CN107784657A

CN107784657A - 一种基于颜色空间分类的无人机遥感图像分割方法

Info

Publication number: CN107784657A
Application number: CN201710909619.8A
Authority: CN
Inventors: 成凯华; 白霖抒; 韩姣姣; 马泳潮
Original assignee: Xi'an Yinnuo Aviation Technology Co Ltd
Current assignee: Xi'an Yinnuo Aviation Technology Co Ltd
Priority date: 2017-09-29
Filing date: 2017-09-29
Publication date: 2018-03-09

Abstract

本发明公开了一种基于颜色空间分类的无人机遥感图像分割方法,通过把高分辨率无人机遥感图像分割成一系列像素簇，再利用颜色空间坐标和纹理特征的相似性对像素点分类，最后结合分类的结果引导像素簇之间的融合，保证最后的每个分区基本属于同质区域，解决了现有技术中存在的分类精度低，椒盐噪声大以及算法效率低的问题，达到快速准确分割高分辨率无人机遥感图像的目的。

Description

一种基于颜色空间分类的无人机遥感图像分割方法

技术领域

本发明属于无人机应用技术领域，尤其涉及一种基于颜色空间分类的无人机遥感图像分割方法。

背景技术

目前，通过遥感影像获取地面专题信息已成空间信息学科及相关行业部门研究和应用的热点。以往遥感影像的获取主要通过遥感卫星和航拍图像，大部分遥感影像的分辨率较低，并且获取的成本高，数据量有限。而无人机的引入和高清摄像头的产生使高清遥感图像的获取更加方便，也就带来了对高清遥感影像信息提取的巨大需求。

对于无人机遥感的应用而言，影像信息提取的基础和关键是影像分类，即对同一类地物所对应的影像目标(像素点)进行划分。对于传统的中低分辨率遥感影像的信息提取而言，主要使用基于像素的地物分类方法(A.M.Dean,G.M.Smith.An evaluation of per-parcel land cover mapping using maximum likelihood class probabilities[J].International Journal of Remote Sensing,2003,24(14):2905-2920.)。但将这种传统的分类方法应用在高分辨率无人机遥感图像上，存在分类精度降低，空间数据冗余等问题，并且分类结果往往包含严重的椒盐噪声，不利于后续的信息提取和空间分析。

针对基于像素的地物分类方法应用于高分辨率遥感影像的不足，基于对象的分类与信息提取技术开始得到广泛应用。其中，对象的提取是基于对象的分类和信息提取技术的基础，对象的提取主要采用遥感影像的分割方法进行实现。

在高分辨率遥感影像分割算法方面，多数可见文献都采用了多尺度分割算法(Baatz M,A.An optimization approach for high quality multi-scale imagesegmentation[C]. AGIT-Symposium.2000:12-23、Happ P N,Ferreira RS,Bentes C,et al.Multiresolution segmentation:a parallel approach for highresolution image segmentation in multicore architectures[C].InternationalConference on Geographic Object-Based Image Analysis.2010.)，但是多尺度影像分割过程，需要建立不同的尺度多次分割，由于遥感影像数据量大，算法复杂度高，所以执行算法需要耗用大量资源，效率低下，不适应于有实时处理需求的无人机影像信息提取过程。

基于以上，针对高分辨率无人机遥感图像，需要有更高效的分割方法来达到快速准确的提取对象的目的，提高分类精度，降低分类结果的椒盐效应。

发明内容

本发明的目的在于提供一种基于颜色空间分类的无人机遥感图像分割方法，解决了现有技术中对高分辨率无人机遥感图像的分类精度低，椒盐噪声大以及算法效率低的问题，本发明可以快速准确分割高分辨率无人机遥感图像。

为达到上述目的，本发明采用如下技术方案：

本发明提供了一种基于颜色空间分类的无人机遥感图像分割方法，包括以下步骤：

步骤(1)：通过图像像素点之间的颜色距离和空间距离来判断像素点的相似性，将设定范围内相似的像素点聚合在一起并标记相同的聚类中心编号，将图像分割成若干个像素簇；

步骤(2)：对像素簇的面积进行连通分量调整，将面积小于设定阈值的像素簇合并到周围的像素簇中，并使合并后的像素簇中的像素点使用相同的聚类中心编号；

步骤(3)：根据像素点的LCH颜色空间特征和灰度共生矩阵纹理特征得到像素点的特征向量，用特征向量对图像进行模糊聚类,将像素点分为不同的类别，标记不同的分类标签编号；

步骤(4)：根据步骤(2)得到的像素点的聚类中心编号和步骤(3)得到的分类标签编号对像素簇进行融合，将每个像素簇中所有像素点的分类标签编号的均值作为像素簇的分类标签，并把分类标签相同的像素簇进行合并。

更进一步地，本发明的特点还在于:

步骤(1)具体包括以下步骤：

步骤(1.1)：将图像预分割为K个尺寸相同的像素簇，则共有K个聚类中心；设图像共有N个像素点，则每个像素簇的大小为N/K,相邻的聚类中心之间的间隔STEP＝(N/K)^1/2；

步骤(1.2)：计算在聚类中心n_p*n_p范围内所有像素点的梯度值，将聚类中心移到n_p*n_p范围内梯度最小的地方；

步骤(1.3)：计算在每一个聚类中心周围n_x*n_x范围内每个像素点与聚类中心的颜色距离d_c和空间距离d_s,根据d_c和d_s计算每个像素点与聚类中心的距离度量D`；

步骤(1.4)：每一个像素点与周围的聚类中心对应有若干个距离度量D`,将若干个距离度量D`中最小距离度量min(D`)对应的聚类中心作为该像素点的聚类中心；

步骤(1.5)：对每一个聚类中心周围n_x*n_x范围内每个像素点进行步骤(1.4)的操作，找到每个像素点对应的聚类中心；

在遍历所有聚类中心后，更新聚类中心的颜色坐标和空间坐标为所有隶属于这个聚类中心的像素点的颜色坐标(L,a,b)和空间坐标(x,y)的平均值；

重复聚类过程，完成迭代。

步骤(1.2)具体包括以下步骤：

步骤(1.2.1)：将图像从RGB彩色图像转为灰度图像，设图像坐标(i,j)处的像素点的RGB值为R_(i,j),G_(i,j),B_(i,j),则坐标(i,j)处像素点的灰度值Gray_(i,j)的计算公式如下：

Gray_(i,j)＝0.299R_(i,j)+0.587G_(i,j)+0.114B_(i,j)；

步骤(1.2.2)：计算在聚类中心n_p*n_p范围内所有像素点的梯度值，位于坐标(i,j)处的像素点的梯度值计算公式如下：

其中，G_X是图像在像素点(i,j)处X方向的梯度，G_Y是图像在像素点(i,j)处Y方向的梯度，G(i,j)是图像在像素点(i,j)处的梯度强度，hx是X方向的梯度算子，hy是Y方向的梯度算子，k是梯度算子在X方向的范围，l是梯度算子在Y方向的范围；

步骤(1.2.3)：将聚类中心移到n_p*n_p范围内梯度最小的地方；

在步骤(1.3)中：

记两个像素点的Lab颜色空间坐标分别为X₁＝(L₁,a₁,b₁),X₂＝(L₂,a₂,b₂)，则X₁和X₂的颜色距离d_c为：

其中，S^-1是X₁和X₂两个样本的协方差矩阵；

记两个像素点的空间坐标分别为S₁＝(x₁,y₁),S₂＝(x₂,y₂),则S₁和S₂的空间距离d_s为：

两个像素点的距离度量D`为：

其中，m为加权系数；

步骤(1.5)具体包括以下步骤：

步骤(1.5.1)：将图像中每个像素点到对应的聚类中心的距离度量D_i`赋值为无穷大，i＝1～N；将像素点对应的聚类中心编号Label_i赋值为0，i＝1～N；

遍历在当前聚类中心周围n_x*n_x范围内每个像素点到当前聚类中心的距离度量D_p`，若D_p`小于D_i`,则将当前像素点的距离度量D_i`替换为D_p`，将当前像素点对应的聚类中心编号Label_i替换为当前聚类中心的编号；

步骤(1.5.2)：在遍历所有聚类中心后，更新每个聚类中心的颜色坐标和空间坐标为所有隶属于这个聚类中心的像素点的颜色坐标(L,a,b)和空间坐标(x,y)的平均值，完成一轮聚类。

步骤(1.5.3)：重复步骤(1.5.1)和步骤(1.5.2)niter次，至此，隶属于同一个聚类中心的像素点组成一个像素簇，像素簇的总数目为K个。

在步骤(1)中，m取1至40；niter取10；n_p取4；n_x取2.5*STEP。

步骤(2)具体包括以下步骤：

步骤(2.1)：设允许像素簇包含的最少像素个数为minN；将图像中每一个像素点的访问状态初始化为未访问；

步骤(2.2)：按照从左到右，从上到下的顺序遍历所有像素点，寻找像素点的连通域，计算连通域的像素个数，如果像素个数小于minN，则将连通域合并到周围的像素簇中；

步骤(2.3)：统计与合并后像素簇相邻的像素点的聚类中心编号，以出现次数最多的聚类中心编号Label_x替换合并后像素簇中所有像素点的聚类中心编号Label_i，并标记合并后像素簇中所有像素点为已访问；

步骤(2.4)：然后对下一个未访问的像素点进行步骤(2.2)和步骤(2.3)的操作，直到所有像素点都标记为已访问。

步骤(3)具体包括以下步骤：

步骤(3.1)：将每个像素点的颜色空间坐标从(L,a,b)转换为(L,c,h)；

步骤(3.2)：将图像从RGB彩色图像转换为8阶灰度图像，在每一个像素点G_n*G_n范围内，计算像素点在0°、45°、90°、135°四个方向的灰度共生矩阵，计算四个方向的灰度共生矩阵的能量Energy_0°、Energy_45°、Energy_90°、Energy_135°，将每个像素点的L,c,h坐标和灰度共生矩阵能量Energy_0°、Energy_45°、Energy_90°、Energy_135°共7个特征作为特征向量X_i进行存储；

步骤(3.3)：对于图像中所有像素点的特征向量X_i，i＝1～N，按照FCM模糊聚类方法分为P类，每个像素点的分类标签编号为Class_i，i＝1～N。

在步骤(3)中：

颜色空间坐标从Lab到Lch的转换如下：

L＝L

图像从RGB彩色图像转换为8阶灰度图像的转换方法如下：

Gray²⁵⁶ _(i,j)＝0.299R_(i,j)+0.587G_(i,j)+0.114B_(i,j)

Gray⁸ _(i,j)＝ceil(Gray²⁵⁶ _(i,j)/32)

其中，Gary²⁵⁶ _(i,j)指的是(i,j)位置像素点256阶的灰度值，Gary⁸ _(i,j)指(i,j)位置像素点8阶的灰度值，ceil()函数表示向下取整形。

灰度共生矩阵的计算方式如下

P_0°,d(a,b)＝|{[(k,l),(m,n)]∈D:

k-m＝0,|l-n|＝d,Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

P_45°,d(a,b)＝|{[(k,l),(m,n)]∈D:

(k-m＝d,l-n＝-d)∨(k-m＝-d,l-n＝d),Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|P_90°,d(a,b)＝|{[(k,l),(m,n)]∈D:

|k-m|＝d,l-n＝0,Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

P_135°,d(a,b)＝|{[(k,l),(m,n)]∈D:

(k-m＝d,l-n＝d)∨(k-m＝-d,l-n＝-d),Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

其中d表示像素间隔，(k,l),(m,n)分别为原像素和偏移后像素坐标，其中k,m为纵坐标，l,n为横坐标，D为全图范围，P_0°,d(a,b)为像素点在0°方向的灰度共生矩阵，P_45°,d(a,b)为像素点在45°方向的灰度共生矩阵，P_90°,d(a,b)为像素点在90°方向的灰度共生矩阵，P_135°,d(a,b)为像素点在135°方向的灰度共生矩阵；

计算灰度共生矩阵能量的方法如下：

φ为0°或45°或90°或135°。

通过调整隶属度概率阈值Th_c来动态调控FCM模糊聚类方法的分类状况。

Th_c取0.6，G_n取5。

步骤(4)具体包括以下步骤：

步骤(4.1)：将每个像素簇中所有像素点的分类标签编号的均值作为像素簇的分类标签；

步骤(4.2)：遍历所有的像素簇，寻找与当前像素簇有相同分类标签的相邻像素簇，从相邻像素簇再去寻找相邻并且有相同分类标签的像素簇，从当前像素簇开始，逐层向外去合并，用当前像素簇的聚类中心编号替换相邻像素簇原有的聚类中心编号，直到找不到有相同分类标签的相邻像素簇为止；

步骤(4.3)：最后，对融合好的聚类中心编号从1开始逐个再分配编号值。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的一种基于颜色空间分类的无人机遥感图像分割方法，把高分辨率无人机遥感图像分割成一系列像素簇，再利用颜色空间坐标和纹理特征的相似性对像素点分类，最后结合分类的结果引导像素簇之间的融合，保证最后的每个分区基本属于同质区域，达到快速准确分割高分辨率无人机遥感图像的目的，实现了快速准确提取遥感图像中对象的目的，方便后续针对对象的进一步分析。本发明特别适用于利用无人机遥感图像对特定目标进行检索、识别、分类或变化检测。

进一步地，本发明选取了合适的参数，执行速度快，分割准确。

附图说明

图1是本发明提供的一种基于颜色空间分类的无人机遥感图像分割方法的流程图；

图2是本发明中步骤(1)的流程图；

图3是本发明中步骤(2)的流程图；

图4是本发明中步骤(3)的流程图；

图5是本发明中步骤(4)的流程图；

图6(a)为待分割的高分辨率无人机遥感图像，图6(b)是连通分量调整后的聚类分割结果，图6(c)是像素点分类的结果；图6(d)为经过像素簇融合之后最终的分割结果。

具体实施方式

下面结合附图对本发明做进一步详细描述：

如图1所示，本发明提供的一种基于颜色空间分类的无人机遥感图像分割方法，处理对象是高分辨率无人机遥感图像，具体包括图像快速聚类分割、连通分量调整、像素点分类、像素簇融合。

步骤(1)、图像快速聚类分割：

图像快速聚类分割是利用像素点之间的颜色距离和空间距离来判断像素点的相似性，将一定范围内(根据初始设置的聚类中心)相似性高的像素点聚合在一起，标记相同的聚类中心编号，将图像分割成一系列小的像素簇。如图2所示，步骤(1)具体包括以下步骤：

步骤(1.1)：初始化聚类中心：设定初始分割的个数为K，即按照等像素间隔将图像分割成K个像素簇Seg_j(j∈[1,K])，其中像素簇的意义是一群像素点的集合，所以共有K个聚类中心C_j(j∈[1,K])，假设图像一共有N个像素点，那么每个像素簇的大小为N/K,相邻的聚类中心之间的步长STEP＝(N/K)^1/2，即相邻的聚类中心之间的间隔，STEP表示了一个像素簇的预期边长。

步骤(1.2)：在聚类中心的n_p*n_p范围内重新选择聚类中心。首先将图像从RGB彩色图像转为灰度图像，假设图像坐标(i,j)处的RGB值为R_(i,j),G_(i,j),B_(i,j),则该像素点灰度值Gray_(i,j)的计算公式如下：

Gray_(i,j)＝0.299R_(i,j)+0.587G_(i,j)+0.114B_(i,j)

计算该邻域内所有像素点的梯度值，位于图像(i,j)位置的梯度值的计算公式如下

其中G_X和G_Y分别是在图像在(i,j)点X和Y方向的梯度，G(i,j)是在这点上的梯度强度，hx＝[-1 0 1；-1 0 1；-1 0 1；],hy＝[-1 -1 -1；0 0 0；1 1 1]，分别是X和Y方向的梯度算子。

将聚类中心移到该邻域内梯度最小的地方。这样做避免聚类中心落在边界上，影响后续的分割效果。

步骤(1.3)：计算距离，对每一个聚类中心，计算在它周围n_x*n_x范围内每个像素点与聚类中心的颜色距离d_c和空间距离d_s。

颜色距离d_c是指：记两个像素点的Lab颜色空间坐标为X₁＝(L₁,a₁,b₁),X₂＝(L₂,a₂,b₂)，则X₁和X₂的颜色距离d_c为：

其中S^-1是X₁和X₂两个样本的协方差矩阵。

空间距离d_s是指：记两个像素点的空间坐标为S₁＝(x₁,y₁),S₂＝(x₂,y₂),则S₁和S₂的空间距离d_s为：

然后，根据d_c和d_s计算每个像素点最终与聚类中心的距离度量D`，距离度量D`是指：记两个像素点的颜色距离为d_c，空间距离为d_s，则距离度量D`为

其中STEP是相邻种子之间的间隔，m是加权系数，其意义为控制被STEP归一化的空间距离d_s和颜色距离d_c对最终距离度量D`的影响权重，m越大，聚类形成的像素簇形状越规则整齐，但颜色差异大的像素点越有可能被归为一个像素簇，m越小，聚类形成的像素簇形状越崎岖，每一个像素簇越有可能具有较大的空间跨度，但是颜色更加统一，经实验证实，m取1至40效果较为理想。示例地，m取30。

步骤(1.4)：中心聚类，每个像素点都会被周围的多个聚类中心搜索到，所以每个像素点都会有一个或几个与周围聚类中心的距离度量D`,在这些距离度量D`中取最小值min(D`)，将其对应的聚类中心作为该像素点的聚类中心C_j，假设位置(i,j)的像素点被周围K个聚类中心搜索到，这K个聚类中心对应着K个聚类中心(C₁,C₂,…,C_K),该像素点一共有K个距离度量(D`₁,D`₂,…,D`_K)，在这K个距离度量中取最小的一个D`_min＝min(D`₁,D`₂,…,D`_K)，min()表示取一组数中的最小值，将D`_min对应的聚类中心C`_min作为该像素点的聚类中心。

步骤(1.5)：聚类迭代，对图像进行niter轮聚类，每一轮聚类过程的具体步骤如下:

首先，对图像中每个像素点到对应的聚类中心的距离度量D_i`赋值为无穷大(i＝1～N)，将像素点对应的聚类中心编号Label_i赋值为0(i＝1～N)，遍历所有的聚类中心，遍历在它周围n_x*n_x范围内每个像素点，如果当前像素点到当前聚类中心的距离度量D_p`小于D_i`,则将当前像素点的距离度量D_i`替换为D_p`，将当前像素点对应的聚类中心编号Label_i替换为当前聚类中心的编号。

然后，在遍历所有聚类中心结束后，更新每个聚类中心的颜色坐标和空间坐标为所有隶属于这个聚类中心的像素点的相应颜色坐标(L,a,b)和空间坐标(x,y)的平均值，完成一轮聚类。

继而，重复上述两个过程niter次，至此，隶属于同一个聚类中心的像素点组成一个像素簇，像素簇的总数目为K个。

步骤(2)、连通分量调整：

经过快速聚类分割的图像有可能出现以下的瑕疵，出现多连通情况、像素簇的尺寸过小，单个像素簇被切割成多个不连续像素簇等，这些情况要通过连通分量调整来解决。具体执行步骤如下：

如图3所示，即一个像素簇最少包含minN个像素点，minN为合并面积阈值，将图像中每一个像素点的访问状态初始化为“未访问”。

然后，按照“Z”型走向，即从左到右，从上到下顺序，遍历所有像素点，寻找像素点的4连通域或8连通域Connect，计算连通域的面积，如果面积小于minN，则需要将这个连通域整个合并到周围的像素簇中去，判断邻近像素簇的聚类中心编号的方法是寻找所有与Connect相邻的像素点，统计这些像素点的Label出现次数最多的Label`作为要合并的聚类中心编号，将Connect中所有的Label替换为Label`，并且标记所有Connect中的像素点为“已访问”，然后指向下一个“未访问”像素点进行上述操作，直到所有像素点都标记为“已访问”。

其中，8连通域的定义为：一组像素点的集合B中任意两个像素点可由一条由B中像素点组成的路径相连，使路径上任意相邻像素点的x,y方向坐标的差值都不大于1，相邻像素点指的是像素点周围8个方向的相邻点，在这里8个方向是指左、右、上、下、左上、右上、左下、右下。

4连通域的定义为：一组像素点的集合B中任意两个像素点可由一条由B中像素点组成的路径相连，使路径上任意相邻像素点的x,y方向坐标的差值都不大于1，相邻像素点指的是像素点周围4个方向的相邻点，在这里4个方向是指左、右、上、下。

步骤(3)、像素点分类:

步骤(3.1)：颜色空间转换，将每个像素点的颜色空间坐标从(L,a,b)转换为(L,c,h)，用色度和色相来表示颜色的特征，Lch到Lab颜色空间坐标的转换如下所示：

L＝L

采用Lch颜色空间坐标的原因是色度和色相可以分离开，对颜色的区分更加接近人眼对颜色的感知。

步骤(3.2)：计算灰度共生矩阵，用灰度共生矩阵的能量作为图像的纹理特征，将图像从256阶RGB彩色图像转换为8阶灰度图像，转换方法如下所示:

Gray²⁵⁶ _(i,j)＝0.299R_(i,j)+0.587G_(i,j)+0.114B_(i,j)

Gray⁸ _(i,j)＝ceil(Gray²⁵⁶ _(i,j)/32)

对每个像素点，取其邻域G_n*G_n个像素点窗口计算其0°、45°、90°、135°四个方向的灰度共生矩阵(8*8*4)，这四个方向的灰度共生矩阵的计算方式如下：

P_0°,d(a,b)＝|{[(k,l),(m,n)]∈D:

k-m＝0,|l-n|＝d,Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

P_45°,d(a,b)＝|{[(k,l),(m,n)]∈D:

(k-m＝d,l-n＝-d)∨(k-m＝-d,l-n＝d),Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

P_90°,d(a,b)＝|{[(k,l),(m,n)]∈D:

|k-m|＝d,l-n＝0,Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

P_135°,d(a,b)＝|{[(k,l),(m,n)]∈D:

(k-m＝d,l-n＝d)∨(k-m＝-d,l-n＝-d),Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

其中d表示像素间隔，(k,l),(m,n)分别为原像素和偏移后像素坐标，其中k,m为纵坐标，l,n为横坐标，D为全图范围。

计算四个方向的灰度共生矩阵的能量Energy_0°、Energy_45°、Energy_90°、Energy_135°。能量反应了图像灰度分布均匀程度和纹理粗细度，能量值大表明当前纹理是一种规则变化较为稳定的纹理。计算灰度共生矩阵能量的方法如下所示:

将每个像素点的L,c,h坐标和灰度共生矩阵能量Energy_0°、Energy_45°、Energy_90°、Energy_135°共7个特征作为特征向量X_i进行存储，共有N个特征向量。

步骤(3.2)：对于图像中所有像素点的特征向量X_i(i＝1～N)，按照FCM模糊聚类的方法分为P类，采用FCM而不采用硬聚类的原因是对于7维特征硬聚类的分类效果与预期的有差异，有些语义相差较远的像素点也被聚为同一类别，比如遥感图中的植被和土壤，采用FCM可以通过调整隶属度概率阈值Th_c来动态调控分类的状况，优化分类的结果，经过FCM聚类后，每个像素点的分类标签编号为Class_i(i＝1～N)。优选地，隶属度概率阈值Th_c取0.6。

步骤(4)、像素簇融合：

经过以上三个步骤，图像中的每一个像素点都有两个属性编号，一个是聚类中心编号Label_i,另一个是分类标签编号Class_i。如图5所示，对像素簇的融合的具体过程包括以下步骤：

首先，对每个像素簇，计算包含在这个像素簇中所有像素点的分类编号的均值mean(Class_i)，i指所有包含在当前像素簇中的像素点，作为当前像素簇整体的分类标签编号SClass_j(j＝1～K)，并且将所有的像素簇的访问状态Pvisit_i置为0，即未访问。

然后，遍历所有的未访问的像素簇，寻找与当前像素簇相邻的所有像素簇，将所有与当前像素簇相邻并且分类标签编号SClass_j相同的像素簇的聚类中心编号替换为当前像素簇的聚类中心编号，与当前像素簇融合，并且将这些分类标签编号相同的像素簇的访问状态Pvisit_i置为1，即已访问，对这些分类标签编号相同的像素簇,继续寻找相邻像素簇，对分类标签编号相同的继续融合，直到对于所有相邻的像素簇都已经完成了融合，再跳转至下一个未访问的像素簇去进行下一次融合，直到所有的像素簇都已经被访问了为止。

最后，经过以上步骤，所有相邻的像素簇如果分类标签编号相同就已经是同一个聚类中心编号了，统计所有的聚类中心编号的类别，将其按1～K_cluster重新编号，K_cluster是融合后的分区的个数，这些分区里面包含了相邻的分类标签编号相同像素簇。

这样，就把图像分割成了一个个具有颜色和纹理特征的分区，这些分区就是对图像分割的最终结果。

在本实施例中，本发明处理对象为7360x4912大小的无人机遥感图像。距离度量加权系数m＝30，聚类次数niter＝10，根据梯度重新选择聚类中心的范围n_p＝4，计算与聚类中心距离的范围n_x＝2.5*STPE，计算灰度共生矩阵的邻域窗口大小G_n＝5，隶属度概率阈值Th_c＝0.6。每一层图像处理步骤如图6所示。其中，图6(a)为待分割的高分辨率无人机遥感图像，图6(b)是连通分量调整后的快速聚类分割结果，图6(c)是像素点分类的结果，每个灰度代表一类，图6(d)为经过像素簇融合之后最终的分割结果。算法的运行结果将建筑群、土壤、植被分割到不同的分区中，与现有分割相比，运行速度提高2.4倍，并且分割出的语义更明确，过分割和椒盐噪声的情况基本没有出现。可以看出，本发明能够对高分辨率无人机遥感图像进行快速、准确的分割。

Claims

1.一种基于颜色空间分类的无人机遥感图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，步骤(1)具体包括以下步骤：

重复步骤(1.4)和步骤(1.5)，完成迭代。

3.根据权利要求2所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于：

步骤(1.2)具体包括以下步骤：

Gray_(i,j)＝0.299R_(i,j)+0.587G_(i,j)+0.114B_(i,j)；

<mrow> <msub> <mi>G</mi> <mi>X</mi> </msub> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> </munder> <msub> <mi>Gray</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>k</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <msub> <mi>hx</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> </mrow>

<mrow> <msub> <mi>G</mi> <mi>Y</mi> </msub> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> </munder> <msub> <mi>Gray</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>+</mo> <mi>k</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> <msub> <mi>hy</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </msub> </mrow>

步骤(1.2.3)：将聚类中心移到n_p*n_p范围内梯度最小的地方；

在步骤(1.3)中：

其中，S^-1是X₁和X₂两个样本的协方差矩阵；

两个像素点的距离度量D`为：

其中，m为加权系数；

步骤(1.5)具体包括以下步骤：

步骤(1.5.2)：在遍历所有聚类中心后，更新每个聚类中心的颜色坐标和空间坐标为所有隶属于这个聚类中心的像素点的颜色坐标(L,a,b)和空间坐标(x,y)的平均值，完成一轮聚类；

4.根据权利要求3所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，在步骤(1)中，m取1至40；niter取10；n_p取4；n_x取2.5*STEP。

5.根据权利要求1所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，步骤(2)具体包括以下步骤：

6.根据权利要求1所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，步骤(3)具体包括以下步骤：

7.根据权利要求6所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，在步骤(3)中：

颜色空间坐标从Lab到Lch的转换如下：

L＝L

<mrow> <mi>h</mi> <mo>=</mo> <mi>arctan</mi> <mrow> <mo>(</mo> <mfrac> <mi>b</mi> <mi>a</mi> </mfrac> <mo>)</mo> </mrow> </mrow>

图像从RGB彩色图像转换为8阶灰度图像的转换方法如下：

Gray²⁵⁶ _(i,j)＝0.299R_(i,j)+0.587G_(i,j)+0.114B_(i,j)

Gray⁸ _(i,j)＝ceil(Gray²⁵⁶ _(i,j)/32)

其中，Gary²⁵⁶ _(i,j)指的是(i,j)位置像素点256阶的灰度值，Gary⁸ _(i,j)指(i,j)位置像素点8阶的灰度值，ceil()函数表示向下取整形；

灰度共生矩阵的计算方式如下

P_0°,d(a,b)＝|{[(k,l),(m,n)]∈D:

k-m＝0,|l-n|＝d,Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

P_45°,d(a,b)＝|{[(k,l),(m,n)]∈D:

(k-m＝d,l-n＝-d)∨(k-m＝-d,l-n＝d),Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

P_90°,d(a,b)＝|{[(k,l),(m,n)]∈D:

|k-m|＝d,l-n＝0,Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

P_135°,d(a,b)＝|{[(k,l),(m,n)]∈D:

(k-m＝d,l-n＝d)∨(k-m＝-d,l-n＝-d),Gray⁸(k,l)＝a,Gray⁸(m,n)＝b}|

计算灰度共生矩阵能量的方法如下：

<mrow> <msub> <mi>Energy</mi> <mi>&phi;</mi> </msub> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>a</mi> <mo>,</mo> <mi>b</mi> </mrow> </munder> <msubsup> <mi>P</mi> <mrow> <mi>&phi;</mi> <mo>,</mo> <mi>d</mi> </mrow> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> </mrow>

φ为0°或45°或90°或135°。

8.根据权利要求7所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，通过调整隶属度概率阈值Th_c来动态调控FCM模糊聚类方法的分类状况。

9.根据权利要求8所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，Th_c取0.6，G_n取5。

10.根据权利要求1所述的基于颜色空间分类的无人机遥感图像分割方法，其特征在于，步骤(4)具体包括以下步骤：