CN107610137A - 一种高分辨率遥感影像最优分割方法 - Google Patents
一种高分辨率遥感影像最优分割方法 Download PDFInfo
- Publication number
- CN107610137A CN107610137A CN201710891078.0A CN201710891078A CN107610137A CN 107610137 A CN107610137 A CN 107610137A CN 201710891078 A CN201710891078 A CN 201710891078A CN 107610137 A CN107610137 A CN 107610137A
- Authority
- CN
- China
- Prior art keywords
- super
- pixel
- segmentation
- image
- local variance
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种高分辨率遥感影像最优分割方法,该方法包括以下步骤,首先用简单线性迭代聚类方法对影像进行初始过分割,生成超像素对象。对超像素对象设定初始影像分割数,对超像素进行合并,在超像素合并过程中,统计不同分割数对应的局部方差值与局部方差变化率值。画出分割数‑局部方差、分割数‑局部方差变化率指标图,获得合理影像分割数,对超像素重新合并,获得不同的影像分割结果,选择出整体分割效果符合预设条件的影像分割结果。本发明可有效地克服面向对象的影像分割中影像初始过分割差和影像最优分割尺度难以确定的问题,获得整体分割效果最佳的影像分割结果。该方法具有简单、可靠、精度高、易于实现的特点。
Description
技术领域
本发明属于遥感影像信息处理及提取领域,尤其涉及一种高分辨率遥感影像最优分割方法。
背景技术
随着对地观测卫星技术的发展,高分辨率的遥感影像已经应用到城市规划、作物分类、灾害检测等领域。相对于中低分辨率遥感影像,高分辨率遥感影像拥有更加丰富的地物信息(如清晰的地物轮廓形状信息、明显的纹理信息等),但是随着影像分辨率的提高,影像中“同物异谱、异物同谱”现象越加严重。因此,基于对象的影像分析方法已成为高分辨率遥感影像分析及应用的主要方法。而影像分割作为基于对象的影像分析方法的前提和基础,是实现从数据到信息的对象化提取的过渡环节和关键步骤,具有十分重要的地位。
在高分辨率遥感影像分割中,传统的基于像素的影像分割方法如mean-shift算法、分水岭算法等易受高分辨率影像中“椒盐”噪声的影响,难以得到理想的分割结果。面向对象的影像分割方法可以克服影像中“椒盐”噪声的影响,并利用对象的结构、光谱信息等特征提高影像分割的精度。在基于对象的影像分割中,首先利用传统的基于像素的影像分割方法对影像初始过分割,再根据相似性合并规则对初始过分割对象进行合并,获得最终的影像分割结果。在基于对象的影像分割中,影像初始过分割和影像最优分割尺度是决定影像分割结果优劣的两个重要因素。
首先,对于影像初始过分割,目前现有技术中,常用的初始影像过分割方法有分水岭算法、基于图论的图像分割方法和区域增长算法等。其中,分水岭算法易受影像中噪声的影像,产生大量的误分割现象;基于图论的图像分割方法运算效率低,耗时长;区域增长算法地物边界依附性差,易产生欠分割现象。因此,通常难以获得高效且地物边界依附性良好的影像初始过分割结果。
其次,对于影像最优分割尺度,在影像初始过分割对象合并过程中,影像分割尺度的选取对影像的最终分割结果具有重要影响。不同地物的尺度取决于所研究的目标,现有的尺度选择方法大多是由用户预定义的知识驱动的。因此,不同类型地物的最佳分割尺度的选择仍难以确定。
发明内容
本发明所要解决的技术问题是,提供一种高分辨率遥感影像最优分割方法,可有效地克服面向对象的影像分割中影像初始过分割差和影像最优分割尺度难以确定的问题,获得整体分割效果最佳的影像分割结果。该方法具有简单、可靠、精度高、易于实现的特点。
本发明解决其技术问题所采用的技术方案是:提供一种高分辨率遥感影像最优分割方法,该方法包括以下步骤,步骤1,用简单线性迭代聚类方法对影像进行初始过分割,生成超像素对象;步骤2,对超像素对象设定初始影像分割数,对超像素进行合并,在超像素合并过程中,统计不同分割数对应的局部方差值与局部方差变化率值;步骤3,根据不同分割数对应的局部方差值与局部方差变化率值画出分割数-局部方差、分割数-局部方差变化率指标图,根据指标图获得合理影像分割数;步骤4,根据合理影像分割数,用基于最小生成树分割原则的区域动态约束聚类方法对超像素重新合并,获得不同的影像分割结果,采用目视判读方式,从不同的影像分割结果中,选择出整体分割效果符合预设条件的影像分割结果。
按上述技术方案,所述步骤2中,具体为,用基于最小生成树分割原则的区域动态约束聚类方法对初始过分割超像素进行合并。
按上述技术方案,所述步骤1中,生成超像素对象的过程中,紧凑系数m设为10。
按上述技术方案,所述步骤2中设定的初始影像分割数为200,且在用基于最小生成树分割原则的区域动态约束聚类方法对超像素进行合并时,在生成最小生成树的过程中选用Full-Older-CLK规则对超像素间的相似性进行判断。
按上述技术方案,Full-Older-CLK规则具体为:超像素A、B、C、D、E属于区域C1,超像素F、G、H属于区域C2,区域C1内的超像素B与区域C2内的超像素H间的属性差异为区域C1内包含的超像素与区域C2内包含的超像素间的最大差异,即超像素A与超像素H间的属性差异;超像素E与超像素F间的差异也为超像素A与超像素H间的属性差异。
本发明产生的有益效果是:本发明提供一种高分辨率遥感影像最优分割方法,可有效地克服面向对象的影像分割中影像初始过分割差和影像最优分割尺度难以确定的问题,获得整体分割效果最佳的影像分割结果。该方法具有简单、可靠、精度高、易于实现的特点。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例高分辨率遥感影像最优分割方法的流程图;
图2为本发明实施例的影像过分割生成超像素图;
图3为本发明实施例超像素合并过程示意图;
图4为本发明Full-Older-CLK规则示意图;
图5为本发明实施例分割数-局部方差;
图6为分割数-局部方差变化率指标图;
图7为本发明实施例整体分割效果最佳的影像分割过程及结果图。
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,以下结合附图及实施例,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用以解释本发明,并不用于限定本发明。
本发明实施例中,提供一种高分辨率遥感影像最优分割方法,该方法包括以下步骤,步骤1,用简单线性迭代聚类方法对影像进行初始过分割,生成超像素对象;步骤2,对超像素对象设定初始影像分割数,对超像素进行合并,在超像素合并过程中,统计不同分割数对应的局部方差值与局部方差变化率值;步骤3,根据不同分割数对应的局部方差值与局部方差变化率值画出分割数-局部方差、分割数-局部方差变化率指标图,根据指标图获得合理影像分割数;步骤4,根据合理影像分割数,用基于最小生成树分割原则的区域动态约束聚类方法对超像素重新合并,获得不同的影像分割结果,采用目视判读方式,从不同的影像分割结果中,选择出整体分割效果符合预设条件的影像分割结果。
进一步地,所述步骤2中,具体为,用基于最小生成树分割原则的区域动态约束聚类方法对初始过分割超像素进行合并。
进一步地,所述步骤1中,生成超像素对象的过程中,紧凑系数m设为10。
进一步地,所述步骤2中设定的初始影像分割数为200,且在用基于最小生成树分割原则的区域动态约束聚类方法对超像素进行合并时,在生成最小生成树的过程中选用Full-Older-CLK规则对超像素间的相似性进行判断。
进一步地,如图4所示,Full-Older-CLK规则具体为:超像素A、B、C、D、E属于区域C1,超像素F、G、H属于区域C2,区域C1内的超像素B与区域C2内的超像素H间的属性差异为区域C1内包含的超像素与区域C2内包含的超像素间的最大差异,即超像素A与超像素H间的属性差异;超像素E与超像素F间的差异也为超像素A与超像素H间的属性差异。
本发明的较佳实施例中,如图1所示,实施例包括以下步骤:
(1)影像初始过分割生成超像素。
用简单线性迭代聚类方法对影像进行聚类分割,获得影像初始过分割结果,如图2所示。简单线性迭代聚类方法需要将影像从RGB颜色空间转变到CIELAB颜色空间,简单线性迭代聚类方法具体步骤如下:
1)初始化种子点。假设影像的高跟宽分别为height与width,初始设定将影像分割为K个超像素,通常K初始设定为1000。将1000个种子点均匀分布到影像上,则每个种子点间的距离为为了避免种子点被分配到影像的边界上,对后续的聚类过程造成干扰,在种子点3*3的邻域范围内对种子点进行调整,将其移动到3*3邻域内梯度最小的像素点的位置,并为每个种子点分配一个标签。
2)像素与种子点间的相似性度量。结合像素与种子点间的光谱属性与空间距离间的差异,对像素与种子点间进行相似性度量。采用类似k-means算法聚类思想,在每个种子点的2S*2S的范围内对像素与种子点进行相似性度量,通过不断迭代相似性判断过程,直到整个聚类过程收敛,通常将迭代次数设定为10次。迭代收敛后,为每个像素赋予与其最相似的种子点的标签。像素与种子点间的光谱属性与空间距离间差异的计算公式如下。
其中:[lkakbkxkyk]为种子点的五维特征向量;[liaibixiyi]为待判断像素点的五维特征向量;dlab为种子点与像素点间的光谱属性差异;dxy为种子点与像素点间的空间距离差异;D为种子点与像素点间的相似度;S为种子点间的距离;m为紧凑系数;D值越小,说明像素与种子点间越相似。
3)连通性处理。由于通过结合像素与种子点间的光谱属性与空间距离间的差异进行相似性度量,会造成属于同一超像素标签的像素间不连通,会产生一些孤立的像素。对于这种现象在聚类分割结束后进行后续处理,使孤立像素被重新分配到距离它空间距离最近的超像素内,从而生成紧凑且连通的超像素。
(2)超像素初始合并。
求每个超像素所包含像素点的光谱均值,作为超像素的光谱属性值。则每个超像素的光谱属性及相邻超像素间的光谱属性差异计算公式如下。
其中:ni为标签为i的超像素包含的像素点的个数;[RkGkBk]为像素点的光谱属性;[RiGiBi]为超像素的光谱属性;Ci,j为标签为i的超像素与标签为j的超像素间的光谱属性差异。
将超像素作为基本单元,用基于最小生成树分割思想的区域动态约束聚类方法对超像素进行合并,合并过程如图3所示。在分割最小生成树的过程中,记录每次分割数所对应的局部方差值及局部方差变化率值。局部方差与局部方差变化率的计算公式如下所示。
其中:LV为分割数为N的局部方差;N为设定的影像分割数;r为第r颗子树的标签;i为标签为r的子树中第i个超像素的标签;j为标签为i的超像素属性j的标签;nr为标签为r的子树中包含的超像素的个数;d为超像素属性的个数;xrij为子树r中标签为i的超像素的j属性值;为子树r中所有超像素的j属性均值;ROC为分割数为N的局部方差变化率;LN为分割数为N的LV值;LN+1为分割数为N+1的LV值。
(3)获得影像最佳分割数。
根据每次分割数对应的局部方差值与局部方差变化值,画出分割数-局部方差与分割数-局部方差变化率指标图,如图5、6所示。在分割数-局部方差指标图中,观察指标图趋于平稳时所对应的分割数为80,则影像合适的分割数处于[80,200]区间内。在分割数-局部方差变化率指标图中,在[80,200]区间内,当分割数为89、95、114和128时指标图剧烈变化,则89、95、114和128为此影像具有合理意义的分割数。
(4)获得整体分割效果最佳的影像分割结果。
用基于最小生成树分割思想的区域动态约束聚类方法将影像初始分割结果分别合并为89、95、114和128区域,根据目视判读从四个分割结果中挑选出整体分割效果最佳的分割结果,则此结果为该影像的最优分割结果,如图7所示。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种高分辨率遥感影像最优分割方法,其特征在于,该方法包括以下步骤,步骤1,用简单线性迭代聚类方法对影像进行初始过分割,生成超像素对象;步骤2,对超像素对象设定初始影像分割数,对超像素进行合并,在超像素合并过程中,统计不同分割数对应的局部方差值与局部方差变化率值;步骤3,根据不同分割数对应的局部方差值与局部方差变化率值画出分割数-局部方差、分割数-局部方差变化率指标图,根据指标图获得合理影像分割数;步骤4,根据合理影像分割数,用基于最小生成树分割原则的区域动态约束聚类方法对超像素重新合并,获得不同的影像分割结果,采用目视判读方式,从不同的影像分割结果中,选择出整体分割效果符合预设条件的影像分割结果。
2.根据权利要求1所述的高分辨率遥感影像最优分割方法,其特征在于,所述步骤2中,具体为,用基于最小生成树分割原则的区域动态约束聚类方法对初始过分割超像素进行合并。
3.根据权利要求1或2所述的高分辨率遥感影像最优分割方法,其特征在于,所述步骤1中,生成超像素对象的过程中,紧凑系数m设为10。
4.根据权利要求1或2所述的高分辨率遥感影像最优分割方法,其特征在于,所述步骤2中设定的初始影像分割数为200,且在用基于最小生成树分割原则的区域动态约束聚类方法对超像素进行合并时,在生成最小生成树的过程中选用Full-Older-CLK规则对超像素间的相似性进行判断。
5.根据权利要求4所述的高分辨率遥感影像最优分割方法,其特征在于,Full-Older-CLK规则具体为:超像素A、B、C、D、E属于区域C1,超像素F、G、H属于区域C2,区域C1内的超像素B与区域C2内的超像素H间的属性差异为区域C1内包含的超像素与区域C2内包含的超像素间的最大差异,即超像素A与超像素H间的属性差异;超像素E与超像素F间的差异也为超像素A与超像素H间的属性差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710891078.0A CN107610137A (zh) | 2017-09-27 | 2017-09-27 | 一种高分辨率遥感影像最优分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710891078.0A CN107610137A (zh) | 2017-09-27 | 2017-09-27 | 一种高分辨率遥感影像最优分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107610137A true CN107610137A (zh) | 2018-01-19 |
Family
ID=61058125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710891078.0A Pending CN107610137A (zh) | 2017-09-27 | 2017-09-27 | 一种高分辨率遥感影像最优分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610137A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305258A (zh) * | 2018-01-31 | 2018-07-20 | 成都快眼科技有限公司 | 一种基于最小生成树的超像素分割方法、系统及存储设备 |
CN109255781A (zh) * | 2018-09-03 | 2019-01-22 | 河海大学 | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 |
CN110766152A (zh) * | 2018-07-27 | 2020-02-07 | 富士通株式会社 | 用于训练深度神经网络的方法和装置 |
CN117292137A (zh) * | 2023-11-27 | 2023-12-26 | 广东泰一高新技术发展有限公司 | 一种航拍遥感影像优化分割处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105260738A (zh) * | 2015-09-15 | 2016-01-20 | 武汉大学 | 基于主动学习的高分辨率遥感影像变化检测方法及系统 |
CN106651865A (zh) * | 2016-12-23 | 2017-05-10 | 湖北工业大学 | 一种新的高分辨率遥感影像的最优分割尺度自动选择方法 |
-
2017
- 2017-09-27 CN CN201710891078.0A patent/CN107610137A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN105260738A (zh) * | 2015-09-15 | 2016-01-20 | 武汉大学 | 基于主动学习的高分辨率遥感影像变化检测方法及系统 |
CN106651865A (zh) * | 2016-12-23 | 2017-05-10 | 湖北工业大学 | 一种新的高分辨率遥感影像的最优分割尺度自动选择方法 |
Non-Patent Citations (1)
Title |
---|
董志鹏等: "一种融合超像素与最小生成树的高分辨率遥感影像分割方法", 《测绘学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305258A (zh) * | 2018-01-31 | 2018-07-20 | 成都快眼科技有限公司 | 一种基于最小生成树的超像素分割方法、系统及存储设备 |
CN108305258B (zh) * | 2018-01-31 | 2022-07-26 | 成都快眼科技有限公司 | 一种基于最小生成树的超像素分割方法、系统及存储设备 |
CN110766152A (zh) * | 2018-07-27 | 2020-02-07 | 富士通株式会社 | 用于训练深度神经网络的方法和装置 |
CN110766152B (zh) * | 2018-07-27 | 2023-08-04 | 富士通株式会社 | 用于训练深度神经网络的方法和装置 |
CN109255781A (zh) * | 2018-09-03 | 2019-01-22 | 河海大学 | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 |
CN109255781B (zh) * | 2018-09-03 | 2021-11-30 | 河海大学 | 一种面向对象的多光谱高分辨率遥感影像变化检测方法 |
CN117292137A (zh) * | 2023-11-27 | 2023-12-26 | 广东泰一高新技术发展有限公司 | 一种航拍遥感影像优化分割处理方法 |
CN117292137B (zh) * | 2023-11-27 | 2024-04-19 | 广东泰一高新技术发展有限公司 | 一种航拍遥感影像优化分割处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN107610137A (zh) | 一种高分辨率遥感影像最优分割方法 | |
CN104504734B (zh) | 一种基于语义的图像颜色传输方法 | |
Hou et al. | A novel method for hyperspectral image classification based on Laplacian eigenmap pixels distribution-flow | |
CN106296695A (zh) | 基于显著性的自适应阈值自然目标图像分割抽取算法 | |
CN110796038B (zh) | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN110796667A (zh) | 基于改进小波聚类的彩色图像分割方法 | |
Gui et al. | A new method for soybean leaf disease detection based on modified salient regions | |
CN110097101A (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
CN109448015A (zh) | 基于显著图融合的图像协同分割方法 | |
CN104102928B (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN108960295B (zh) | 多时相的全极化sar图像提取特征的方法及分类方法 | |
Salazar-Gonzalez et al. | Retinal blood vessel segmentation via graph cut | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN109710791A (zh) | 一种基于显著滤波器的多源彩色图像颜色迁移方法 | |
CN105787948A (zh) | 一种基于多变形分辨率的快速图像分割方法 | |
CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
CN109360191B (zh) | 一种基于变分自编码器的图像显著性检测方法 | |
CN111460966B (zh) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 | |
CN109784401A (zh) | 一种基于acgan的极化sar图像分类方法 | |
Wang et al. | Classification of high spatial resolution remote sensing images based on decision fusion | |
CN104751461A (zh) | 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法 | |
CN112365517A (zh) | 一种基于图像颜色和密度特征的超像素分割方法 | |
CN103793913A (zh) | 一种结合均值漂移的谱聚类图像分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |