CN107945183B - 一种结合改进快速合并算法的分水岭分割方法 - Google Patents

一种结合改进快速合并算法的分水岭分割方法 Download PDF

Info

Publication number
CN107945183B
CN107945183B CN201710512338.9A CN201710512338A CN107945183B CN 107945183 B CN107945183 B CN 107945183B CN 201710512338 A CN201710512338 A CN 201710512338A CN 107945183 B CN107945183 B CN 107945183B
Authority
CN
China
Prior art keywords
segmentation
algorithm
merging
image
watershed
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.)
Active
Application number
CN201710512338.9A
Other languages
English (en)
Other versions
CN107945183A (zh
Inventor
孟庆岩
王永吉
杨健
孙震辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sanya Zhongke Remote Sensing Research Institute
Original Assignee
Sanya Zhongke Remote Sensing Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sanya Zhongke Remote Sensing Research Institute filed Critical Sanya Zhongke Remote Sensing Research Institute
Priority to CN201710512338.9A priority Critical patent/CN107945183B/zh
Publication of CN107945183A publication Critical patent/CN107945183A/zh
Application granted granted Critical
Publication of CN107945183B publication Critical patent/CN107945183B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种结合改进快速合并算法的分水岭分割方法，该方法包括如下步骤：步骤1)基于GF‑1数据，研发一整套基于前处理的分水岭分割算法技术流程；步骤2)研究基于前处理的分水岭分割算法中全局标记阈值α和区域自适应阈值调整系数g对分割结果的影响，分析α和g的取值范围；步骤3)基于前处理的分水岭分割算法的初分割结果，以RAG和NNG为实现方式，利用基于可控公共边界长度惩罚的Fast Lambda合并算法对初分割结果进行区域合并，以达到满意的分割结果；步骤4)研究基于可控公共边界长度惩罚的Fast Lambda合并算法中控制区域合并的阈值T和公共边界惩罚系数λ对合并结果的影响，分析T和λ的取值范围。

Description

一种结合改进快速合并算法的分水岭分割方法
技术领域
本发明涉及一种结合改进快速合并算法的分水岭分割方法，特别是利用两种影像分割算法(基于前处理的分水岭分割算法和基于可控公共边界长度惩罚的Fast Lambda算法)对高分辨率遥感影像进行图像分割，以获得良好的影像分割结果。
背景技术
在遥感应用分析中，遥感影像分割是低层影像处理和中高层影像分析和理解的桥梁，是完成高分辨率遥感影像精准分类的关键步骤。一般情况下，影像分割算法包括：阈值分割算法、边缘分割算法及区域分割算法。
对于影像阈值分割算法，该方法计算量小，运行效率高，但分割效率不高。最经典的阈值分割算法是Otsu(1979)提出的最大类间方差法，该算法通过统计影像灰度直方图，计算目标与背景之间的最大方差，确定分割阈值，但由于实现方式是穷举法，故效率较低；Bezdek(1984)提出了模糊C均值算法,计算每个样本的隶属度，通过隶属度将每个样本划分到相应区域,最终完成影像分割；Mehmet(2004)等研究了影像分割过程中阈值的确定方法，并以定量的方式对分割结果进行评价；吴一全(2011)等提出了一种改进的二维Otsu法阈值分割快速迭代算法，不但分割后的图像更为准确,而且提高了运行效率；龙建武(2012)等提出了一种鲁棒的最小误差阈值分割算法，采用waterflow模型，对非均匀光照图像进行背景估计，提高了分割算法的性能；朱贺(2014)等利用灰度阈值分割方法并结合轮廓形态识别技术，进行河道提取，结果显示该方法能够更好的提取河道区域轮廓,并降低了漏警率和虚警率。
对于边缘分割算法，该方法是相对阈值分割算法更为有效，最经典的是Canny(1986)提出的Canny算子，该算子把边缘检测问题巧妙地转化为数学问题，通过计算数学函数的极大值实现影像的边缘检测；Lian(2004)等对边缘分割算法进行了改进，提出了一种新型的凸多边形边缘检测图像分割算法，但是仍然没有解决边缘检测时抗噪性和检测精度的矛盾；陈旭光(2012)等比较了几种经典的边缘分割算法,论述了几种不同分割算法在识别机场时的优劣；熊伟(2012)提出了一种基于Snake模型的目标图像边缘分割方法，可以有效得进行目标图像的边缘分割。
对于区域分割算法，该方法是一种采用自动种子选取方式的区域生长分割方法，最经典的算法是Vincent L(1991)提出的分水岭算法，该算法是基于沉浸模型的；Baatz(1999)等提出一种影像多尺度区域分割方法，结合决策树分类，在高分辨率影像分类上取得了很好的应用效果；Espindola(2006)等针对影像分割过程中阈值确定问题，通过统计空间自相关性质进行阈值确定，并以区域生长的方式最终完成影像分割过程；邱文涛(2012)等提出了结合区域分割的SIFT方法，提高了特征点匹配的精度和时间性能；赵泉华(2015)等提出了结合区域划分的多特征纹理图像分割方法，并从定性和定量两个方面验证了算法的有效性；凌财进(2016)等针对分水岭分割算法的过分割问题，在进行分水岭分割前利用中值过滤算法和归一化割算法对影像进行预处理，较好地减弱了了分水岭算法的过分割现象，并提高了算法的运行效率。
综上所述，至今为止仍没有一种普适性的分割算法能对影像取得良好的分割效果，每种分割算法都有其适用性和局限性。另外，对影像的分割结果也缺少客观的和定量的评价准则，以上原因某种程度上影响了影像分割技术在遥感应用领域的发展。
我国2012年发射的资源三号卫星和2013年发射的“高分一号”卫星，空间分辨率可达2m，2014年发射的高分二号卫星空间分辨率可达1m，填补了我国高分辨率数据的空缺。为充分挖掘我国自主高分辨卫星影像隐含的丰富的空间信息，研究适于我国自主高分辨率卫星影像的分割算法，显得尤为重要。
考虑到以上问题，本发明根据GF-1影像数据特点，利用面向对象技术，以分水岭分割算法为基础，研发了一种结合基于可控公共边界长度惩罚Fast Lambda合并算法的分水岭改进分割方法，有效地应用于我国自主高分辨率卫星影像面向对象分类。
发明内容
针对使用分水岭算法进行高分辨率遥感影像分割容易出现过分割和丢失轮廓信息等问题，本发明结合GF-1影像，利用面向对象技术，建立了一种结合基于可控公共边界长度惩罚Fast Lambda合并算法的分水岭改进分割方法。
本发明的目的通过以下技术步骤实现：
步骤1)基于GF-1数据，针对面向对象技术，研发一整套基于前处理的分水岭分割算法技术流程，获得较好的影像初分割结果；
步骤2)研究基于前处理的分水岭分割算法中全局标记阈值α和区域自适应阈值调整系数g对分割结果的影响，分析α和g的取值范围；
步骤3)基于基于前处理的分水岭分割算法的初分割结果，以RAG和NNG为实现方式，利用基于可控公共边界长度惩罚的Fast Lambda合并算法对初分割结果进行区域合并，以达到满意的分割结果；
步骤4)研究基于可控公共边界长度惩罚的Fast Lambda合并算法中控制区域合并的阈值T和公共边界惩罚系数λ对合并结果的影响，分析T和λ的取值范围。
附图说明
图1为结合基于可控公共边界长度惩罚Fast Lambda合并算法的分水岭改进分割方法技术流程图；
图2为不同滤波方式效果图；
图3为分水岭分割效果图；
图4为分水岭全局标记阈值分割参数影响效果图；
图5为分水岭区域自适应阈值分割参数影响效果图；
图6为区域合并阈值分割参数影响效果图；
图7为区域合并公共边界惩罚系数影响效果图；
图8为区域合并公共边界惩罚系数影响效果图(补充实验)；
图9为影像分割对比图。
具体实施方式
下面结合附图对本发明“一种结合基于可控公共边界长度惩罚Fast Lambda合并算法的分水岭改进分割方法”作进一步阐述说明。
本发明所涉及的“基于前处理的分水岭分割算法技术流程”、“基于可控公共边界长度惩罚的Fast Lambda算法”是影像分割的重要方法创新，其技术路线如图1所示。其中，“基于前处理的分水岭分割算法技术流程”，通过对图像进行滤波和梯度图的修正，抑制噪声引起的过分割现象，建立一套基于前处理的分水岭分割算法技术流程，并应用到深圳示范区，最终获得GF-1影像的初分割结果，该技术流程有效减弱了分水岭分割的过分割现象，为进行影像的有效合并打下了良好的基础；“基于可控公共边界长度惩罚的Fast Lambda算法”，将两个区域之间的公共边界长度与较小区域面积的平方根对的比值融入到公式中，解决了算法本身的形状要素即公共边界长度的比重不可根据高分辨率遥感影像的实际情况进行调整的问题，增强了该算法针对高分辨率遥感影像的适应性，然后利用RAG和NNG的实现方式，提高了该算法的运行效率，并应用于深圳示范区，实现了基于前处理的分水岭初分割结果的有效合并；然后，从有效性和普适性两个角度对该方法的适应性进行验证，实验结果例证了一种结合基于可控公共边界长度惩罚Fast Lambda合并算法的分水岭改进分割方法的可行性，为进一步研发我国自主高分辨率卫星影像影像分割方法，奠定了良好的理论和技术基础。
(一)基于前处理的分水岭分割算法技术流程
基于GF-1影像，对图像进行滤波和梯度图的修正，研发一套基于前处理的分水岭分割算法技术流程，如下表所示。并验证算法中全局标记阈值α和区域自适应阈值调整系数g对分割结果的影响，分析α和g的取值范围，并应用与深圳试验区。根据全局标记阈值α和区域自适应阈值调整系数g对分割结果的影响，α和g。首先，对GF-1影像进行自适应维纳滤波，使影像平滑减弱噪声(图2)；其次，对GF-1影像进行直方图均衡化，增强影像边缘的对比度；然后，对GF-1影像进行梯度图构建及重建，有效减少伪极小值的数量(图3)；接着，对GF-1影像进行分水岭分割(图3)，并探究全局标记阈值α和区域自适应阈值调整系数g对分割结果的影响(图4、图5)；最后，将该方法应用到深圳实验区，获得GF-1影像的初分割结果。
表格1基于前处理的分水岭分割算法技术流程
Figure GDA0002891265190000041
(二)基于可控公共边界长度惩罚的Fast Lambda算法
基于GF-1影像分水岭初分割结果，对图像进行进一步的合并处理，研发一套基于可控公共边界长度惩罚的Fast Lambda算法技术流程，如下表所示。并验证算法中公共边界惩罚系数λ和控制区域合并的阈值T对分割结果的影响，分析λ和T的取值范围，并应用与深圳试验区。根据公共边界惩罚系数λ和区域合并的阈值T对分割结果的影响，设定λ和T。首先，对Fast Lambda算法公式进行改进，融入两个区域之间的公共边界长度与较小区域面积的平方根对的比值，将初始公式
Figure GDA0002891265190000051
改进为
Figure GDA0002891265190000052
解决了算法本身的形状要素即公共边界长度的比重不可根据高分辨率遥感影像的实际情况进行调整的问题；其次，利用RAG和NNG的实现方式，提高了该算法的运行效率；接着，对GF-1影像分水岭初分割结果进行合并处理，并探究公共边界惩罚系数λ和控制区域合并的阈值T对合并结果的影响(图6、图7、图8)；最后，将该方法应用到深圳实验区，获得GF-1影像的最终分割结果(图9)。
表格2基于可控公共边界长度惩罚的Fast Lambda算法
Figure GDA0002891265190000053

Claims (3)

1.一种结合快速合并算法的分水岭改进分割方法，该方法包括如下步骤：
步骤1)输入全局标记阈值α和区域自适应阈值调整系数g；
步骤2)使用sobel算子构建梯度图像,并根据α，以及式F(xα)＝P(x≤hα)＝α计算并返回影像初始梯度值x0和全局阈值hα，其中，x为梯度图像值，P为x≤hα时的累积概率；
步骤3)根据区域自适应阈值调整系数g和返回的影像初始梯度值x0，利用式
Figure FDA0002891265180000011
进行计算，得到重构的梯度图，其中，g为梯度图Grad即初始梯度值x0的调整系数；
步骤4)利用重构的梯度图对影像进行分水岭分割，获得影像的初分割结果；
步骤5)输入控制区域合并的阈值T和公共边界惩罚系数λ，构建初始区域邻接图RAG和最近邻接图NNG；
步骤6)对NNG存放的合并代价进行排序，并根据控制区域合并的阈值T计算并返回合并代价t0；
步骤7)搜索NNG中的最小合并代价tmin，并判断是否num(tmin)>1，若num(tmin)>1，将公共边界长度作为第一优先级，将公共边界长度大者优先合并，若公共边界长度也相同，则将最小对象面积作为第二优先级，将最小对象面积小者优先合并；
步骤8)判断是否tmin<T，若tmin<T，则搜索RAG中相对应的邻接对象Oi和Oj进行合并，同时计算新对象Oij的邻接关系，并更新RAG和NNG；
步骤9)重复以上步骤，直至tmin>T，迭代过程停止，获得最终分割结果。
2.如权利要求书1所述的方法，其特征在于，所述步骤5)：NNG存放相邻对象之间的合并代价。
3.如权利要求书1所述的方法，其特征在于，所述步骤6)：提出了一种基于可控公共边界长度惩罚的Fast Lambda合并代价，将两个区域之间的公共边界长度与区域面积的平方根对的比值融入到算法中，即
Figure FDA0002891265180000012
其中，LCLamdba代表新的合并代价，Ni和Nj代表相邻对象i和j的像素个数，E指的是相邻对象i和j的欧式距离，L代表对象i和j的公共边界长度。
CN201710512338.9A 2017-06-28 2017-06-28 一种结合改进快速合并算法的分水岭分割方法 Active CN107945183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710512338.9A CN107945183B (zh) 2017-06-28 2017-06-28 一种结合改进快速合并算法的分水岭分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710512338.9A CN107945183B (zh) 2017-06-28 2017-06-28 一种结合改进快速合并算法的分水岭分割方法

Publications (2)

Publication Number Publication Date
CN107945183A CN107945183A (zh) 2018-04-20
CN107945183B true CN107945183B (zh) 2021-04-23

Family

ID=61928557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710512338.9A Active CN107945183B (zh) 2017-06-28 2017-06-28 一种结合改进快速合并算法的分水岭分割方法

Country Status (1)

Country Link
CN (1) CN107945183B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020164042A1 (zh) 2019-02-14 2020-08-20 唐锐 基于边界提取的区域合并图像分割算法
CN111046783B (zh) * 2019-12-09 2023-06-30 山西能源学院 一种改进分水岭算法的斜坡地质灾害边界提取方法
CN111257854B (zh) * 2020-01-19 2023-05-02 中南林业科技大学 一种通用的基于遥感影像分割单元的地形校正优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136145A (zh) * 2011-04-27 2011-07-27 中国科学院遥感应用研究所 阈值约束最小生成树算法的区域合并方法
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
CN104915676A (zh) * 2015-05-19 2015-09-16 西安电子科技大学 基于深层特征学习和分水岭的sar图像分类

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8379960B2 (en) * 2009-03-30 2013-02-19 Ge Healthcare Bio-Sciences Corp. System and method for distinguishing between biological materials

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136145A (zh) * 2011-04-27 2011-07-27 中国科学院遥感应用研究所 阈值约束最小生成树算法的区域合并方法
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
CN104915676A (zh) * 2015-05-19 2015-09-16 西安电子科技大学 基于深层特征学习和分水岭的sar图像分类

Also Published As

Publication number Publication date
CN107945183A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
Huang et al. A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery
CN103400151B (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
CN104008553B (zh) 融合影像梯度信息和分水岭方法的裂缝检测方法
CN111681197B (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
CN103048329B (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN104361582B (zh) 一种对象级高分辨率sar影像洪水灾害变化检测方法
CN101976504B (zh) 一种基于颜色空间信息的多车辆视频跟踪方法
CN104792792A (zh) 一种逐步求精的路面裂缝检测方法
CN103778627B (zh) 一种基于sar图像的海域溢油检测方法
CN104700071B (zh) 一种全景图道路轮廓的提取方法
CN103871062B (zh) 一种基于超像素描述的月面岩石检测方法
CN107945183B (zh) 一种结合改进快速合并算法的分水岭分割方法
CN105335966A (zh) 基于局域同质性指标的多尺度遥感影像分割方法
CN108171695A (zh) 一种基于图像处理的高速公路路面检测方法
CN116758059A (zh) 一种用于路基路面的视觉无损检测方法
CN113569724B (zh) 基于注意力机制和扩张卷积的道路提取方法及系统
CN111046772A (zh) 多时相卫星遥感岛礁岸线及开发利用信息提取方法
CN109978848A (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN102930576A (zh) 一种基于特征流的抽象线条画生成方法
CN103839267A (zh) 一种基于形态学建筑物指数的建筑物提取方法
CN103294792A (zh) 基于语义信息和极化分解的极化sar地物分类方法
CN103871039A (zh) 一种sar图像变化检测差异图生成方法
CN106611422A (zh) 基于素描结构的随机梯度贝叶斯sar图像分割方法
CN110889840A (zh) 面向地物目标的高分6号遥感卫星数据的有效性检测方法

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