CN107610118B - 一种基于dM的图像分割质量评价方法 - Google Patents

Abstract

本发明涉及一种基于

_M 的非监督图像分割质量评价方法,先对原始图像进行双边滤波和二维Gabor滤波操作，以提取光谱特征和空间特征向量，对得到的空间特征进行变换，提取三个主成分，并与光谱特征进行叠加，形成光谱‑空间特征集，以光谱‑空间特征集为底图，计算各个维度分割区域的分层空间异质性，得到关于分层空间异质性强弱的值，并使用莫兰指数计算各个维度分割结果的空间自相关性，计算特征集中各个维度中表示分层空间异质性强弱值的均值与莫兰指数的均值，构建两个值的空间，计算空间内各点与点（1,0）的马氏距离，最后根据马氏距离对图像的分割质量进行评价。本发明的有益效果：增强了质量评价的精度和稳定性，评价结果更符合人类视觉特征。

Description

一种基于dM的图像分割质量评价方法

技术领域

本发明涉及图像分割技术领域，具体来说，涉及一种基于d_M的图像分割质量评价方法。

背景技术

图像分割是整个图像分析领域的一项关键技术，在遥感图像领域，图像分割是面向对象图像分析的先决条件，其分割结果可以用于后续的地物分类、目标识别、场景理解等任务，因此对分割结果进行准确、定量、有效地评价对基于面向对象的遥感图像分析具有重要的意义，同时，分割质量评价也可以进一步比较分割算法效能，优化分割参数以获取更好的分割结果。

现阶段图像分割质量评价方法主要可以分为主观评价、系统级评价、分析评价、监督评价和非监督评价五种类型。主观评价在遥感图像分析中具有较大的局限性，因为遥感图像中同物异谱和同谱异物的现象十分普遍，不同的人对于同一影像的解译会存在较大的偏差；系统级评价依赖与特定分析系统的结果对分割步骤的质量进行评价，不具有普适性；分析评价无需实验，直接对分割算法原理本身进行评价，但这种评价方法需要较多的先验知识，并不适合单独使用；监督评价将分割结果与专家通过目视解译所提供的分割参考结果进行对比统计，计算实际分割结果与理想分割结果的差别，虽然这种有监督的评价方法可以满足目视解译的要求，但是由于有人为参考的介入，具有较强的主观因素，此外对于大尺度图像的参考分割结果制作工作往往比较耗时，使得监督评价方法效率较低。

非监督的分割评价方法无需提供理想的分割参考标准，而是建立一种基于人类认知的特定质量标准来评价分割结果，图像分割的本质是同质性区域合并和异质性区域分离，因此现有的非监督评价方法多通过设计统计指标，计算分割区域局部与整体的统计值，再将这些指标联合得到整体的质量评分，对分割结果进行评价，非监督的分割评价方法具有定量、客观和高效的特点，但对于统计指标的设计，合理的指标联合策略以及对于空间信息的利用都有待于进一步优化。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于d_M的图像分割质量评价方法，通过从原始图像中提取光谱和空间特征构建待评价的特征集，从图像分割区域特征统计的角度，引入了空间分层异质性和空间自相关作为区域内外同质和异质性评价的测度，两个测度用于计算分割结果在特征集中的统计值，最终联合两个测度得到一个全局的评价标准d_M，最终提供了一种基于上述两种测度的图像分割评价方法，为不同图像分割方法或不同分割参数所产生的不同分割结果提供一种客观定量的评价依据。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于d_M的非监督图像分割质量评价方法,包括以下步骤：

S1对原始影像进行非线性的双边滤波操作，以提取待评价的光谱特征；

S2对原始图像进行二维Gabor滤波，得到空间特征向量；

S3对得到空间特征进行PCA变换，从空间特征向量的维度中提取前三个主成分，并与提取的光谱特征进行叠加，形成光谱-空间特征集；

S4以光谱-空间特征集为底图，使用地理探测器，计算各个维度分割区域的分层空间异质性，得到关于分层空间异质性强弱的值；

S5以光谱-空间特征集为底图，使用莫兰指数计算各个维度分割结果的空间自相关性； S6计算特征集中各个维度中表示分层空间异质性强弱值的均值与莫兰指数的均值，并构建分层空间异质性的强弱与莫兰指数相关的空间，计算空间内各点与点(1,0)的马氏距离。

进一步的，在步骤S1中，进行所述双边滤波操作时，双边滤波核具有如下表达形式：

其中，i和j是原始图像的像素索引,c是当前被滤波的像素的的坐标，I 代表输入的原始图像，K_i代表一个标准化参数以确保∑_jW_ij＝1，参数σ_s和σ_r表示空间相似度和光谱相似度。

进一步的，在步骤S2中，所述Gabor滤波的函数具有如下形式：

其中，I＝(x，y)表示输入图像的空间域变量，||·||表示范数算子，μ和v分别表示Gabor滤波核的方向和尺度，k_μ，v表示频率向量；σ则表示高斯窗口带宽与波长的比。

进一步的，对所述图像在F个尺度和D个方向上对图像进行滤波会得到 2SD个响应图:

{(r_f，d，m_f，d)|f＝0，...，F-1，d＝0，...，D-1}

其中，r_f，d和m_f，d分别代表实部和幅值部。

进一步的，在步骤S4中，使用所述地理探测器进行计算的公式为：

其中，N表示分割结果中的像元个数，L为分割块的数量，h表示分割块的索引值，N_h表示分割块h中的像元个数，Y_i和

分别表示特征集和分割块h中像元的值，

和

分别代表特征集和分割块h的均值，q值表示得到的分层空间异质性的强弱，其变化区间为[0,1]。

进一步的，在步骤S5中，所述莫兰指数的公式为：

其中，L为分割块的数量，h和u表示分割块的索引，

和

分别代表整个图像和分割块h在特征集上的均值，w_hu表示空间权重矩阵，反映了分割块h 和分割块u的空间关系，当分割块h与分割块u相邻时，w_hu＝1，否则w_hu＝0， MI的取值范围为[-1,1]，当MI>0时，空间分布呈现正相关，当MI<0时，则呈现负相关。

进一步的，在步骤S6中，所述马氏距离的计算公式为：

其中，X_o为点(1,0)，X_s对应第s个分割结果的点，

∑为所有分割质量点的协方差，d_M(X_o，X_s)为X_s到点(1,0)的马氏距离，同时也是第s个分割结果的质量评分，d_M值越大，表明待评价图像的分割结果越好。

本发明的有益效果：通过双边滤波和Gabor滤波构建待评价的遥感图像的特征集，在此基础上，引入空间分层异质性和空间自相关这两个测度，计算分割结果在光谱-空间特征集上的区域和全局统计特征，通过构建测度空间，计算空间内各个分割结果的质量点到点(1,0)的马氏距离，以消除量纲的影响，得到各个分割结果的质量评分d_M，从而对分割结果进行质量评价；空间分层异质性的引入进一步从全局加强了对于分割块内部同质性及分割快间异质性的判断，从而增强了质量评价的精度和稳定性，而光谱-空间特征集评价底图的构建则使得该发明更适用于内部地物分布复杂的遥感图像分割质量评价，使得评价结果更符合人类视觉特征。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是基于d_M的图像分割质量评价方法的流程图；

图2是三张测试图及其地理位置；

图3是对图2中三张测试图使用两种分割算法生成的局部分割结果图；

图4是不同分割算法对三张测试图像分割后计算所得的MI和q值；

图5是在MI-q空间中不同分割结果的MI和q值所构成的质量点及其对应的d_M值；

图6是根据d_M值选出的不同分割算法的最优尺度参数和最优尺度下的分割结果，以及两个分割算法在不同尺度参数下的d_M值的对比图。

具体实施方式

下面将结合本发明实施例中的附图，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，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供一种基于d_M的图像分割质量评价方法，在本实例中，采用MRS和MSS两种分割方法，图2是三张测试图及其地理位置，图3是对三张测试图使用两种分割算法生成的局部分割结果图；对三张测试图像在20 个尺度参数内进行分割，得到120个分割结果，对这些结果的评价，具体包括以下步骤：

S1为进一步消除分割区域内部的光谱变化，同时保持边界信息，对三张测试图像进行非线性的双边滤波操作，以提取待评价的光谱特征，双边滤波核具有如下表达形式:

其中，i和j是原始图像的像素索引,c是当前被滤波的像素的的坐标，I代表输入的原始图像，K_i代表一个标准化参数以确保∑_iW_ij＝1，参数σ_s和σ_r表示空间相似度和光谱相似度，经过滤波后的图像得到了平滑处理。

S2为了提取空间信息，对测试图像进行二维Gabor滤波，得到空间特征向量，Gabor变换属于加窗傅里叶变换，可以在频域不同尺度、不同方向上提取相关特征，Gabor滤波函数具有如下形式：

其中，I＝(x，y)表示输入图像的空间域变量，||·||表示范数算子，μ和v分别表示Gabor滤波核的方向和尺度，k_μ，v表示频率向量，σ则表示高斯窗口带宽与波长的比，对图像在F个尺度和D个方向上对图像进行滤波会得到2SD个响应图： {(r_f，d，m_f，d)|f＝0，...，F-1，d＝0，...，D-1},其中，r_f，d和m_f，d分别代表实部和幅值部，幅值部分包含了图像局部的能量变化，将被用作纹理特征用于后续分析，在本实施例中S＝3，D＝4，共得到12维的空间特征向量。

S3对得到空间特征进行PCA变换，从空间特征向量的12维中提取前三个主成分，并与之前提取的光谱特征进行叠加，形成光谱-空间特征集。

S4以前三个步骤提取的光谱-空间特征集为底图，使用地理探测器，计算各个维度分割区域的分层空间异质性，得到关于分层空间异质性强弱的值，使用地理探测器进行计算的公式为：

其中，N表示分割结果中的像元个数，L为分割块的数量，h表示分割块的索引值，N_h表示分割块h中的像元个数，Y_i和

分别表示特征集和分割块h中像元的值，

和

分别代表特征集和分割块h的均值，q值表示得到的分层空间异质性的强弱，其变化区间为[0,1]，分割结果的分层空间异质性越强，其分割块内部的同质性就越强，q值就越大，图4展示了测试图像在不同分割算法下，分割结果计算出来的q值随尺度参数的变化情况。

S5以光谱-空间特征集为底图，使用莫兰指数计算各个维度分割结果的空间自相关性，莫兰指数的公式为：

其中，L为分割块的数量，h和u表示分割块的索引，

和

分别代表整个图像和分割块h在特征集上的均值，w_hu表示空间权重矩阵，反映了分割块h和分割块 u的空间关系，当分割块h与分割块u相邻时，w_hu＝1，否则w_hu＝0，MI的取值范围为[-1,1]，当MI>0时，空间分布呈现正相关，当MI<0时，则呈现负相关，因此当|MI|的值越小，分割块之间的空间相关性越小，分割快之间的异质性越强，图4展示了测试图像在不同分割算法下，分割结果计算出来的MI值随尺度参数的变化情况。

S6计算特征集中各个维度分层空间异质性强弱值q的均值与莫兰指数MI 的均值，得到

以及

并构建MI-q空间，计算空间内各点与点(1,0)的马氏距离，马氏距离的计算公式为：

其中，X_o为点(1,0)，X_s对应第s个分割结果的点，

∑为所有分割质量点的协方差，d_M(X_o，X_s)为X_s到点(1,0)的马氏距离，同时也是第s个分割结果的质量评分，d_M值越大，表明待评价图像的分割结果越好，在图5中，不同分割算法的质量点使用不同的符号表示，d_M值的大小采用不同颜色深度来表示。可以看到，距离点(1,0)越远的点，颜色深度越深，d_M值越高，表示分割质量越好，图6展示了根据d_M值选择的各个测试图像在两个分割算法下的最优分割尺度及其该尺度下的分割结果，可以看到d_M方法可以有效的针对不同图像选择最优的分割参数，此外图6还展示了两个分割算法下，d_M值随尺度参数变化的情况。根据不同尺度下d_M的分布情况可以对比在该尺度参数下分割算法的性能，从而达到评价分割算法的目的。

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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于d_M的非监督图像分割质量评价方法,其特征在于，包括以下步骤：

S1对原始影像进行非线性的双边滤波操作，以提取待评价的光谱特征；

S2对原始图像进行二维Gabor滤波，得到空间特征向量；

S3对得到空间特征向量进行PCA变换，从空间特征向量的维度中提取前三个主成分，并与提取的光谱特征进行叠加，形成光谱-空间特征集；

S4以光谱-空间特征集为底图，使用地理探测器，计算各个维度分割区域的分层空间异质性，得到关于分层空间异质性强弱的值；

S5以光谱-空间特征集为底图，使用莫兰指数计算各个维度分割结果的空间自相关性；

S6计算特征集中各个维度中表示分层空间异质性强弱值的均值与莫兰指数的均值，并构建分层空间异质性的强弱与莫兰指数相关的空间，计算空间内各点与点(1,0)的马氏距离。

2.根据权利要求1所述的一种基于d_M的非监督图像分割质量评价方法,其特征在于，在步骤S1中，进行所述双边滤波操作时，双边滤波核具有如下表达形式：

其中，i和j是原始图像的像素索引,c是当前被滤波的像素的的坐标，I代表输入的原始图像，K_i代表一个标准化参数以确保∑_jW_ij＝1，参数σ_s和σ_r表示空间相似度和光谱相似度。

3.根据权利要求1所述的一种基于d_M的非监督图像分割质量评价方法,其特征在于，在步骤S2中，所述Gabor滤波的函数具有如下形式：

其中，I＝(x，y)表示输入图像的空间域变量，||·||表示范数算子，μ和v分别表示Gabor滤波核的方向和尺度，k_μ，v表示频率向量；σ则表示高斯窗口带宽与波长的比。

4.根据权利要求3所述的一种基于d_M的非监督图像分割质量评价方法,其特征在于，对所述图像在F个尺度和D个方向上对图像进行滤波会得到2FD个响应图：

{(r_f，d，m_f，d)|f＝0，...，F-1，d＝0，...，D-1}

其中，r_f，d和m_f，d分别代表实部和幅值部。

5.根据权利要求1所述的一种基于d_M的非监督图像分割质量评价方法,其特征在于，在步骤S4中，使用所述地理探测器进行计算的公式为：

其中，N表示分割结果中的像元个数，L为分割块的数量，h表示分割块的索引值，N_h表示分割块h中的像元个数，Y_i和

分别表示特征集和分割块h中像元的值，

和

分别代表特征集和分割块h的均值，q值表示得到的分层空间异质性的强弱，其变化区间为[0,1]。

6.根据权利要求1所述的一种基于d_M的非监督图像分割质量评价方法,其特征在于，在步骤S5中，所述莫兰指数的公式为：

其中，L为分割块的数量，h和u表示分割块的索引，

和

分别代表整个图像和分割块h在特征集上的均值，w_hu表示空间权重矩阵，反映了分割块h和分割块u的空间关系，当分割块h与分割块u相邻时，w_hu＝1否则w_hu＝0，MI的取值范围为[-1,1]，当MI>0时，空间分布呈现正相关，当MI<0时，则呈现负相关。

7.根据权利要求1所述的一种基于d_M的非监督图像分割质量评价方法,其特征在于，在步骤S6中，所述马氏距离的计算公式为：

其中，X_o为点(1,0)，X_s对应第s个分割结果的点，

s＝1,…,S，∑为所有分割质量点的协方差，d_M(X_o，X_s)为X_s到点(1,0)的马氏距离，同时也是第s个分割结果的质量评分，d_M值越大，表明待评价图像的分割结果越好。

Images