CN108053412A - 融合多定量评价指标的遥感影像最优分割结果确定方法 - Google Patents

Abstract

本发明公开了一种融合多定量评价指标的遥感影像最优分割结果确定方法，首先对遥感影像进行影像分割，得到分割结果集；然后计算分割结果集的GS值，确定遥感影像分割参数的尺度区间参数；利用尺度区间参数计算分割结果集的E值，根据E值大小确定出初步最优分割结果集；接着将初步最优分割结果集按对应的分割参数进行融合分割，确定出遥感影像整体最优分割结果，并筛选出欠分割对象集、过分割对象集和保留分割对象集；最后将上述三个对象集进行联合，并利用改进的GS值进行评价，确定出全局最优分割结果。本发明能够克服现有的遥感影像最优分割结果确定中用单一指标评价带来的不确定性问题，提高遥感影像分割结果的客观性、实用性和可靠性。

Description

融合多定量评价指标的遥感影像最优分割结果确定方法

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种融合多定量评价指标的遥感影像最优分割结果确定方法。

背景技术

随着高分辨率遥感平台的不断增加和完善，高分遥感数据越来越多，被广泛应用于土地遥感监测、自然灾害监测、农情监测和生态修复等行业中。高分遥感数据因具有高空间分辨率、高清晰度、信息量丰富及数据时效性强等优点，可以在获得丰富的地物光谱信息的同时获取更多的地物结构、形状和纹理等细节信息，使在较小的空间尺度上观察地表的细节变化成为可能。传统的基于像元的影像分析方法依靠影像的光谱信息，且停留在像素层次上，过于着眼于局部像素而忽略邻近整片图斑的纹理、结构等信息，必然会严重制约了信息提取的精度。利用该类方法对高分遥感数据进行专题信息提取，已经出现许多不可回避的问题。

国内外学者先后利用面向对象影像分析方法（OBIA，Object-Based ImageAnalysis）对高分遥感数据进行各种专题信息提取，众多实验结果表明，OBIA方法优于传统的基于像元的影像分析方法。当前，OBIA已经成为高分遥感数据信息提取的主流方法，该方法可大致分解为影像分割和对象分类两个关键步骤，影像分割结果的好坏将直接影响后续对象分类。如何找到一个有效方法来评价影像分割结果质量，进而确定出一个最优分割结果用于后期对象分类，是OBIA可靠性的关键所在。现有评价方法大都从某一角度采用相应评价指标来评价分割结果质量进而确定最优分割结果，从实践效果来看，这些方法均具有一定的可靠性，但很难确定哪一种方法性能更优。为此，有效集合各方法的优点，融合多定量评价指标对遥感影像分割结果进行评价，必然会使得最优分割结果确定更加客观有效。

发明内容

本发明的目的在于提供一种融合多定量评价指标的遥感影像最优分割结果确定方法，能够克服现有的遥感影像最优分割结果确定中用单一指标评价带来的不确定性问题，提高遥感影像分割结果的客观性、实用性和可靠性。

为实现上述目的，本发明采用如下技术方案：

一种融合多定量评价指标的遥感影像最优分割结果确定方法，依次包括以下步骤：

（1）图像分割：对高分遥感数据进行处理，获得研究区域的遥感影像，并对遥感影像进行影像分割，得到分割结果集；

（2）整体评价：计算步骤（1）得到的分割结果集的GS值，根据GS值大小，确定遥感影像分割参数的尺度区间参数；利用尺度区间参数计算分割结果集的E值，根据E值大小确定出初步最优分割结果集；

（3）整体细化：将初步最优分割结果集按对应的分割参数进行融合分割，确定出遥感影像整体最优分割结果；

（4）全局评价：计算影像整体最优分割结果中分割对象的H值，筛选出欠分割对象集、过分割对象集和保留分割对象集；

（5）全局细化：将欠分割对象集进行再分割，将过分割对象集进行合并，分别得到细化后的分割结果，并将细化后的分割结果与保留分割对象集进行联合，得到细化后分割结果集，并利用改进的GS值进行评价，确定出全局最优分割结果。

优选地，其特征在于：所述步骤（2）中，对遥感数据进行整体评价的过程如下：

①采用多尺度分割算法进行影像分割，改变尺度参数获得25个分割结果（0-250，尺度步长设为10），并计算所分割结果的GS值，选取其最小值对应的尺度参数S，在此参数左右区间各扩充50，得到一个尺度参数区间；其中，GS值计算公式如下：

式中，和分别代表分割结果内部对象的面积及方差，为分割结果内部对象个数，和分别代表分割结果内部对象和的灰度均值，为整幅影像的灰度均值，当和邻接时，为1，否则为0，其中，为和在波段的归一值，为波段总数，下标i=1,2，……，i；下标j=1,2，……，j；wVar和MI分别表示加权方差和莫兰指数；

②以步骤①得到的尺度参数区间为限制条件，用多尺度分割算法对研究区域的遥感影像进行影像分割，改变尺度参数获得20个分割结果（S±50，尺度步长设为5，S表示尺度参数），并计算全部分割结果的E值，其中，E值计算公式如下：

式中，和分别为分割结果内部对象在波段中不同像元灰度值，为由中两个不同像素灰度值组成的像素对的总数，和为分割结果内部对象和在波段中的灰度均值，是波段总数，和分别为的边界长度及与的公共边界长度，为分割结果内部对象的面积，为分割结果内部对象的总数，B表示波段总数；

③按照 原则从步骤②中计算的E值集中选出三个较大值，确定其对应的尺度参数具体值（S1、S2、S3）；

其中的计算公式如下：

其中， 表示x的增量， 表示局部峰值， 、 和 分别表x、 和 处的一阶导数。

优选地，其特征在于，所述步骤（3）中，对初步最优分割结果集进行整体细化的过程如下：

①用多尺度分割算法对步骤（1）获得的初步最优分割结果集进行影像分割，其尺度参数为最大值，其他参数缺省，获得一次分割结果；

②以一次分割结果为专题图层，再用多尺度分割算法对初步最优分割结果集进行影像分割，其尺度参数为中间值，其他参数缺省，获得二次分割结果；

③以二次分割结果为专题图层，再用多尺度分割算法对初步最优分割结果集进行影像分割，其尺度参数为最小值，其他参数缺省，获得三次分割结果，即整体细化后的最优分割结果。

优选地，其特征在于，所述步骤（4）中，对影像整体最优分割结果进行全局评价的过程如下：

用光谱角原理构建H指标，计算整体最优分割结果的所有分割子区的H值，按其H值大小排序，并对H值进行统计分析，选用 u±2σ 区分欠分割和过分割的阈值，从而得到欠分割对象集、过分割对象集和保留分割对象集；

其中，H值计算公式如下：

式中，和分别为分割结果内部对象在波段中不同像元灰度值，为由中两个不同灰度值组成的像素对总数，为分割结果内部对象的某一像素对光谱角值，为分割结果内部对象的光谱角均值，和分别为分割结果内部某对象及分割结果整体，为像素对集合，和为分割结果内部某对象和分割结果整体的光谱角值；当和邻接时，为1，否则为0；为不同对象的光谱角值，即和为分割结果内部某对象和分割结果整体的光谱角值；当和邻接时，为1，否则为0；和分别表示分割结果内部对象的局部方差和局部莫兰指数；

优选地，所述步骤（5）中，对欠分割对象集、过分割对象集和保留分割对象集进行全局细化的过程如下：

①以欠分割对象集为专题图层，用多尺度分割算法对研究区域的遥感影像进行影像分割，尺度<min(S1、S2、S3)及步长为10，其他参数缺省，获得细化后的欠分割对象集；

②以过分割对象集为专题图层，用光谱差异分割算法对研究区域的遥感影像进行影像分割，差异值<min(S1、S2、S3)及步长为10，获得细化后的欠分割对象集；

③从细化后的欠分割对象集和细化后的欠分割对象集中任意取出一个子集与保留分割对象集融合，得到细化后分割结果；

④利用光谱角原理改进GS，从细化后的分割结果选出最小值从而确定出最优结果，

用光谱角原理改进GS，记aGS，其计算公式如下：

式中，和分别代表分割结果内部对象的面积及光谱角方差，和分别为分割结果内部对象和的光谱角值，为分割结果整体的的光谱角值；若和相邻，为1，否则为0；

本发明通过对高分遥感数据进行整体最优分割结果确定和全局最优分割结果确定两个步骤，来获取全局最优结果，从而能够客观地确定出遥感影像的最优分割结果，整个操作过程不需要人为选取参考对象，可以在计算机控制下自动完成全部工作，相比于现有方法，本发明在客观性、实用性和可靠性等方面具有明显的提高与改进。

附图说明

图1为本发明的流程图。

具体实施方式

以下结合附图对本发明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的部分实施例，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在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本发明的保护范围。

如图1所示，本发明所述的一种融合多定量评价指标的遥感影像最优分割结果确定方法，依次包括以下步骤：

（1）图像分割：对高分遥感数据进行处理，获得研究区域的遥感影像，并对遥感影像进行影像分割，得到分割结果集。

（2）整体评价：计算步骤（1）得到的分割结果集的GS值，根据GS值大小，确定遥感影像分割参数的尺度区间参数；利用尺度区间参数计算分割结果集的E值，根据E值大小确定出初步最优分割结果集。

①采用多尺度分割算法进行影像分割，改变尺度参数获得25个分割结果（0-250，尺度步长设为10），并计算所分割结果的GS值，选取其最小值对应的尺度参数S，在此参数左右区间各扩充50，得到一个尺度参数区间；其中，GS值计算公式如下：

式中，和分别代表分割结果内部对象的面积及方差，为分割结果内部对象个数，和分别代表分割结果内部对象和的灰度均值，为整幅影像的灰度均值，当和邻接时，为1，否则为0，其中，为和在波段的归一值，为波段总

数，下标i=1,2，……，i；下标j=1,2，……，j；wVar和MI分别表示加权方差和莫兰指数；

②以步骤①得到的尺度参数区间为限制条件，用多尺度分割算法对研究区域的遥感影像进行影像分割，改变尺度参数获得20个分割结果（S±50，尺度步长设为5，S表示尺度参数），并计算全部分割结果的E值，其中，E值计算公式如下：

式中，和分别为分割结果内部对象在波段中不同像元灰度值，为由中两个不同像素灰度值组成的像素对的总数，和为分割结果内部对象和在波段中的灰度均值，是波段总数，和分别为的边界长度及与的公共边界长度，为分割结果内部对象的面积，为分割结果内部对象的总数，B表示波段总数；

③按照 原则从步骤②中计算的E值集中选出三个较大值，确定其对应的尺度参数具体值（S1、S2、S3）；随尺度参数变化，当接近图像占优的地物的真实边界时，E值会发生突变，即在速率图像上出现多个局部峰

其计算公式如下：

其中， 表示x的增量， 表示局部峰值， 、 和 分别表x、 和 处的一阶导数。

（3）整体细化：将初步最优分割结果集按对应的分割参数进行融合分割，确定出遥感影像整体最优分割结果。

①用多尺度分割算法对步骤（1）获得的初步最优分割结果集进行影像分割，其尺度参数为最大值，其他参数缺省，获得一次分割结果；

②以一次分割结果为专题图层，再用多尺度分割算法对初步最优分割结果集进行影像分割，其尺度参数为中间值，其他参数缺省，获得二次分割结果；

③以二次分割结果为专题图层，再用多尺度分割算法对初步最优分割结果集进行影像分割，其尺度参数为最小值，其他参数缺省，获得三次分割结果，即整体细化后的最优分割结果。

（4）全局评价：计算影像整体最优分割结果中分割对象的H值，筛选出欠分割对象集、过分割对象集和保留分割对象集。

用光谱角原理构建H指标，计算整体最优分割结果的所有分割子区的H值，按其H值大小排序，并对H值进行统计分析，选用 u±2σ 区分欠分割和过分割的阈值，从而得到欠分割对象集、过分割对象集和保留分割对象集；

其中，H值计算公式如下：

式中，和分别为分割结果内部对象在波段中不同像元灰度值，为由中两个不同灰度值组成的像素对总数，为分割结果内部对象的某一像素对光谱角值，为分割结果内部对象的光谱角均值，和分别为分割结果内部某对象及分割结果整体，为像素对集合，和为分割结果内部某对象和分割结果整体的光谱角值；当和

邻接时，为1，否则为0；为不同对象的光谱角值，即和为分割结果内部某对象和分割结果整体的光谱角值；当和邻接时，为1，否则为0；和分别表示分割结果内部对象的局部方差和局部莫兰指数；

。

（5）全局细化：将欠分割对象集进行再分割，将过分割对象集进行合并，分别得到细化后的分割结果，并将细化后的分割结果与保留分割对象集进行联合，得到细化后分割结果集，并利用改进的GS值进行评价，确定出全局最优分割结果。

①以欠分割对象集为专题图层，用多尺度分割算法对研究区域的遥感影像进行影像分割，尺度<min(S1、S2、S3)及步长为10，其他参数缺省，获得细化后的欠分割对象集；

②以过分割对象集为专题图层，用光谱差异分割算法对研究区域的遥感影像进行影像分割，差异值<min(S1、S2、S3)及步长为10，获得细化后的欠分割对象集；

③从细化后的欠分割对象集和细化后的欠分割对象集中任意取出一个子集与保留分割对象集融合，得到细化后分割结果；

④利用光谱角原理改进GS，从细化后的分割结果选出最小值从而确定出最优结果，

用光谱角原理改进GS，记aGS，其计算公式如下：

式中，和分别代表分割结果内部对象的面积及光谱角方差，和分别为分割结果内部对象和的光谱角值，为分割结果整体的的光谱角值；若和相邻，为1，否则为0；

Claims (5)

1.一种融合多定量评价指标的遥感影像最优分割结果确定方法，其特征在于，依次包括以下步骤：

（1）图像分割：对高分遥感数据进行处理，获得研究区域的遥感影像，并对遥感影像进行影像分割，得到分割结果集；

（2）整体评价：计算步骤（1）得到的分割结果集的GS值，根据GS值大小，确定遥感影像分割参数的尺度区间参数；利用尺度区间参数计算分割结果集的E值，根据E值大小确定出初步最优分割结果集；

（3）整体细化：将初步最优分割结果集按对应的分割参数进行融合分割，确定出遥感影像整体最优分割结果；

（4）全局评价：计算影像整体最优分割结果中分割对象的H值，筛选出欠分割对象集、过分割对象集和保留分割对象集；

（5）全局细化：将欠分割对象集进行再分割，将过分割对象集进行合并，分别得到细化后的分割结果，并将细化后的分割结果与保留分割对象集进行联合，得到细化后分割结果集，并利用改进的GS值进行评价，确定出全局最优分割结果。

2.如权利要求1所述的一种融合多定量评价指标的遥感影像最优分割结果确定方法，其特征在于：所述步骤（2）中，对遥感数据进行整体评价的过程如下：

①采用多尺度分割算法进行影像分割，改变尺度参数获得25个分割结果（0-250，尺度步长设为10），并计算所分割结果的GS值，选取其最小值对应的尺度参数S，在此参数左右区间各扩充50，得到一个尺度参数区间；

其中，GS值计算公式如下：

式中，和分别代表分割结果内部对象的面积及方差，为分割结果内部对象个数，和分别代表分割结果内部对象和的灰度均值，为整幅影像的灰度均值，当和邻接时，为1，否则为0，其中，为和在波段的归一值，为波段总数，下标i=1,2，……，i；下标j=1,2，……，j；wVar和MI分别表示加权方差和莫兰指数；

②以步骤①得到的尺度参数区间为限制条件，用多尺度分割算法对研究区域的遥感影像进行影像分割，改变尺度参数获得20个分割结果（S±50，尺度步长设为5，S表示尺度参数），并计算全部分割结果的E值，其中，E值计算公式如下：

式中，和分别为分割结果内部对象在波段中不同像元灰度值，为由中两个不同像素灰度值组成的像素对的总数，和为分割结果内部对象和在波段中的灰度均值，是波段总数，和分别为的边界长度及与的公共边界长度，为分割结果内部对象的面积，为分割结果内部对象的总数，B表示波段总数；

③按照原则从步骤②中计算的E值集中选出三个较大值，确定其对应的尺度参数具体值（S1、S2、S3）；

其中的计算公式如下：

其中，表示x的增量， 表示局部峰值， 、 和 分别表 和 处的一阶导数。

3.如权利要求1所述的一种融合多定量评价指标的遥感影像最优分割结果确定方法，其特征在于，所述步骤（3）中，对初步最优分割结果集进行整体细化的过程如下：

①用多尺度分割算法对步骤（1）获得的初步最优分割结果集进行影像分割，其尺度参数为最大值，其他参数缺省，获得一次分割结果；

②以一次分割结果为专题图层，再用多尺度分割算法对初步最优分割结果集进行影像分割，其尺度参数为中间值，其他参数缺省，获得二次分割结果；

③以二次分割结果为专题图层，再用多尺度分割算法对初步最优分割结果集进行影像分割，其尺度参数为最小值，其他参数缺省，获得三次分割结果，即整体细化后的最优分割结果。

4.如权利要求1所述的一种融合多定量评价指标的遥感影像最优分割结果确定方法，其特征在于，所述步骤（4）中，对影像整体最优分割结果进行全局评价的过程如下：

用光谱角原理构建H指标，计算整体最优分割结果的所有分割子区的H值，按其H值大小排序，并对H值进行统计分析，选用 u±2σ 区分欠分割和过分割的阈值，从而得到欠分割对象集、过分割对象集和保留分割对象集；

其中，H值计算公式如下：

式中，和分别为分割结果内部对象在波段中不同像元灰度值，为由中两个不同灰度值组成的像素对总数，为分割结果内部对象的某一像素对光谱角值，为分割结果内部对象的光谱角均值，和分别为分割结果内部某对象及分割结果整体，为像素对集合，和为分割结果内部某对象和分割结果整体的光谱角值；当和邻接时，为1，否则为0；为不同对象的光谱角值，即和为分割结果内部某对象和分割结果整体的光谱角值；当和邻接时，为1，否则为0；和分别表示分割结果内部对象的局部方差和局部莫兰指数；

。

5.如权利要求1所述的一种遥感影像最优分割结果确定方法，其特征在于，所述步骤（5）中，对欠分割对象集、过分割对象集和保留分割对象集进行全局细化的过程如下：

①以欠分割对象集为专题图层，用多尺度分割算法对研究区域的遥感影像进行影像分割，尺度<min(S1、S2、S3)及步长为10，其他参数缺省，获得细化后的欠分割对象集；

②以过分割对象集为专题图层，用光谱差异分割算法对研究区域的遥感影像进行影像分割，差异值<min(S1、S2、S3)及步长为10，获得细化后的欠分割对象集；

③从细化后的欠分割对象集和细化后的欠分割对象集中任意取出一个子集与保留分割对象集融合，得到细化后分割结果；

④利用光谱角原理改进GS，从细化后的分割结果选出最小值从而确定出最优结果，

用光谱角原理改进GS，记aGS，其计算公式如下：

式中，和分别代表分割结果内部对象的面积及光谱角方差，和分别为分割结果内部对象和的光谱角值，为分割结果整体的的光谱角值；若和相邻，为1，否则为0；

。