提取结果，本发明将耕地区域和田埂区域进行了融合，融合之后的耕地区域进行显示，在此基础上，耕地地块的提取结果可以看出，融合之后的耕地区域很好地将不同地块进行了分割，对应的地块提取结果也说明了这一点。
3)算法定量分析为了进一步验证算法的有效性，本发明与基于图像分割的地块提取方法和基于小波和分水岭分割的方法进行了对比试验。
表1地块个数及地块提取准确率
考虑到准确的评价指标定义较为困难，为了进行定量分析，本发明采用检测出的耕地地块的个数进行简单评价。三种方法检测出的地块个数图表1所示。从表中可以看出，本发明提出的方法识别出的耕地地块与真实数据更为接近。另外，从识别准确率的角度来看，本发明方法检测出的耕地地块准确率达到了87.93，而另外两种方法则难以估算。总之，从这些结果可以看出，本文方法明显优于论文[2]和论文[3]的方法。
地块提取准确率的定义为：
本发明提出一个面向耕地地块提取的影像分类与语义处理方法，该方法的主要创新为分类结果的语义处理，即依据不同类别(耕地和田埂)的实际语义表现执行不同的语义处理，并将最终结果进行融合。在高分辨率的无人机遥感图像上的实验表明，本发明算法能够取得较为准确的耕地地块提取结果。然而，本发明算法只能适用于田埂信息非常明显的高分辨率遥感影像。对于分辨率稍低的影像，因为田埂区域已经不太明显，田埂区域的语义连接将将变得极其困难，这将最终导致算法难以获取令人满意的结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种面向耕地地块提取的影像分类及语义处理方法，其特征在于，所述面向耕地地块提取的影像分类及语义处理方法在光谱-纹理-空间特征的基础上形成初始影像对象，依据耕地的语义表现执行耕地区域的多尺度合并，形成成片的耕地区域；依据田埂的语义表现，形成连续的田埂区域，最后将耕地和田埂区域合并融合，得到最终的地块提取结果。
2.如权利要求1所述的面向耕地地块提取的影像分类及语义处理方法，其特征在于，所述面向耕地地块提取的影像分类及语义处理方法具体包括：
首先，结合光谱和纹理特征，基于特征-空间分类方法进行耕地高分辨率遥感影像分类，分别提取耕地区域和田埂区域；
接着，分别使用区域合并技术和形态学操作对对耕地区域和田埂区域进行语义处理；
最后，将处理后的耕地区域和田埂区域进行融合，进而获取耕地地块提取结果。
3.如权利要求2所述的面向耕地地块提取的影像分类及语义处理方法，其特征在于，所述面向地块提取的影像分类及语义处理方法包括：
所述语义处理采用多尺度语义合并的策略对耕地区域进行区域合并；并采用形态学操作对提取出的田埂进行语义连接，以获取完整的田埂信息。
4.如权利要求2所述的面向耕地地块提取的影像分类及语义处理方法，其特征在于，分类特征选择包括：
采用具有较强纹理区分能力的Gabor算子获取纹理特征；其表达式为：
<mrow>
<msub>
<mi>h</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>&lambda;</mi>
<mo>,</mo>
<mi>&rho;</mi>
<mo>,</mo>
<mi>&phi;</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&delta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</msup>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mfrac>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mi>&lambda;</mi>
</mfrac>
<mo>+</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，x′＝xcosθ+ysinθ，y′＝xsinθ+ycosθ；θ为方向参数；λ为尺度；ρ为相位角；γ为高斯窗口的长宽比；利用Gabor算子对影像进行5个尺度、8个方向的滤波，得到40维的纹理特征向量；对该向量归一化后，进行主成分分析；提取前6个主成分，并将归一化的光谱特征结合在一起，形成分类特征；参与分类的特征向量的大小为(D+6)，其中D为影像的波段数。
5.如权利要求1所述的面向耕地地块提取的影像分类及语义处理方法，其特征在于，所述进行分别优化包括：
A)使用LIBSVM提供的一个概率支撑向量估计每一像素的类条件概率分布；
假设遥感影像的特征映射图为f＝[f1，…，fN]T，其中：每一个fi为一个大小为(D+6)的特征向量；N为像素个数；对应的分类标记图记为l＝(l1，…，lN)T，其中：li∈{1，2，…，K}为第i个像素的分类标记，K为类别个数；
B)接着，使用MRF模型对背景信息建模并对分类结果进行优化；
使用极大后验概率估计准则，在MAP-MRF框架下进行分类结果优化；像素位置i的局部能量表示为：
Ui＝Ufeature(i)+Uspatial(i)，
其中，Ufeature(i)为该像素的特征能量函数，Uspatial(i)为根据像素的邻域ηi计算出的空间能量函数；
特征能量函数的定义为：
Ufeature(i)＝-ln{P(fi|li))，
其中，P(fi|li)为概率支撑向量机输出；
空间能量函数的定义为：
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&delta;</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，β为控制空间交互强度的势函数，δ为Kronecker函数：
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>a</mi>
<mo>=</mo>
<mi>b</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>a</mi>
<mo>&NotEqual;</mo>
<mi>b</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
使用Graph-Cut算法进行MRF能量函数的最小化，进而获取最终的分类结果；在优化过程中，设置参数β为常数1。
6.如权利要求3所述的面向耕地地块提取的影像分类及语义处理方法，其特征在于，所述基于多尺度区域合并的耕地区域优化，包括：
相邻的区域m和n进行区域合并时分析两个准则；准则1为特征相似性准则，定义为：
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>r</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mi>n</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo><</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
</mrow>
其中，表示区域n内所有像素特征的均值向量，T1为区域特征相似度阈值；
准则2为最小面积准则，定义为：
am＜T2 or an＜T2，
其中，T2为给定尺度上区域的最小面积阈值；
给定T1和每一尺度上的T2序列T2＝[T2(1)，…，T2(S)]，S为区域合并的尺度个数。
7.如权利要求6所述的面向耕地地块提取的影像分类及语义处理方法，其特征在于，多尺度区域合并算法包括：
1)根据像素级分类结果建立区域邻接图G，设置尺度参数s＝0；
2)如果s＝S，则合并过程结束；否则，令s＝s+1；
3)统计每一区域的均值向量和区域面积an，将合并阈值设定为T1和T2(s)；
4)扫描区域邻接图G，寻找面积小于T2(s)且未参与合并的区域m。如果区域m不存在，则转2)；否则，转5)；
5)对区域m寻找d(rm，rn)最小的相邻区域n，如果d(rm，rn)不满足公式(5)，则返回3)，寻找下一个面积小于T2(s)且未参与合并的区域m；否则，执行6)；
6)合并区域m和n，并更新区域邻接图G，且重新计算每一区域的均值向量和区域面积an，并返回3)。
8.如权利要求3所述的面向耕地地块提取的影像分类及语义处理方法，其特征在于，基于形态学方法的田埂区域语义连接中，采用形态学膨胀和腐蚀操作来完成田埂区域的语义连接，具体包括：
a)设定结构元素E；
b)对田埂映射图像R执行M次膨胀操作，使得未连接的田埂区域连接在一起，得到膨胀后的田埂映射图R’；
c)对膨胀后的田埂映射图R’执行M次腐蚀操作，得到最终的田埂映射图像R；M取值设为4。
9.如权利要求1所述的面向耕地地块提取的影像分类及语义处理方法，其特征在于，所述并对处理结果进行决策级融合以获得耕地地块信息包括：
为了获取完整的耕地地块，将语义连接后的田埂区域映射图像R与耕地区域映射图像F进行融合；采用逻辑算子完成：
<mrow>
<msub>
<mover>
<mi>F</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mi> </mi>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
逻辑算子使用田埂区域将连接在一起的耕地区域进行分割，形成不同的地块；融合田埂区域之后，在耕地区域的基础上，通过将相互连通且具有耕地标记的所有像素使用不同的序号标记，得到最终的地块提取结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710565068.8A CN107358197B (zh) | 2017-07-12 | 2017-07-12 | 一种面向耕地地块提取的影像分类及语义处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710565068.8A CN107358197B (zh) | 2017-07-12 | 2017-07-12 | 一种面向耕地地块提取的影像分类及语义处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107358197A true CN107358197A (zh) | 2017-11-17 |
| CN107358197B CN107358197B (zh) | 2022-01-11 |
Family
ID=60293429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710565068.8A Active CN107358197B (zh) | 2017-07-12 | 2017-07-12 | 一种面向耕地地块提取的影像分类及语义处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107358197B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129323A (zh) * | 2021-04-27 | 2021-07-16 | 西安微电子技术研究所 | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102013017A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像场景粗分类方法 |
| CN102436642A (zh) * | 2011-10-24 | 2012-05-02 | 葛文英 | 结合mrf和神经网络的多尺度彩色纹理图像分割方法 |
| CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
| US20160019458A1 (en) * | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
| CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
| CN106530170A (zh) * | 2016-09-21 | 2017-03-22 | 环境保护部南京环境科学研究所 | 一种区域生态保护红线的边界优化方法 |
-
2017
- 2017-07-12 CN CN201710565068.8A patent/CN107358197B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102013017A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像场景粗分类方法 |
| CN102436642A (zh) * | 2011-10-24 | 2012-05-02 | 葛文英 | 结合mrf和神经网络的多尺度彩色纹理图像分割方法 |
| CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
| US20160019458A1 (en) * | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
| CN106384081A (zh) * | 2016-08-30 | 2017-02-08 | 水利部水土保持监测中心 | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 |
| CN106530170A (zh) * | 2016-09-21 | 2017-03-22 | 环境保护部南京环境科学研究所 | 一种区域生态保护红线的边界优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| LIU GUOYING ET AL.: "Framland parcels extraction from high-resolution remote sensing images based on the two-stage image classification", 《MIPPR 2015: AUTOMATIC TARGET RECOGNITION AND NAVIGATION》 * |
| 吴宁: "面向影像分割的多尺度快速区域合并方法", 《计算机工程与应用》 * |
| 陈铁桥: "高分辨率遥感影像耕地多尺度提取", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129323A (zh) * | 2021-04-27 | 2021-07-16 | 西安微电子技术研究所 | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107358197B (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
| CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| CN105975913B (zh) | 一种基于自适应聚类学习的道路网提取的方法 | |
| CN108090429B (zh) | 一种分级前脸卡口车型识别方法 | |
| CN110598690B (zh) | 一种端到端光学字符检测识别方法与系统 | |
| CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
| CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
| CN103530600A (zh) | 复杂光照下的车牌识别方法及系统 | |
| CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
| CN103020605A (zh) | 基于决策层融合的桥梁识别方法 | |
| CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
| CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
| CN113505670B (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
| 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 | |
| CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
| CN104573685A (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
| CN104778470A (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
| CN113807301B (zh) | 一种新增建设用地自动提取方法及自动提取系统 | |
| CN103198482B (zh) | 基于差异图模糊隶属度融合的遥感图像变化检测方法 | |
| CN105931241A (zh) | 一种自然场景图像的自动标注方法 | |
| CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
| CN108985145A (zh) | 小尺寸交通标志检测识别的反向连接深度神经网络模型方法 | |
| CN105243387A (zh) | 一种基于无人机影像的露天矿典型地物分类方法 | |
| CN106203496A (zh) | 基于机器学习的水文曲线提取方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |