CN110991463A

CN110991463A - 一种超像素图引导下的多尺度引导滤波特征提取方法

Info

Publication number: CN110991463A
Application number: CN201911065820.8A
Authority: CN
Inventors: 柳思聪; 胡清; 童小华; 杜谦; 谢欢; 王超; 冯永玖; 金雁敏
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2019-11-04
Filing date: 2019-11-04
Publication date: 2020-04-10
Anticipated expiration: 2039-11-04
Also published as: CN110991463B

Abstract

本发明涉及一种超像素图引导下的多尺度引导滤波特征提取方法，包括以下步骤：1)超像素引导图的构建：采用SLIC分割算法对输入影像进行分割后得到最优分割结果，并对分割后的输入影像进行主成分分析，包含最主要信息的第一主成分PC1即为超像素引导图；2)基于引导滤波的多尺度空‑谱特征提取：将第一主成分PC1作为超像素引导图，对影像的原始波段进行不同尺度下的引导滤波，得到多尺度引导滤波特征集。与现有技术相比，本发明具有构建更准确边缘信息引导图、充分利用高分辨率影像多尺度地物空间信息等优点。

Description

一种超像素图引导下的多尺度引导滤波特征提取方法

技术领域

本发明涉及高分辨率遥感影像信息处理领域，尤其是涉及一种超像素图引导下的多尺度引导滤波特征提取方法。

背景技术

近年来，卫星传感器技术的发展使得超高空间分辨率影像的获取成为可能，高分遥感影像有着广泛的应用场景，尤其是更为精细的地表要素分类。高分辨率影像具有充足的空间信息，但同时光谱信息较为缺失，因此，在分类过程中，一些细小地物能被准确判别，但由于有限波段中光谱信息和光谱变化的不足，更高的空间分辨率并非能在一定程度上提高分类精度。类内差异的增加以及类间差异的降低使得光谱信息较为近似的类别可分性变差，最终导致整体分类精度的降低。

为抑制高分辨率影像分类结果中“椒盐噪声”并提升分类精度，现有研究多聚焦于空-谱分类方法。基于数学形态学的方法已被证明了其在高分辨率影像分类中的有效性，但结构元素大小与形状的选择对最终的分类结果有极大的影响。作为高分辨率影像分类方法研究的另一大分支，面向对象方法将原始影像分为多个同质区域，并在分割后的影像上分类或通过分割边界优化逐像素的分类结果。但其分类结果太过依赖于有效分割策略以及合适分割尺度的选择。边缘保留滤波(如引导滤波)近年来在图像处理领域有着较多的应用，但是高分辨率影像分类中研究较少。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种超像素图引导下的多尺度引导滤波特征提取方法。

本发明的目的可以通过以下技术方案来实现：

一种超像素图引导下的多尺度引导滤波特征提取方法，包括以下步骤：

1)超像素引导图的构建：采用SLIC分割算法对输入影像进行分割后得到最优分割结果，并对分割后的输入影像进行主成分分析，包含最主要信息的第一主成分PC1即为超像素引导图；

2)基于引导滤波的多尺度空-谱特征提取：将第一主成分PC1作为超像素引导图，对影像的原始波段进行不同尺度下的引导滤波，得到多尺度引导滤波特征集。

所述的步骤1)具体包括以下步骤：

11)设置不同分割块个数K后采用SLIC分割算法对输入影像进行分割，得到不同尺度的分割后均值图；

12)对不同尺度的分割后均值图进行分类，对具有最优分类精度的分割后均值图进行主成分分析，获得第一主成分PC1，并将其作为超像素级引导图。

所述的步骤11)中，SLIC分割算法中分割块个数K的确定公式如下：

其中，S为聚类中心的采样间隔，N为影像中总体像元个数。

所述的步骤11)中，采用SLIC分割算法分割时通过设置可选参数m控制分割块的紧凑度。

所述的步骤11)中，SLIC分割算法通过CIELAB彩色空间的假彩色合成影像实现。

所述的步骤2)具体为：

给定滤波半径r的范围，并对输入影像X进行不同尺度下基于超像素图引导的引导滤波特征提取，即：

P(X_b)＝{P₁(X_b),P₂(X_b),…,P_r(X_b)}

Q＝{P(X₁),P(X₂),…,P(X_b)}_{b＝1,2,…,B}

其中，P(X_b)为第b个波段X_b在不同滤波半径下得到的特征集合，P_r(X_b)为第b个波段X_b在滤波半径r下得到的特征，Q为输入影像X中所有波段下P的特征总集，B为波段总数。

本发明还包括以下步骤：

3)对多尺度引导滤波特征集进行分类验证，用以评价提取特征的有效性。

所述的步骤3)中，采用支持向量机对特征总集Q进行分类，采用径向基函数核和五折交叉验证得到最终分类结果。

与现有技术相比，本发明具有以下优点：

1)实现超像素级引导图的构建：利用SLIC分割算法，生成超像素级的引导图，为滤波提供更充足准确的边缘结构信息，从而实现大尺度结构信息的保留以及小细节和噪声的去除；

2)实现多尺度引导滤波特征集构建：通过多尺度超像素级引导滤波的特征提取，对原始影像进行多尺度空间信息构建，综合高分辨率影像多尺度空间信息的表达，实现空间信息的增强。

3)本发明所构建的超像素级引导图能够提供相比像素级引导图更丰富的地物边缘结构信息，此外，引导图中对分割块的均值化处理使得每个分割对象内部具有相对均一性，因此在滤波过程中，地物的完整性能够得到更好的保留，进而提升分类性能。

附图说明

图1为本发明的整体方法流程图。

图2为苏黎世数据集，其中，图(2a)为2002年在苏黎世获取的QuickBird彩红外合成影像，图(2b)真实地表分类参考影像。

图3为苏黎世数据集中实验构建的超像素级引导图。

图4为苏黎世数据集中单尺度像素级图像引导的特征与提出超像素图像引导的特征分类结果比较。

图5为苏黎世数据集中多尺度像素级图像引导的特征与提出超像素图像引导的特征分类结果比较。

图6为苏黎世数据集中不同分类方法得到的分类图对比，其中图(6a)为基于原始影像的分类图，图(6b)为基于最优SLIC分割后均值影像的分类图，图(6c)为基于后验概率的引导滤波最优特征分类图，图(6d)为传统像素级图引导的滤波特征最优单尺度分类图，图(6e)为超像素图引导的滤波特征最优尺度分类图，图(6f)为传统像素级图引导的多尺度滤波特征分类图，(6g)为基于多尺度扩展形态学剖面特征的分类图，(6h)为基于超像素图引导的多尺度引导滤波特征分类图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，本发明提供一种基于超像素图引导下的多尺度引导滤波特征提取方法，主要由以下三个步骤组成：

(1)超像素引导图的构建

第一步旨在生成一副超像素级引导图像，以表达高分辨率影像中的空-谱信息。本发明选择简单线性迭代聚类(SLIC)算法，通过将彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，对其构造距离度量标准，根据像素间局部同质性特点对其进行聚类。算法中唯一输入参数分割块数量K确定公式为：

K＝N/S² (1)

其中，S为聚类中心的采样间隔，N为影像上的总体像元个数。分割过程基于原始影像的假彩色合成图像实现。通过设置可选参数m控制分割块的紧凑度。

给定S＝[5,30]，步长为5，得到相应的分割块数量，对不同尺度SLIC分割后的均值图进行分类，对具有最优分类精度的分割后均值图进行主成分分析，包含最主要信息的第一主成分(PC1)即为引导图像。

(2)基于引导滤波的多尺度空-谱特征提取

通过多尺度引导滤波特征提取，建立引导图像与输入影像间的局部线性关系，使得输出影像保留引导图像相应位置上的边缘信息，并通过不同大小窗口的滤波，实现不同尺度影像细节的表征。对输入影像X中第b个波段X_b采用滤波半径为1到r的窗口进行引导滤波，获得多尺度引导滤波特征集合P(X_b)：

P(X_b)＝{P₁(X_b),P₂(X_b),…,P_r(X_b)} (2)

将所有波段的多尺度引导滤波特征向量叠加得到基于引导滤波的多尺度空-谱特征总集Q：

Q＝{P(X₁),P(X₂),…,P(X_b)}_{b＝1,2,…,B} (3)

(3)将多尺度引导滤波特征总集输入进分类器进行监督分类，以评价所提取特征的有效性。本发明选择支持向量机(SVM)分类器进行监督分类，采用径向基函数核以及五折交叉验证实现最终的分类结果。其中训练样本和测试样本由真实地表分类参考影像得到。

实施例：

1、实验数据

苏黎世数据集：

实验所用真实遥感数据集为2002年在苏黎世获取的QuickBird影像。影像大小分别为833×881像素，经过全色波段与多光谱波段融合后，试验数据由四个光谱波段(红、绿、蓝、近红外)组成，空间分辨率接近0.62m。数据集由四个类别组成，分别为道路、建筑、草地、树木。通过真实地表参考影像随机生成1％的样本点作为训练样本，剩余99％的样本为测试样本。数据集的假彩色合成影像、真实地表参考影像如图(2a)和(2b)所示。

2、实验结果

苏黎世数据集

本实验中，在SLIC分割时设置可选紧凑度参数m＝30，在聚类中心采样间隔S＝15(K≈3261)时取得最优分割结果，对分割后均值影像进行主成分分析得到超像素级引导图如图3所示。给定滤波半径r范围为1-30，固定正则化参数∈＝10^-4，生成单尺度及多尺度下的空-谱引导滤波特征集合，并采用SVM对提取的特征对遥感影像进行地表覆盖要素(包括草地、建筑、道路、树木)监督分类，以评估所提取特征的有效性。

图4为单尺度像素级图像引导的滤波特征集合(pixel-GF)与本发明提出的基于超像素图引导的滤波特征集合(superpixel-GF)分类结果比较，从中发现，提出方法在分类的总体精度(OA)上明显优于传统pixel-GF的分类结果，且随着滤波半径r的增大，传统pixel-GF的分类精度急剧下降，而提出方法的分类精度下降趋势较为平缓，表明提出方法在单个尺度上具有更好表达地物信息的能力。

从图5多尺度特征叠加后的分类结果中可发现，传统多尺度pixel-GF(MPGF)和所提出的多尺度superpixel-GF(MSGF)方法随着叠加尺度的增加，整体精度分别从87.02％提升至91.98％，86.95％提升至93.24％，但提出方法在不同叠加尺度上的整体精度显著优于传统MPGF的实验结果。

表1为使用不同对比分类方法得到的实验结果，包括原始影像(Raw Bands)、最优SLIC分割后均值影像(SLIC_Raw)的基准分类结果、基于后验概率的引导滤波特征(GF-Probabilities)、pixel-GF、superpixel-GF的单尺度分类结果以及基于MPGF、MSGF、扩展形态学剖面特征(EMPs)的多尺度分类结果，其中单尺度对比方法的结果均为各自的最优结果、多尺度对比方法的结果通过统一的叠加尺度实现。从表中结果可以看出，提出方法相比基准方法整体精度分别从85.69％和88.13％提升至93.24％，且优于当前主流的单、多尺度方法(pixel-GF、superpixel-GF、GF-Probabilities、MPGF和EMPs)的分类结果，整体精度分别提升6.52％、5.45％,2.78％、1.75％和0.99％。从图6的分类结果对比图中也可直观看出提出方法具有更准确的分类结果，尤其红框圈出的区域。

表1不同对比分类方法的实验结果

本专利提出了一种基于超像素图引导下的多尺度引导滤波特征提取方法，主要包含：1)使用SLIC分割算法和主成分分析构建超像素级引导图；2)基于超像素级引导图构建多尺度引导滤波特征集合；3)采用支持向量机对特征集合进行分类验证。在真实遥感数据集上的实验结果表明了提出方法的有效性。

Claims

1.一种超像素图引导下的多尺度引导滤波特征提取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种超像素图引导下的多尺度引导滤波特征提取方法，其特征在于，所述的步骤1)具体包括以下步骤：

3.根据权利要求2所述的一种超像素图引导下的多尺度引导滤波特征提取方法，其特征在于，所述的步骤11)中，SLIC分割算法中分割块个数K的确定公式如下：

其中，S为聚类中心的采样间隔，N为影像中总体像元个数。

4.根据权利要求2所述的一种超像素图引导下的多尺度引导滤波特征提取方法，其特征在于，所述的步骤11)中，采用SLIC分割算法分割时通过设置可选参数m控制分割块的紧凑度。

5.根据权利要求2所述的一种超像素图引导下的多尺度引导滤波特征提取方法，其特征在于，所述的步骤11)中，SLIC分割算法通过CIELAB彩色空间的假彩色合成影像实现。

6.根据权利要求1所述的一种超像素图引导下的多尺度引导滤波特征提取方法，其特征在于，所述的步骤2)具体为：

P(X_b)＝{P₁(X_b)，P₂(X_b)，...，P_r(X_b)}

Q＝{P(X₁)，P(X₂)，...，P(X_b)}_{b＝1，2，...，B}

7.根据权利要求1所述的一种超像素图引导下的多尺度引导滤波特征提取方法，其特征在于，本发明还包括以下步骤：

8.根据权利要求7所述的一种超像素图引导下的多尺度引导滤波特征提取方法，其特征在于，所述的步骤3)中，采用支持向量机对特征总集Q进行分类，采用径向基函数核和五折交叉验证得到最终分类结果。