CN111696123A - 超像素分类识别的遥感图像水域分割提取方法 - Google Patents

超像素分类识别的遥感图像水域分割提取方法 Download PDF

Info

Publication number
CN111696123A
CN111696123A CN202010544451.7A CN202010544451A CN111696123A CN 111696123 A CN111696123 A CN 111696123A CN 202010544451 A CN202010544451 A CN 202010544451A CN 111696123 A CN111696123 A CN 111696123A
Authority
CN
China
Prior art keywords
image
water area
value
remote sensing
local
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
Application number
CN202010544451.7A
Other languages
English (en)
Inventor
刘秀萍
刘文平
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.)
Jingmen Huiyijia Information Technology Co ltd
Original Assignee
Jingmen Huiyijia Information Technology Co ltd
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 Jingmen Huiyijia Information Technology Co ltd filed Critical Jingmen Huiyijia Information Technology Co ltd
Priority to CN202010544451.7A priority Critical patent/CN111696123A/zh
Publication of CN111696123A publication Critical patent/CN111696123A/zh
Pending legal-status Critical Current

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明针对现有技术的遥感图像水域分割提取方法存在人为设置分割临界值导致自适应差、结果中存在大量的非水域地类、结果中存在着大量的脉冲噪声等问题，提出了超像素分类识别的遥感图像水域分割提取方法，结合改良的线性聚类超像素分割方法将遥感图像划分为若干个同质性好、布局紧凑且能较好的保持边缘信息的超像素，以超像素为特征提取单元，从光谱、纹理、地形三个角度提取遥感图像中的水域特征，更加准确的描述了水域与非水域的特征，构建典型的学习样本库，利用非线性支持向量机进行监督分类。实验结果表明本发明方法可以克服现有技术方法的弊端，显著提高遥感图像的水域分割提取精度和速度。

Description

超像素分类识别的遥感图像水域分割提取方法
技术领域
本发明涉及一种遥感图像水域分割提取方法，特别涉及一种超像素分类识别的遥感图像水域分割提取方法，属于遥感图像分割技术领域。
背景技术
水是自然生态系统的重要组成部分，是地球上人类和其它生物赖以生存的必要物质，水与人类生存发展密切联系，在农业灌溉、工业发展、水产养殖、航运交通及维系生态平衡等方面发挥着不可替代的作用。但随着全球工业快速发展、人口急剧增长、城市化进程加快，水资源被过度不合理利用，加上水资源的时空分布不平衡性和频繁发生的旱灾和洪灾，全球正面临着严重的水资源危机，因此科学、快速、准确实时的获取水资源的空间分布现状，对解决水资源危机具有巨大意义。随着遥感技术的快速发展，获取更高的空间和时间分辨率、光谱分辨率的遥感图像已不困难，通过遥感图像提取水域成为大范围的水域监测、洪涝灾害评估、湿地保护的主要手段。
现有技术的遥感图像水域分割提取方法是通过目视解译或是基于逐像素的分类方法，目视解译的方法虽能够获得较高的水域分割精度，但是其效率低，不适合大范围的水域监测工作。现有技术基于逐像素的提取方法是通过分析水和背景地物在各波段上的光谱特征差异，设置多个波段滤波器来判定水域像素，这种方法的普适性和自适应性较差，检测精度完全依赖于临界值的设置，针对不同类型、不同时相、不同区域的遥感图像需要设置特定的临界值，自动化程度很低，而且这种方法只考虑了像元的光谱信息，没有充分利用遥感图像的结构、纹理、形状等特征，不能够很好的解决遥感图像同谱异物和同物异谱现象，使分类结果存在着大量的非水域地类，误分率和漏分率都较高，遥感图像水域分割提取质量很差，且由于是逐像素的进行水域的提取，会在结果中带入大量的脉冲噪声，实际效果还会更差。
现有技术的遥感图像水域分割方法，一般包括图像分割、特征提取、有监督分类三个过程。现有技术的遥感图像分割方法主要包括单波段临界值法、水域指数法、谱间关系法、密度分割方法等。归一化水域指数基于植被与水域在近红外波段的光谱差异性，通过比值运算进一步扩大差异性，增强图像中水域与非水域的可分性，但是该方法的提取结果中混淆着大量的城市不透水面信息；单波段临界值法和水域指数法存在难以确定最佳临界值、地域限制等缺点；TM图像上居民地、山体暗影和水域都存在“GREEN+RED>NIR+SWIR”的光谱特性，通过设置适当的临界值可将三者区分开，但是存在着需要人工确定临界值的弊端。综上所述，现有技术的遥感图像水域分割方法主要是通过分析水域与背景地物的光谱特性差异，通过波段的组合计算将这种差异进一步扩大，设置适当的临界值将图像分割为水域和非水域，但明显存在人为设置分割临界值，自适应差，结果存在大量的非水域地类，结果存在着大量脉冲噪声等弊端。
现有技术对图像的处理单元大多是以单个像素作为对象，在特征提取、分类等过程中并没有考虑到像素与像素之间的空间关系，使得分类精度很低，结果存在大量的脉冲噪声，且算法的时间复杂度和空间复杂度都过高。2003年计算机视觉领域的专家提出了超像素概念，超像素是由一系列位置相邻且且满足一定的相似性准则的图像块。超像素可充分利用像素之间的纹理、光谱、形状等特征将图像中的像素进行分组，在很大程度上消除了图像的冗余信息，降低了后续的图像处理算法的复杂度，现有技术在计算机视觉及关联领域已经提出了一些超像素分割算法，大致可以归纳为两类，一类是基于梯度下降的分割方法，另一类是基于图论的方法。基于图论的图像分割算法将图像描述为数据结构中带权无向图，图像中的每个像素映射为图中的每个节点，相邻像素之间的关系映射为图中的边，超像素的分割过程就是通过建立某种准则对带权无向图上的所有节点进行划分。典型的基于图论的算法基于图像局部聚类的原理，但是采用的具体方法并不相同，各有各自的有缺点，其中Graph-based方法巧妙的利用了最小生成树的思想，超像素分割过程等价于将图划分为一个个最小生成树，这种算法的速度较快，但无法控制产生超像素的个数；Ncut方法将图不断划分为子图，寻找特定的划分使得全局代价函数最小，该算法的缺点是是算法的复杂度高。综上所述，遥感图像的分割是不定解问题，各种图像分割方法的适用范围不一致,应根据具体应用问题选择适当的分割方法。
不同地物在遥感图像上表现出不同的特征，无论是在超像素分类识别的还是逐像素的遥感图像分类过程中，特征变量的选取都是重要的步骤之一，能否从初始图像中提取出最能反映感兴趣地物的特征组合，直接决定了图像的分类精度。遥感图像记录的是地物对电磁波的反射信息和地物本身的热辐射信息，不同地物的物理结构和化学性质不一样使其在遥感图像上表现出不同的光谱特征，光谱曲线可以很好地展示出地物的光谱特性。现有技术提取光谱特征的方法主要包括比值法、典型分析方法，纹理是遥感图像中重要特征之一，纹理反映的是图像灰度的空间分布特征与灰度值无关，可以较好地克服图像的相同地物的谱线特征不同，不同地物的谱线特征相同现象，是光谱特征的重要补充。其中比值法是将感兴趣地物反射率最高的波段和最弱波段之差至于分子、之和至于分母，进一步扩大背景地物的光谱差异性，被广泛使用的归一化植被指数、归一化水域指数、改良的归一化水域指数都是通过比值方法得到的。
综上，针对现有技术存在的一些缺陷，本发明拟解决以下问题：
一是现有技术的遥感图像水域分割提取方法是通过目视解译或是基于逐像素的分类方法，目视解译的方法效率低，不适合大范围的水域监测工作。基于逐像素的提取方法的普适性和自适应性较差，检测精度完全依赖于临界值的设置，针对不同类型、不同时相、不同区域的遥感图像需要设置特定的临界值，自动化程度很低，而且这种方法只考虑了像元的光谱信息，没有充分利用遥感图像的结构、纹理、形状等特征，不能够很好的解决遥感图像同谱异物和同物异谱现象，使分类结果存在着大量的非水域地类，误分率和漏分率都较高，遥感图像水域分割提取质量很差，且由于是逐像素的进行水域的提取，会在结果中带入大量的脉冲噪声，实际效果还会更差，几乎没有使用和推广价值。
二是现有技术的遥感图像水域分割提取方法是通过分析水和背景地物在各个波段上的光谱特征差异，设置多个波段滤波器来判定水像素。这种方法的自适应性、普适性较差，检测精度完全依赖于临界值的设置，针对不同类型的遥感图像，往往需要设置特定的临界值，且这种方法仅考虑了像素的光谱信息，而忽略了与临近像素的空间纹理、结构、形状等信息，会在结果中带入脉冲噪声，使误分率和漏分率较高，实际运用中存在一系列的问题，这种方法的先天不足导致无法推广应用，方法局限性很大。
三是现有技术对图像的处理单元大多是以单个像素作为对象，在特征提取、分类等过程中并没有考虑到像素与像素之间的空间关系，使得分类精度很低，结果存在大量的脉冲噪声，且算法的时间复杂度和空间复杂度都过高，前期工作量巨大，对识别样本有苛刻的要求，算法的复杂度过高，速度太慢，实际模型的可移植性太差，而且对训练样本的数量和质量也有很高的要求。
四是现有技术的单波段临界值法、谱间关系法、水域指数法等几种遥感图像水域分割提取方法存在明显不足，人为设置分割临界值，自适应差，仅考虑光谱特征，无法解决同物异谱和异物同谱现象，使结果中存在大量的非水域地类，逐个像素提取水域，结果中存在着大量的脉冲噪声，遥感图像水域分割提取精度和速度较差。
发明内容
针对现有技术的不足，本发明提供的超像素分类识别的遥感图像水域分割提取方法，针对现有技术的遥感图像水域分割提取方法存在人为设置分割临界值导致自适应差、结果中存在大量的非水域地类、结果中存在着大量的脉冲噪声等问题，提出了超像素分类识别的遥感图像水域分割提取方法，结合改良的线性聚类超像素分割方法将遥感图像划分为若干个同质性好、布局紧凑且能较好的保持边缘信息的超像素，以超像素为特征提取单元，从光谱、纹理、地形三个角度提取遥感图像中的水域特征，更加准确地描述了水域与非水域的特征，构建典型的学习样本库，利用非线性支持向量机进行监督分类。实验结果表明超像素分类识别的遥感图像水域分割提取方法可以克服现有技术方法的弊端，显著提高遥感图像的水域分割提取精度和速度。具有普适性和可移植性，市场推广应用潜力巨大。
为达到以上技术效果，本发明所采用的技术方案如下：
超像素分类识别的遥感图像水域分割提取方法，采用超像素图像分割将遥感图像水域划分为若干个超像素，利用图像的水域特征提取方法分别从光谱、纹理、地形三个维度提取超像素的特征，通过SVM分类器训练出来的最佳分类面，将超像素分为水域和非水域；
超像素分类识别的遥感图像水域分割提取方法包括超像素图像分割、图像的水域特征提取、构建学习训练样本库和SVM驱动的监督分类四个步骤；
超像素图像分割分为两步，一是主成分降维分析的波段选取，二是基于大津法的改良线性聚类图像分割；
图像的水域特征提取从光谱特征、纹理特征、地形特征三个维度提取遥感图像中的水域特征，将超像素内所有像素的特征均值作为超像素特征值；
构建学习训练样本库中，通过目视判读在遥感图像上选取一定数目标水域和非水域的典型地物超像素，并人工标识这些超像素的具体地类，将超像素的不同特征进行归一化处理，本发明采用的归一化算法如式1所示，
B＝(A-ZXZ)/(ZDZ-ZXZ) 式1
式1中，A、B分别为转换前、转换后的值，ZDZ、ZXZ分别为某个特征的最大值和最小值,归一化使不同维度之间的特征在数值上具有可比性。
超像素分类识别的遥感图像水域分割提取方法，进一步的，SVM驱动的监督分类建立在结构风险最小化基础上的统计学习分类方法上，在特征空间内寻找满足置信条件的最佳分类面，最终通过拉格朗日对偶函数转化为求解凸二次规划问题；
在线性不可分的情形下，SVM首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构建出最佳分离超平面；
本发明采用径向核函数，通过开源计算机视觉库OpenCV中的SVM工具包实现，主要包含构建样本库、配置SVM参数、搜索最佳分类面、基于最佳分类面的分类四个步骤，具体的实现形式为：
第一步，建立样本库：构建具有典型性的学习样本库，对样本的特征进行归一化处理；
第二步，配置SVM参数：在实现SVM的过程中，设置核函数的类型，本发明采用径向核函数，还需设置算法的终止条件，SVM训练过程是在通过迭代方式求约束条件下二次优化问题的最佳解，指定一个最大迭代次数和容许误差，以允许算法在适当条件下停止计算；
第三步，搜索最佳分类面：利用第一步建立的样本库进行SVM训练，通过不断的迭代计算，当训练出的模型误差小于设定的临界值时，得到一个最佳分类面；
第四步，基于最佳分类面的分类：对于待分类的超像素，提取其特征，并且将其归一化处理，利用第三步得到的最佳分类面，将待分类的超像素划分为水域或非水域，完成分类的过程。
超像素分类识别的遥感图像水域分割提取方法，进一步的，主成分降维分析的波段选取中，一张图像在线性聚类算法中用[l,a,b,x,y]的5维特征向量进行描述，其中[l,a,b]是色彩空间特征，[x,y]描述像素点的空间位置特征，不同波段间存在一定程度的关联性，存在数据的冗余，对图像进行主成分降维分析变换，提取前三个主成分分量进行图像分割。
超像素分类识别的遥感图像水域分割提取方法，进一步的，基于大津法的改良线性聚类图像分割是同质像元合并和异质像元分离的过程，图像分割将图像分割成多个同质性好的超像素，通过式2衡量超像素的同质性，
Figure BDA0002540206450000051
式中Lc、Ac、Bc分别是超像素的第c个像素在LAB色彩空间中的像素值，对于遥感图像即是对应各波段的值，
Figure BDA0002540206450000052
是超像素在LAB色彩空间中的像素均值，n是超像素中的像素个数，D越大则超像素的同质性越弱，D越小则超像素的同质性越强；
本发明通过目视判读方法标注出分割效果不佳的水域边界，通过式2计算每个超像素的同质性，边缘信息保持较差的超像素的同质性差，这些超像素中包含了大量的异质像元，本发明利用大津法多临界值分割方法，对同质性差的超像素进行二次分割，在超像素个数较少的情形下，较好的保持图像的边缘信息，克服线性聚类算法的弊端；
基于大津法的改良线性聚类图像分割方法流程为：
步骤一，图像粗分割：利用线性聚类算法，先将图像预分割为J个较大的超像素；
步骤二，同质性计算：通过式2，计算步骤一生成的超像素的同质性；
步骤三，超像素细分割：利用大津法多临界值分割算法，对同质性差的超像素进行再次分割。
超像素分类识别的遥感图像水域分割提取方法，进一步的，光谱特征提取是提取水域和非水域在图像不同波段上的光谱特征，利用谱间关系法除去地形复杂区域水域分割提取结果中的山体暗影，水域指数法过滤去除城市区域水域分割提取结果中的植被信息，本发明以中红外波段、MNDWI指数、NDWI指数作为光谱特征组合，进行超像素分类识别的光谱特征提取。
超像素分类识别的遥感图像水域分割提取方法，进一步的，超像素分类识别的纹理特征提取分别采用灰度空间关联矩阵纹理特征和空间自关联纹理特征。
超像素分类识别的遥感图像水域分割提取方法，进一步的，灰度空间关联矩阵纹理特征提取是图像中两个像素灰度级联合分布的统计形式,反映纹理灰度级关联性的规律；
灰度空间关联矩阵反映遥感图像灰度方向、向量间隔、变化幅度的信息，分析图像局部模式结构及其排列规则，本发明提取遥感图像中纹理特征统包括均值、方差、同质性、对比度、非相似性、熵、角二阶矩、关联性，在灰度空间关联矩阵的基础上提取用来定量描述纹理特征的统计属性；
本发明灰度空间关联矩阵纹理分析综合考虑要素包括：
一是遥感图像灰度级压缩：为使灰度空间关联矩阵的维数不至于太大，先把初始遥感图像的灰度等级进行压缩，从0-255的8bit图像压缩为0-31的5bit图像，相应的灰度空间关联矩阵维数从256*256降低到32*32；
二是分析窗口大小：灰度空间关联矩阵纹理特征对于分析窗口大小敏感，分别设置3*3、5*5、7*7、9*9、11*11的窗口，分析比较灰度空间关联矩阵纹理特征提取结果；
三是移动方向选择：分析窗口的移动方向影响灰度空间关联矩阵纹理特征提取效果，分别从0度、45度、90度、135度四个方向提取灰度空间关联矩阵纹理特征，然后对相应的统计量求平均值，得到最后的灰度空间关联矩阵纹理特征；
四是波段选取：将多光谱图像进行主成分降维分析后，用第一主成分要优于使用单个波段的灰度空间关联矩阵纹理提取效果，将遥感图像的多个波段进行主成分降维分析后，用第一主成分来提取灰度空间关联矩阵纹理；
遥感图像局部的同质性通过角二阶矩、同质度、关联性进行衡量，其值越大，表明在分析窗口内的像素的灰度值差异值越小，否则反之；水域的同质性较强，在纹理特征图像上表现出高值，植被等地类的同质性较弱，表现出低值；方差、熵、非相似性、对比度是遥感图像异质性的度量，植被地类的异质性强于水域，均值提高遥感图像中所有地类的同质性，起到图像平滑的效果；灰度空间关联矩阵纹理特征存在着显著的窗口效应，当分析窗口较小时，通过灰度空间关联矩阵可获得图像细致的纹理特征，但会使纹理特征对噪声敏感；当分析窗口较大时，提取的纹理特征受图像中噪声影响较小，但是纹理特征的边缘被模糊化，无法表现地物的细节信息；在遥感图像水域分类应用中，根据图像的分辨率、分类目标、提取对象的大小设置不同的分析窗口大小。
超像素分类识别的遥感图像水域分割提取方法，进一步的，空间自关联性指标采用Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数，具体的计算模型为：
Local Getis-Ord G系数：探测地物在图像空间上的分布热点，其模型定义为：
Figure BDA0002540206450000071
式3中，aj是变量a在相邻配对像素的取值，Zij是邻接权重矩阵，e是自变量，m为像素总数；
Local Moran’s I系数：探测地物在图像局部的空间自关联性，是地物在图像局部空间上聚集性的度量，其模型定义为：
Figure BDA0002540206450000072
式4中，ai和aj是变量a在相邻配对像素的取值，
Figure BDA0002540206450000073
为变量a的平均值，Zij是邻接权重矩阵，e是自变量，m为像素总数；
Geary’s C系数：探测地物在遥感图像空间上变异性，图像的边界信息可被完整探测出来，其模型定义为：
Figure BDA0002540206450000074
上式中，ai和aj是变量a在相邻配对像素的取值，
Figure BDA0002540206450000075
为变量a的平均值，Zij是邻接权重矩阵，e是自变量，m为像素总数；
Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数都是描述图像局部空间自关联性的统计量，Local Moran’s I系数反映图像局部的同质性，值在±1之间，大于0表明具有相似灰度值的像素在空间聚集，在图像上对应于同质区，小于0表明具有不相似灰度值的像素在空间上聚集，在图像上对应于异质区；Geary’s C系数是图像空间异质性的测度，衡量距离范围e内像素的灰度值差异，值在0到2之间，1表示局部空间内的像素灰度值完全随机，不具有关联性，当相似的灰度值聚集时，Geary’s C系数值趋近于0，当不相似的灰度值聚集时，Geary’s C系数值趋近于2；Local Getis-Ord G系数是图像局部空间关联性的另一种度量，如果Local Getis-Ord G系数统计量为正，则表明是局部空间内相对于均值的高值聚集，称为热点区域，如果Local Getis-Ord G系数统计量为负，则表明是局部空间内相对于均值的低值聚集，称为冷点区域；
Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数通过空间权重矩阵Z度量像素间的距离,空间权重矩阵Z采用距离关系的权重矩阵构建方法，基于距离关系的空间权重矩阵构建通过计算两个像素间的距离，小于等于距离e的则赋值1，大于距离1的赋值为0，并且在e＝3，5，7，9，11探测距离参数对Local Getis-Ord G系数、Local Moran’sI系数、Geary’s C系数纹理特征的影响；
对于Local Moran’s I系数，水域的Local Moran’s I值高于其它地物，图像中密集的房屋建筑区也表现出较高的Local Moran’s I值，道路、植被等异质性较强，因此其Local Moran’s I值较小，Local Moran’s I系数是一种有效的同质性纹理；
对于Geary’s C系数，同质性较强的水域、密集房屋建筑区的Geary’s C值较低，而道路、植被等异质性区域及地物边缘处的Geary’s C值较高，说明Geary’s C是一种异质性纹理，可高效获得图像中的边缘信息；
对于Local Getis-Ord G系数，水域在初始遥感图像上的灰度值较低，其LocalGetis-Ord G值较低，是Local Getis-Ord G特征图像中的冷点区域，房屋建筑区在初始图像上的灰度值较高且密集分布，是Local Getis-Ord G特征图像的热点区域，通过LocalGetis-Ord G系数纹理区分图像中的水域和密集房屋建筑区，提高图像的水域检测精度；
空间自关联纹理中的参数e对应于灰度空间关联矩阵纹理中的窗口大小，较大的e值会使空间自关联纹理的边缘被模糊化，无法表现地物的细节信息；当参数e取值较小时，可获得精确的纹理信息，地物的边缘部分也能很好的表现出来，但特征图像中会包含噪声信息，在遥感图像的水域提取分类中，要根据图像的分辨率、分类目标、提取对象的大小设置不同的参数e。
超像素分类识别的遥感图像水域分割提取方法，进一步的，地形特征提取采用地形特征因子可量化描述地形特征，本发明采用的地形特征因子包括海拔高程、坡度、地势起伏度、地形粗超度、地形位指数；
一是海拔高程，海拔高程是陆地表面某一个点沿铅垂线到大地水准面的距离，是地貌形态最基本的地形特征因子之一，海拔高程的大小直接反应地貌实体的高低起伏状况；
二是坡度，坡度是局部地表坡面的倾斜程度，用垂直高差和水平距离的比值表示，是地表地貌实体的基本特征之一，坡度有二种表现形式，即以百分比的形式表现和以度分秒的形式表现，模型为：
P＝H/D*100％ P＝Arctan(H/D) 式6
式中H表示垂直高差，D表示水平距离；
三是地势起伏度，地势起伏度是指在特定区域内，最高点海拔高度与最低点海拔高度的差值，它是描述区域地形特征的宏观性指标，求地势起伏度的值，首先求出一定范围内海拔高度的最大值和最小值，然后对其求差值，地势起伏度模型如下：
F＝Hmax-Hmin 式7
式中F代表地势起伏度，Hmax代表区域内最大高程值，Hmin代表区域内最小高程值；
四是地表粗糙度，地表粗糙度反映地表的起伏变化和侵蚀程度，定义为地表单元的曲面面积与其在水平面上的投影面积之比，其模型如下：
Figure BDA0002540206450000091
式中G代表地表粗糙度，S'代表地表单元的曲面面积，S代表投影面积；
五是地形位指数，地形位指数是地表的高程和坡度特征的综合反映，其模型如下：
Figure BDA0002540206450000092
式中，D为地形位指数，H及
Figure BDA0002540206450000093
分别代表地表的高程值和区域内的平均高程值，P与P分别代表地表的坡度值和该区域内的平均坡度值，利用上式地形位综合描述地表的高程信息和坡度信息，高程低、坡度小的区域地形位小，高程高、坡度大的区域地形位大，其它组合情况的地形位则居于中间值区间；
山体暗影和水域的地形特征存在着很大的差异，同一块水域内的海拔高程、坡度、地表起伏度、地表起伏度、地形位指数均表现出低值，与此相反山体暗影在这些地形特征上均表现高值，通过地形特征除去结果中混杂的山体暗影，有效提高水域分割提取精度。
与现有技术相比，本发明的优点和创新点在于：
一是本发明提供的超像素分类识别的遥感图像水域分割提取方法，克服现有技术方法的弊端，超像素分类识别的水域分割提取最小单元不再是单个像元，而是一个个由多个同质性好的像元组成的超像素；在分类的过程中，不需要通过反复的实验寻求最佳临界值来提取水域，而是从机器学习角度研究水提取问题，把水域提取转化成分类识别问题，通过提取超像素的光谱、纹理、地形等特征，使用典型样本库训练出来的判别函数来判定待分类的超像素是否是水域，自动化程度高、自适应性强；基于超像素的分类方法不会产生脉冲噪声，减少后续人工处理的工作量，实现了高效实用的遥感图像水域分割提取方法，通过实验检验本发明具有显著的先进性、有效性和实用性。
二是本发明提供的超像素分类识别的遥感图像水域分割提取方法，针对现有技术的遥感图像水域分割提取方法存在人为设置分割临界值导致自适应差、结果中存在大量的非水域地类、结果中存在着大量的脉冲噪声等问题，提出了超像素分类识别的遥感图像水域分割提取方法，结合改良的线性聚类超像素分割方法将遥感图像划分为若干个同质性好、布局紧凑且能较好的保持边缘信息的超像素，以超像素为特征提取单元，从光谱、纹理、地形三个角度提取遥感图像中的水域特征，更加准确地描述了水域与非水域的特征，构建典型的学习样本库，利用非线性支持向量机进行监督分类。实验结果表明超像素分类识别的遥感图像水域分割提取方法可以克服现有技术方法的弊端，显著提高遥感图像的水域分割提取精度和速度。
三是本发明提供的超像素分类识别的遥感图像水域分割提取方法，在分类的过程中，特征丰富，漏分率和错分率小，山区加入地形特征除去了提取结果中混杂的山体暗影，城市加入纹理特征克服了同谱异物和同物异谱现象，过滤去除提取结果中的高精度非水域地类；在超像素个数相同的情形下，利用改良的线性聚类图像分割算法能得到更接近真实水域边界，并且能够使水域漏分率和错分率都较小，证明了本发明针对线性聚类算法的改良的有效性；本发明不需要通过人为设置临界值来判定某个超像素是否属于水域，而是利用基于结构风险最小化的学习分类方法SVM，通过样本库训练出来的判别函数来判定待分类的超像素是否是水域，自动化程度高，适合于大范围的遥感图像水域监测工作；基于超像素的分类方法不会产生脉冲噪声，减少后续人工处理的工作量，实际应用中能适应各种遥感图像，方法局限性小，具有普适性和可移植性，市场推广应用潜力巨大。
四是本发明提供的超像素分类识别的遥感图像水域分割提取方法，检测最小单元是多个具有同质性的像素组成的超像素，从机器学习角度研究水域提取，把水域提取转化成分类识别问题，提取超像素的光谱、纹理、地形特征，利用非线性支持向量机进行分类。不仅能用于标准清晰的遥感图像训练和分类，对于质量较差的遥感图像，或略有干扰的遥感图像，识别率也能保持在较高水平，误分率和漏分率都较低，算法复杂度低，很容易实现且分类效果显著，遥感图像水域分割提取质量平稳，具有良好的质量控制能力和质量保障机制，使得超像素分类识别的遥感图像水域分割提取方法更具鲁棒性和高效性。
五是本发明提供的超像素分类识别的遥感图像水域分割提取方法，结合大津法多临界值分割方法对其进行改良，对于异质性强的超像素进行了二次分割，使得在超像素个数较少的情形下，能较好的保持图像边缘信息，有效克服了原始的线性聚类算法的弊端。通过对比分析实验发现，相比于原始的线性聚类算法，改良的线性聚类算法可获得更低的欠分割误差率和更高的边缘召回率，证明了本发明改良算法是非常有效的。
附图说明
图1是本发明超像素分类识别的遥感图像水域分割提取方法的实现流程图。
图2是本发明分割效果欠佳的水域边界示意图。
图3是本发明超像素同质性空间分布示意图。
图4是本发明方法与现有技术方法的遥感图像水域分割提取结果对比图。
具体实施方式
下面结合附图，对本发明提供的超像素分类识别的遥感图像水域分割提取方法的技术方案进行进一步的描述，使本领域的技术人员可以更好的理解本发明并能予以实施。
本发明提供的超像素分类识别的遥感图像水域分割提取方法，采用超像素图像分割将遥感图像水域划分为若干个同质性好、布局紧凑且能较好的保持边缘信息的超像素，利用图像的水域特征提取方法分别从光谱、纹理、地形三个维度提取超像素的特征，通过SVM分类器训练出来的最佳分类面，将超像素分为水域和非水域，并且通过分析不同特征组合、不同图像分割方法、不同分割尺度和不同分类方法对提取精度的影响。
一、超像素分类识别的遥感图像水域分割提取流程
超像素分类识别的遥感图像水域分割提取方法包括超像素图像分割、图像的水域特征提取、构建学习训练样本库和SVM驱动的监督分类四个步骤，方法流程如图1所示：
(一)超像素图像分割
超像素图像分割分为两步，一是主成分降维分析的波段选取，二是基于大津法的改良线性聚类图像分割。
遥感图像水域信息提取方法的第一步是超像素图像分割，分割精度直接影响后续的特征提取和水域分割提取的精度。超像素分割是同质像素合并和异质像素分离的过程，将遥感图像划分为空间上互相不重叠的超像素，超像素中的像素均满足基于形状、光谱、纹理特征的相似性准则。本发明基于大津法的改良线性聚类图像分割方法是一种基于色彩和位置相似性聚类的超像素分割算法，将图像分割成一块块布局紧凑、同质性好、互不重叠的超像素。本发明实施例采用的是7个波段的遥感图像，若用所有的波段参与图像的分割，不仅不能提高分割精度，还会使分割效率降低。
不同波段之间存在一定程度的关联性，为了消除数据的冗余，本发明在图像分割前进行主成分降维分析，利用前三个主成分分波段分进行图像分割。
不同尺度下的分割精度不同，随着超像素个数的增多，遥感图像的分割精度得到提高，在相同的分割尺度下，基于大津法的改良线性聚类图像分割精度要高于原始线性聚类方法，因为基于大津法的改良线性聚类图像分割方法在图像分割的过程中检测了超像素的同质性，对同质性较差的超像素会进行再一次的分割，使分割出来的超像素能更好的保持地物的边缘信息。在后续的图像的水域特征提取、构建学习训练样本库和SVM驱动的监督分类过程中，都以超像素为对象，超像素中的所有像素都归属于同一种地物。
(二)图像的水域特征提取
基于大津法的改良线性聚类图像分割方法得到同质性好、布局紧凑且能较好保持边缘信息的超像素，超像素分类识别的遥感图像水域分割提取方法以超像素作为特征提取单元，认为超像素中所有像素的特征一样。
本发明从光谱特征、纹理特征、地形特征三个维度提取遥感图像中的水域特征，将超像素内所有像素的特征均值作为超像素特征值。
(三)构建学习训练样本库
训练样本的选取是监督分类的重要环节，通过目视判读在遥感图像上选取一定数目标水域和非水域的典型地物超像素，并人工标识这些超像素的具体地类，为避免不同特征的量纲问题，将超像素的不同特征进行归一化处理，本发明采用的归一化算法如式1所示，
B＝(A-ZXZ)/(ZDZ-ZXZ) 式1
式1中，A、B分别为转换前、转换后的值，ZDZ、ZXZ分别为某个特征的最大值和最小值,归一化使不同维度之间的特征在数值上具有可比性，能大幅提高分类器的准确性，且能够提高收敛速度。
(四)SVM驱动的监督分类
SVM是一种效率高、泛化能力强、可解决小样本学习问题的监督分类方法，SVM是建立在结构风险最小化基础上的统计学习分类方法，在特征空间内寻找满足置信条件的最佳分类面，最终通过拉格朗日对偶函数转化为求解凸二次规划问题，其解具有唯一性和全局最佳性。
在线性不可分的情形下，SVM首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构建出最佳分离超平面。
本发明采用径向核函数，通过开源计算机视觉库OpenCV中的SVM工具包实现，算法的实现主要包含构建样本库、配置SVM参数、搜索最佳分类面、基于最佳分类面的分类四个步骤，具体的实现形式为：
第一步，建立样本库：构建具有典型性的学习样本库，对样本的特征进行归一化处理，提高分类器的准确性，且能够提高收敛的速度；
第二步，配置SVM参数：在实现SVM的过程中，设置核函数的类型，本发明采用径向核函数，还需设置算法的终止条件，SVM训练过程是在通过迭代方式求约束条件下二次优化问题的最佳解，指定一个最大迭代次数和容许误差，以允许算法在适当条件下停止计算；
第三步，搜索最佳分类面：利用第一步建立的样本库进行SVM训练，通过不断的迭代计算，当训练出的模型误差小于设定的临界值时，得到一个最佳分类面。
第四步，基于最佳分类面的分类：对于待分类的超像素，提取其特征，并且将其归一化处理，利用第三步得到的最佳分类面，将待分类的超像素划分为水域或非水域，完成分类的过程。
二、超像素图像分割方法流程
(一)主成分降维分析的波段选取
一张图像在线性聚类算法中用[l,a,b,x,y]的5维特征向量进行描述，其中[l,a,b]是色彩空间特征，[x,y]描述像素点的空间位置特征。本发明实施例采用7个波段的遥感图像，若用一个7维的向量来表示图像的色彩空间特征，不但不能提高分割精度，还会使分割效率降低。不同波段间存在一定程度的关联性，存在数据的冗余，对图像进行主成分降维分析变换，提取前三个主成分分量进行图像分割。
(二)基于大津法的改良线性聚类图像分割
线性聚类算法存在的缺点包括：若超像素的个数过少，不能有效保持图像的边缘信息；若超像素的个数过多，可得到很高的边缘精度，但是会出现过拟合现象，超像素的形状变得极不规则，邻域关系无法保持，而且数目多会影响图像的后续处理效率。
图像分割是同质像元合并和异质像元分离的过程，图像分割将图像分割成多个同质性好的超像素，通过式2衡量超像素的同质性，
Figure BDA0002540206450000131
式中Lc、Ac、Bc分别是超像素的第c个像素在LAB色彩空间中的像素值，对于遥感图像即是对应各波段的值，
Figure BDA0002540206450000132
是超像素在LAB色彩空间中的像素均值，n是超像素中的像素个数，D越大则超像素的同质性越弱，D越小则超像素的同质性越强。
本发明通过目视判读方法标注出分割效果不佳的水域边界，如图2所示，通过式2计算每个超像素的同质性，图3展示了超像素同质性空间分布。由图2和图3得出，边缘信息保持较差的超像素的同质性差，这些超像素中包含了大量的异质像元。本发明正是结合这一特性，利用大津法多临界值分割方法，对同质性差的超像素进行二次分割，在超像素个数较少的情形下，较好的保持图像的边缘信息，克服线性聚类算法的弊端。
基于大津法的改良线性聚类图像分割方法流程为：
步骤一，图像粗分割：利用线性聚类算法，先将图像预分割为J个较大的超像素；
步骤二，同质性计算：通过式2，计算步骤一生成的超像素的同质性；
步骤三，超像素细分割：利用大津法多临界值分割算法，对同质性差的超像素进行再次分割。
三、图像的水域特征提取方法
在超像素分类识别的遥感图像水域分割提取方法中，特征变量的选取是遥感图像水域分割提取算法的重要步骤，不同地物在遥感图像上表现出不同特征，从形状、光谱、纹理、空间关系、地形等角度出发，利用特征提取算法从初始数据中求出最能反映水域特征组合是本发明的关键问题。基于大津法的改良线性聚类图像分割方法可得到同质性好、布局紧凑且能较好的保持边缘信息的超像素，本发明从光谱特征、纹理特征、地形特征三个维度提取遥感图像中水域的特征，为后期提高遥感图像水域分割提取效率和精度奠定基础。
(一)超像素分类识别的光谱特征提取
遥感图像记录地物对电磁波的反射信息和地物本身的热辐射信息，不同地物的物理结构和化学性质不同使其在遥感图像上表现出不同的光谱特征，因此要从遥感图像上解译出水域，需要正确提取水域和非水域在图像不同波段上的光谱特征。
水域在中红外和近红外波段上太阳辐射能量被吸收，反射到遥感传感器的能量少，在图像上表现为暗色调，而植被、建筑物、土壤典型地物的反射率高，在图像上表现出高值。利用谱间关系法除去地形复杂区域水域分割提取结果中的山体暗影，水域指数法过滤去除城市区域水域分割提取结果中的植被信息，本发明以中红外波段、MNDWI指数、NDWI指数作为光谱特征组合，进行超像素分类识别的光谱特征提取。
(二)超像素分类识别的纹理特征提取
遥感图像上存在相同地物的谱线特征不同，不同地物的谱线特征相同的现象，且不同污染程度的水域在不同时相的图像上的光谱特征存在差异，仅利用光谱特征提取水域，易使提取结果的误分率和漏分率高。利用遥感图像的纹理特征是解决相同地物的谱线特征不同，不同地物的谱线特征相同现象的有效途径，弥补光谱信息的不足。纹理是遥感图像中大量规律性很强或很弱的相似元素，为图像灰度在空间域的变化和重复。每种地物具有特有的纹理结构，通过纹理特征可有效提高水域提取精度。
超像素分类识别的纹理特征提取分别采用灰度空间关联矩阵纹理特征和空间自关联纹理特征。
(1)灰度空间关联矩阵纹理特征
灰度空间关联矩阵纹理特征提取是图像中两个像素灰度级联合分布的统计形式,反映纹理灰度级关联性的规律。
灰度空间关联矩阵反映遥感图像灰度方向、向量间隔、变化幅度的信息，分析图像局部模式结构及其排列规则，本发明提取遥感图像中纹理特征统包括均值、方差、同质性、对比度、非相似性、熵、角二阶矩、关联性。
但它并不能直接提供区别纹理的特性，因此需要在灰度空间关联矩阵的基础上提取用来定量描述纹理特征的统计属性。
均值反映窗口内的像素平均灰度值；方差、标准差是像素值与均值偏差的度量，当图像中灰度变化较大时，方差、标准差值较大，灰度变化较小时，则方差、标准差的值较小；同质度是图像局部灰度均匀性的度量，若图像局部的灰度均匀，同质度取值较大，否则反之；对比度反映图像中局部灰度变化总量，局部像素对的灰度差别越大，则图像的对比度越大，图像的视觉效果越清晰；非相似性度量与对比度相类似，但是线性增加，局部的对比度越高，则非相似度也越高，否则反之；熵是图像所具有信息量的度量，是测量灰度级分布随机性的特征参数，表征图像中纹理的复杂程度，图像的纹理越复杂，熵值越大，反之图像中的灰度越均匀，则熵值就越小；角二阶矩是图像灰度分布均匀性的度量，当灰度空间关联矩阵中元素分布集中于主对角线附近时，局部区域内图像灰度分布较均匀，角二阶矩值相应较大，若空间关联矩阵的所有值均相等，则角二阶矩值较小；关联性描述灰度空间关联矩阵中行或列元素之间的相似度，反映灰度值沿某方向的延伸长度，若延伸的越长，则关联性越大，关联性是灰度线性关系的度量。
本发明灰度空间关联矩阵纹理分析综合考虑以下要素：
一是遥感图像灰度级压缩：为使灰度空间关联矩阵的维数不至于太大，先把初始遥感图像的灰度等级进行压缩，实施例从0-255的8bit图像压缩为0-31的5bit图像，相应的灰度空间关联矩阵维数从256*256降低到32*32；
二是分析窗口大小：灰度空间关联矩阵纹理特征对于分析窗口大小敏感，本发明分别设置3*3、5*5、7*7、9*9、11*11的窗口，分析比较灰度空间关联矩阵纹理特征提取结果；
三是移动方向选择：分析窗口的移动方向影响灰度空间关联矩阵纹理特征提取效果，本发明分别从0度、45度、90度、135度四个方向提取灰度空间关联矩阵纹理特征，然后对相应的统计量求平均值，得到最后的灰度空间关联矩阵纹理特征。
四是波段选取：将多光谱图像进行主成分降维分析后，用第一主成分要优于使用单个波段的灰度空间关联矩阵纹理提取效果，因此本发明将遥感图像的多个波段进行主成分降维分析后，用第一主成分来提取灰度空间关联矩阵纹理。
遥感图像局部的同质性通过角二阶矩、同质度、关联性进行衡量，其值越大，表明在分析窗口内的像素的灰度值差异值越小，否则反之。水域的同质性较强，在纹理特征图像上表现出高值，植被等地类的同质性较弱，表现出低值；方差、熵、非相似性、对比度是遥感图像异质性的度量，植被地类的异质性强于水域，均值提高遥感图像中所有地类的同质性，起到图像平滑的效果。通过观察，灰度空间关联矩阵纹理特征存在着显著的窗口效应，当分析窗口较小时，通过灰度空间关联矩阵可获得图像细致的纹理特征，但会使纹理特征对噪声敏感；当分析窗口较大时，提取的纹理特征受图像中噪声影响较小，但是纹理特征的边缘被模糊化，无法表现地物的细节信息。在遥感图像水域分类应用中，根据图像的分辨率、分类目标、提取对象的大小设置不同的分析窗口大小。
本发明采用分析窗口为3*3提取灰度空间关联矩阵纹理特征。
(2)空间自关联纹理特征
地物存在空间自关联性，在遥感图像上表现为像素灰度值随测定距离的缩小而变得更相似或更不同。本发明图像空间自关联性指标采用Local Getis-Ord G系数、LocalMoran’s I系数、Geary’s C系数，具体的计算模型为：
Local Getis-Ord G系数：探测地物在图像空间上的分布热点，其模型定义为：
Figure BDA0002540206450000161
式3中，aj是变量a在相邻配对像素的取值，Zij是邻接权重矩阵，e是自变量，m为像素总数。
Local Moran’s I系数：探测地物在图像局部的空间自关联性，是地物在图像局部空间上聚集性的度量，其模型定义为：
Figure BDA0002540206450000171
式4中，ai和aj是变量a在相邻配对像素的取值，
Figure BDA0002540206450000172
为变量a的平均值，Zij是邻接权重矩阵，e是自变量，m为像素总数。
Geary’s C系数：探测地物在遥感图像空间上变异性，图像的边界信息可被完整探测出来，其模型定义为：
Figure BDA0002540206450000173
上式中，ai和aj是变量a在相邻配对像素的取值，
Figure BDA0002540206450000174
为变量a的平均值，Zij是邻接权重矩阵，e是自变量，m为像素总数。
Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数都是描述图像局部空间自关联性的统计量，Local Moran’s I系数反映图像局部的同质性，值在±1之间，大于0表明具有相似灰度值的像素在空间聚集，在图像上对应于同质区，小于0表明具有不相似灰度值的像素在空间上聚集，在图像上对应于异质区；Geary’s C系数是图像空间异质性的测度，衡量距离范围e内像素的灰度值差异，值在0到2之间，1表示局部空间内的像素灰度值完全随机，不具有关联性，当相似的灰度值聚集时，Geary’s C系数值趋近于0，当不相似的灰度值聚集时，Geary’s C系数值趋近于2；Local Getis-Ord G系数是图像局部空间关联性的另一种度量，如果Local Getis-Ord G系数统计量为正，则表明是局部空间内相对于均值的高值聚集，称为热点区域，如果Local Getis-Ord G系数统计量为负，则表明是局部空间内相对于均值的低值聚集，称为冷点区域。
Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数通过空间权重矩阵Z度量像素间的距离,空间权重矩阵Z采用距离关系的权重矩阵构建方法，基于距离关系的空间权重矩阵构建通过计算两个像素间的距离，小于等于距离e的则赋值1，大于距离1的赋值为0，并且在e＝3，5，7，9，11探测距离参数对Local Getis-Ord G系数、Local Moran’sI系数、Geary’s C系数纹理特征的影响。
对比不同地物的Local Moran’s I系数发现，水域的Local Moran’s I值高于其它地物，图像中密集的房屋建筑区也表现出较高的Local Moran’s I值，道路、植被等异质性较强，因此其Local Moran’s I值较小，通过以上分析证明Local Moran’s I系数是一种有效的同质性纹理。
对于Geary’s C系数，同质性较强的水域、密集房屋建筑区的Geary’s C值较低，而道路、植被等异质性区域及地物边缘处的Geary’s C值较高，充分说明Geary’s C是一种异质性纹理，可高效获得图像中的边缘信息。
对于Local Getis-Ord G系数，由于水域在初始遥感图像上的灰度值较低，因此其Local Getis-Ord G值较低，是Local Getis-Ord G特征图像中的冷点区域，房屋建筑区在初始图像上的灰度值较高且密集分布，是Local Getis-Ord G特征图像的热点区域，所以通过Local Getis-Ord G系数纹理区分图像中的水域和密集房屋建筑区，提高图像的水域检测精度。
空间自关联纹理中的参数e对应于灰度空间关联矩阵纹理中的窗口大小，较大的e值会使空间自关联纹理的边缘被模糊化，无法表现地物的细节信息；当参数e取值较小时，可获得精确的纹理信息，地物的边缘部分也能很好的表现出来，但特征图像中会包含噪声信息。因此在遥感图像的水域提取分类中，要根据图像的分辨率、分类目标、提取对象的大小设置不同的参数e。本发明实施例利用e为3的空间自关联纹理参与水域分割提取。
(三)超像素分类识别的地形特征提取
遥感图像上地形复杂区域的山体暗影和水域不但光谱特征相似，而且纹理特征也相似，因此利用地物的光谱特征和纹理特征差异，会使得水域分割提取结果中混杂大量的山体暗影。而水域和山体暗影具有显著的地形特征差异，充分利用地形信息是本发明解决上述问题的有效途径。地形特征因子可量化地描述地形特征，本发明采用的地形特征因子包括海拔高程、坡度、地势起伏度、地形粗超度、地形位指数。
(1)海拔高程，海拔高程是陆地表面某一个点沿铅垂线到大地水准面的距离，是地貌形态最基本的地形特征因子之一，海拔高程的大小直接反应地貌实体的高低起伏状况。
(2)坡度，坡度是局部地表坡面的倾斜程度，用垂直高差和水平距离的比值表示，是地表地貌实体的基本特征之一，坡度有二种表现形式，即以百分比的形式表现和以度分秒的形式表现，模型为：
P＝H/D*100％ P＝Arctan(H/D) 式6
式中H表示垂直高差，D表示水平距离。
(3)地势起伏度，地势起伏度是指在特定区域内，最高点海拔高度与最低点海拔高度的差值，它是描述区域地形特征的宏观性指标，求地势起伏度的值，首先求出一定范围内海拔高度的最大值和最小值，然后对其求差值，地势起伏度模型如下：
F＝Hmax-Hmin 式7
式中F代表地势起伏度，Hmax代表区域内最大高程值，Hmin代表区域内最小高程值。
(4)地表粗糙度，地表粗糙度反映地表的起伏变化和侵蚀程度，定义为地表单元的曲面面积与其在水平面上的投影面积之比，其模型如下：
Figure BDA0002540206450000191
式中G代表地表粗糙度，S'代表地表单元的曲面面积，S代表投影面积。
(5)地形位指数，地形位指数是地表的高程和坡度特征的综合反映，其模型如下：
Figure BDA0002540206450000192
式中，D为地形位指数，H及
Figure BDA0002540206450000193
分别代表地表的高程值和区域内的平均高程值，P与P分别代表地表的坡度值和该区域内的平均坡度值。利用上式地形位综合描述地表的高程信息和坡度信息，高程低、坡度小的区域地形位小，高程高、坡度大的区域地形位大，其它组合情况的地形位则居于中间值区间。
山体暗影和水域的地形特征存在着很大的差异，由于水的流动性，同一块水域内的海拔高程、坡度、地表起伏度、地表起伏度、地形位指数均表现出低值，与此相反山体暗影在这些地形特征上均表现高值。因此通过地形特征除去结果中混杂的山体暗影，有效提高水域分割提取精度。
超像素分类识别的遥感图像水域特征提取包括灰度空间关联矩阵纹理特征、空间自关联纹理特征、地形特征的提取方法，并且分别测试不同参数对于特征提取结果的影响，包括灰度空间关联矩阵纹理特征中窗口大小、空间自关联纹理特征的距离参数e。超像素分类识别的遥感图像水域特征提取结论为：一是利用水域的光谱特征，可初步提取遥感图像中的水域信息，但不能解决相同地物的谱线特征不同，不同地物的谱线特征相同的现象，提取结果中混杂着大量非水域信息；二是利用水域的纹理特性可较好地克服地物的谱线特征不同，不同地物的谱线特征相同的现象，在图像中水域的同质性强于其它地物，在角二阶矩、同质度、关联性灰度空间关联矩阵的特征图像及Local Moran’s I特征图像中表现出高值，在方差、熵、非相似性、对比度等灰度空间关联矩阵特征图像和Geary’s C特征图像中表现出低值，通过这些特征可将图像中水域与其它地物区分开，纹理特征存在显著的尺度效应，大尺度的纹理会使空间自关联纹理的边缘被模糊化，无法表现出地物的细节信息，小尺度的纹理很好的将地物的边缘信息表示出来，但是特征图像中会包含噪声信息，设置不同的灰度空间关联矩阵纹理分析窗口及空间自关联纹理的距离参数e获得适宜尺度的纹理；三是图像上地形复杂区域的山体暗影和水域的光谱特征和纹理特征相似，仅利用地物的光谱特征和纹理特征差异提取水域，会使结果中混杂着大量的山体暗影，但山体暗影和水域的地形特征存在很大的差异，在同一块水域内的高程、坡度、地表起伏度、地表起伏度、地形位指数地形特征均表现出低值，山体暗影在这些地形特征上均表现高值，因此在分类的过程中融入地形特征有效的除去结果中的山体暗影。
四、实验结果和分析
为比较不同的特征组合、不同遥感图像分割方法、不同分割尺度和不同分类提取方法对提取城市(包含大量的水面)、山区(包含大量的山体暗影)中水域精度的影响，本发明分别以漏分率和错分率两个指标来定量评价提取精度。
实验比较了本发明提出的遥感图像水域分割提取方法与现有技术的谱间关系法、MNDZI法的水域分割提取精度，在遥感图像分类识别的分类实验中，分割算法为本发明改良的线性聚类算法，分割尺度为4000，特征组合为“光谱+纹理+地形；现有技术方法的按照常规最佳效果设置，本发明提出的遥感图像水域分割提取方法分割提取精度要显著优于现有技术的方法，漏分率和错分率都较小，相比于现有技术的方法，超像素分类识别的方法不需要设置临界值，利用样本库训练出来的判别函数判定待分类的超像素是否是水域，自动化程度高，适合于大范围的水域监测工作；由图4可知，本发明提出的面向对象方法不会产生脉冲噪声，减少后续人工处理的工作量，克服了现有技术方法的弊端。
本发明提出了一种超像素分类识别的遥感图像水域分割提取方法，该方法包括超像素分割、图像的水域特征提取、构建学习训练样本库、SVM驱动的监督分类四个步骤。在实验的过程中，本发明分别利用初始的线性聚类及改良的线性聚类图像分割方法将研究区域划分为同质性好、布局紧凑且能较好地保持边缘信息的超像素，从光谱、纹理、地形三个维度提取超像素的特征，通过目视判读的方法构建了水域的典型训练样本库，通过SVM分类器训练出水域的判别最佳分类面函数，将待分类的超像素分为水域和非水域。通过对比分析实验探讨不同特征组合、不同图像分割方法、不同分割尺度和不同分类方法对水域提取精度的影响，通过水域漏分率和错分率定量评价提取精度，得到以下结论：
一是在分类的过程中，特征越丰富，漏分率和错分率越小，山区加入地形特征可除去提取结果中混杂的山体暗影，城市加入纹理特征可有效的克服同谱异物和同物异谱现象，过滤去除提取结果中的非水域地类；二是在超像素个数相同的情形下，利用改良的线性聚类图像分割算法能得到更接近真实水域边界，并且能够使水域漏分率和错分率都较小，进一步证明了本发明针对线性聚类算法的改良的有效性；三是遥感图像的分割尺度影响水域的最终提取精度，同一张遥感图像分割的超像素个数越多，得到的水域漏分率和错分率都会越低，但超像素的个数太多，会增加分类的时间；四是本发明提出的超像素分类识别的水域分割提取方法，不需要通过人为设置临界值来判定某个超像素是否属于水域，而是利用基于结构风险最小化的学习分类方法SVM，通过样本库训练出来的判别函数来判定待分类的超像素是否是水域，自动化程度高，适合于大范围的遥感图像水域监测工作；五是基于超像素的分类方法不会产生脉冲噪声，减少后续人工处理的工作量，克服了现有技术的弊端。
本发明基于灰度空间关联矩阵纹理特征、空间自关联纹理特征、地形特征的提取方法，分别测试了不同参数对于特征提取结果的影响，如灰度空间关联矩阵纹理特征中窗口大小、空间自关联纹理特征的距离参数，提出了超像素分类识别的遥感图像水域分割提取方法，该方法包括超像素分割、图像的水域特征提取、构建学习训练样本库和基于SVM的监督分类四个步骤，并通过对比分析实验探讨了不同特征组合、不同图像分割方法、不同分割尺度及不同分类方法对提取精度的影响，以水域漏分率和错分率定量评价提取精度。结果表明，本发明的超像素分类识别的遥感图像水域分割提取方法具有以下优点：一是通过机器学习方法SVM实现自动化分类，无需人为设置临界值，自动化程度高；二是超像素分类识别的分类方法的最小分类单元是同质性好的超像素，分类的结果中不存在脉冲噪声，减少后续人工处理的工作量；三是在分类的过程中，综合利用了水域的光谱特征、纹理特征、地形特征，有效的解决了同谱异物和同物异谱现象；四是本发明遥感图像水域分割提取精度和速度大幅提高。

Claims (9)

1.超像素分类识别的遥感图像水域分割提取方法，其特征在于，采用超像素图像分割将遥感图像水域划分为若干个超像素，利用图像的水域特征提取方法分别从光谱、纹理、地形三个维度提取超像素的特征，通过SVM分类器训练出来的最佳分类面，将超像素分为水域和非水域；
超像素分类识别的遥感图像水域分割提取方法包括超像素图像分割、图像的水域特征提取、构建学习训练样本库和SVM驱动的监督分类四个步骤；
超像素图像分割分为两步，一是主成分降维分析的波段选取，二是基于大津法的改良线性聚类图像分割；
图像的水域特征提取从光谱特征、纹理特征、地形特征三个维度提取遥感图像中的水域特征，将超像素内所有像素的特征均值作为超像素特征值；
构建学习训练样本库中，通过目视判读在遥感图像上选取一定数目标水域和非水域的典型地物超像素，并人工标识这些超像素的具体地类，将超像素的不同特征进行归一化处理，本发明采用的归一化算法如式1所示，
B＝(A-ZXZ)/(ZDZ-ZXZ) 式1
式1中，A、B分别为转换前、转换后的值，ZDZ、ZXZ分别为某个特征的最大值和最小值,归一化使不同维度之间的特征在数值上具有可比性。
2.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，SVM驱动的监督分类建立在结构风险最小化基础上的统计学习分类方法上，在特征空间内寻找满足置信条件的最佳分类面，最终通过拉格朗日对偶函数转化为求解凸二次规划问题；
在线性不可分的情形下，SVM首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维特征空间中构建出最佳分离超平面；
本发明采用径向核函数，通过开源计算机视觉库OpenCV中的SVM工具包实现，主要包含构建样本库、配置SVM参数、搜索最佳分类面、基于最佳分类面的分类四个步骤，具体的实现形式为：
第一步，建立样本库：构建具有典型性的学习样本库，对样本的特征进行归一化处理；
第二步，配置SVM参数：在实现SVM的过程中，设置核函数的类型，本发明采用径向核函数，还需设置算法的终止条件，SVM训练过程是在通过迭代方式求约束条件下二次优化问题的最佳解，指定一个最大迭代次数和容许误差，以允许算法在适当条件下停止计算；
第三步，搜索最佳分类面：利用第一步建立的样本库进行SVM训练，通过不断的迭代计算，当训练出的模型误差小于设定的临界值时，得到一个最佳分类面；
第四步，基于最佳分类面的分类：对于待分类的超像素，提取其特征，并且将其归一化处理，利用第三步得到的最佳分类面，将待分类的超像素划分为水域或非水域，完成分类的过程。
3.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，主成分降维分析的波段选取中，一张图像在线性聚类算法中用[l,a,b,x,y]的5维特征向量进行描述，其中[l,a,b]是色彩空间特征，[x,y]描述像素点的空间位置特征，不同波段间存在一定程度的关联性，存在数据的冗余，对图像进行主成分降维分析变换，提取前三个主成分分量进行图像分割。
4.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，基于大津法的改良线性聚类图像分割是同质像元合并和异质像元分离的过程，图像分割将图像分割成多个同质性好的超像素，通过式2衡量超像素的同质性，
Figure FDA0002540206440000021
式中Lc、Ac、Bc分别是超像素的第c个像素在LAB色彩空间中的像素值，对于遥感图像即是对应各波段的值，
Figure FDA0002540206440000022
是超像素在LAB色彩空间中的像素均值，n是超像素中的像素个数，D越大则超像素的同质性越弱，D越小则超像素的同质性越强；
本发明通过目视判读方法标注出分割效果不佳的水域边界，通过式2计算每个超像素的同质性，边缘信息保持较差的超像素的同质性差，这些超像素中包含了大量的异质像元，本发明利用大津法多临界值分割方法，对同质性差的超像素进行二次分割，在超像素个数较少的情形下，较好的保持图像的边缘信息，克服线性聚类算法的弊端；
基于大津法的改良线性聚类图像分割方法流程为：
步骤一，图像粗分割：利用线性聚类算法，先将图像预分割为J个较大的超像素；
步骤二，同质性计算：通过式2，计算步骤一生成的超像素的同质性；
步骤三，超像素细分割：利用大津法多临界值分割算法，对同质性差的超像素进行再次分割。
5.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，光谱特征提取是提取水域和非水域在图像不同波段上的光谱特征，利用谱间关系法除去地形复杂区域水域分割提取结果中的山体暗影，水域指数法过滤去除城市区域水域分割提取结果中的植被信息，本发明以中红外波段、MNDWI指数、NDWI指数作为光谱特征组合，进行超像素分类识别的光谱特征提取。
6.根据权利要求1所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，超像素分类识别的纹理特征提取分别采用灰度空间关联矩阵纹理特征和空间自关联纹理特征。
7.根据权利要求6所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，灰度空间关联矩阵纹理特征提取是图像中两个像素灰度级联合分布的统计形式,反映纹理灰度级关联性的规律；
灰度空间关联矩阵反映遥感图像灰度方向、向量间隔、变化幅度的信息，分析图像局部模式结构及其排列规则，本发明提取遥感图像中纹理特征统包括均值、方差、同质性、对比度、非相似性、熵、角二阶矩、关联性，在灰度空间关联矩阵的基础上提取用来定量描述纹理特征的统计属性；
本发明灰度空间关联矩阵纹理分析综合考虑要素包括：
一是遥感图像灰度级压缩：为使灰度空间关联矩阵的维数不至于太大，先把初始遥感图像的灰度等级进行压缩，从0-255的8bit图像压缩为0-31的5bit图像，相应的灰度空间关联矩阵维数从256*256降低到32*32；
二是分析窗口大小：灰度空间关联矩阵纹理特征对于分析窗口大小敏感，分别设置3*3、5*5、7*7、9*9、11*11的窗口，分析比较灰度空间关联矩阵纹理特征提取结果；
三是移动方向选择：分析窗口的移动方向影响灰度空间关联矩阵纹理特征提取效果，分别从0度、45度、90度、135度四个方向提取灰度空间关联矩阵纹理特征，然后对相应的统计量求平均值，得到最后的灰度空间关联矩阵纹理特征；
四是波段选取：将多光谱图像进行主成分降维分析后，用第一主成分要优于使用单个波段的灰度空间关联矩阵纹理提取效果，将遥感图像的多个波段进行主成分降维分析后，用第一主成分来提取灰度空间关联矩阵纹理；
遥感图像局部的同质性通过角二阶矩、同质度、关联性进行衡量，其值越大，表明在分析窗口内的像素的灰度值差异值越小，否则反之；水域的同质性较强，在纹理特征图像上表现出高值，植被等地类的同质性较弱，表现出低值；方差、熵、非相似性、对比度是遥感图像异质性的度量，植被地类的异质性强于水域，均值提高遥感图像中所有地类的同质性，起到图像平滑的效果；灰度空间关联矩阵纹理特征存在着显著的窗口效应，当分析窗口较小时，通过灰度空间关联矩阵可获得图像细致的纹理特征，但会使纹理特征对噪声敏感；当分析窗口较大时，提取的纹理特征受图像中噪声影响较小，但是纹理特征的边缘被模糊化，无法表现地物的细节信息；在遥感图像水域分类应用中，根据图像的分辨率、分类目标、提取对象的大小设置不同的分析窗口大小。
8.根据权利要求6所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，空间自关联性指标采用Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数，具体的计算模型为：
Local Getis-Ord G系数：探测地物在图像空间上的分布热点，其模型定义为：
Figure FDA0002540206440000041
式3中，aj是变量a在相邻配对像素的取值，Zij是邻接权重矩阵，e是自变量，m为像素总数；
Local Moran’s I系数：探测地物在图像局部的空间自关联性，是地物在图像局部空间上聚集性的度量，其模型定义为：
Figure FDA0002540206440000042
式4中，ai和aj是变量a在相邻配对像素的取值，
Figure FDA0002540206440000044
为变量a的平均值，Zij是邻接权重矩阵，e是自变量，m为像素总数；
Geary’s C系数：探测地物在遥感图像空间上变异性，图像的边界信息可被完整探测出来，其模型定义为：
Figure FDA0002540206440000043
上式中，ai和aj是变量a在相邻配对像素的取值，
Figure FDA0002540206440000045
为变量a的平均值，Zij是邻接权重矩阵，e是自变量，m为像素总数；
Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数都是描述图像局部空间自关联性的统计量，Local Moran’s I系数反映图像局部的同质性，值在±1之间，大于0表明具有相似灰度值的像素在空间聚集，在图像上对应于同质区，小于0表明具有不相似灰度值的像素在空间上聚集，在图像上对应于异质区；Geary’s C系数是图像空间异质性的测度，衡量距离范围e内像素的灰度值差异，值在0到2之间，1表示局部空间内的像素灰度值完全随机，不具有关联性，当相似的灰度值聚集时，Geary’s C系数值趋近于0，当不相似的灰度值聚集时，Geary’s C系数值趋近于2；Local Getis-Ord G系数是图像局部空间关联性的另一种度量，如果Local Getis-Ord G系数统计量为正，则表明是局部空间内相对于均值的高值聚集，称为热点区域，如果Local Getis-Ord G系数统计量为负，则表明是局部空间内相对于均值的低值聚集，称为冷点区域；
Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数通过空间权重矩阵Z度量像素间的距离,空间权重矩阵Z采用距离关系的权重矩阵构建方法，基于距离关系的空间权重矩阵构建通过计算两个像素间的距离，小于等于距离e的则赋值1，大于距离1的赋值为0，并且在e＝3，5，7，9，11探测距离参数对Local Getis-Ord G系数、Local Moran’s I系数、Geary’s C系数纹理特征的影响；
对于Local Moran’s I系数，水域的Local Moran’s I值高于其它地物，图像中密集的房屋建筑区也表现出较高的LocalMoran’s I值，道路、植被等异质性较强，因此其LocalMoran’s I值较小，Local Moran’s I系数是一种有效的同质性纹理；
对于Geary’s C系数，同质性较强的水域、密集房屋建筑区的Geary’s C值较低，而道路、植被等异质性区域及地物边缘处的Geary’s C值较高，说明Geary’s C是一种异质性纹理，可高效获得图像中的边缘信息；
对于LocalGetis-Ord G系数，水域在初始遥感图像上的灰度值较低，其LocalGetis-Ord G值较低，是Local Getis-Ord G特征图像中的冷点区域，房屋建筑区在初始图像上的灰度值较高且密集分布，是Local Getis-Ord G特征图像的热点区域，通过Local Getis-Ord G系数纹理区分图像中的水域和密集房屋建筑区，提高图像的水域检测精度；
空间自关联纹理中的参数e对应于灰度空间关联矩阵纹理中的窗口大小，较大的e值会使空间自关联纹理的边缘被模糊化，无法表现地物的细节信息；当参数e取值较小时，可获得精确的纹理信息，地物的边缘部分也能很好的表现出来，但特征图像中会包含噪声信息，在遥感图像的水域提取分类中，要根据图像的分辨率、分类目标、提取对象的大小设置不同的参数e。
9.根据权利要求6所述的超像素分类识别的遥感图像水域分割提取方法，其特征在于，地形特征提取采用地形特征因子可量化描述地形特征，本发明采用的地形特征因子包括海拔高程、坡度、地势起伏度、地形粗超度、地形位指数；
一是海拔高程，海拔高程是陆地表面某一个点沿铅垂线到大地水准面的距离，是地貌形态最基本的地形特征因子之一，海拔高程的大小直接反应地貌实体的高低起伏状况；
二是坡度，坡度是局部地表坡面的倾斜程度，用垂直高差和水平距离的比值表示，是地表地貌实体的基本特征之一，坡度有二种表现形式，即以百分比的形式表现和以度分秒的形式表现，模型为：
P＝H/D*100％ P＝Arctan(H/D) 式6
式中H表示垂直高差，D表示水平距离；
三是地势起伏度，地势起伏度是指在特定区域内，最高点海拔高度与最低点海拔高度的差值，它是描述区域地形特征的宏观性指标，求地势起伏度的值，首先求出一定范围内海拔高度的最大值和最小值，然后对其求差值，地势起伏度模型如下：
F＝Hmax-Hmin 式7
式中F代表地势起伏度，Hmax代表区域内最大高程值，Hmin代表区域内最小高程值；
四是地表粗糙度，地表粗糙度反映地表的起伏变化和侵蚀程度，定义为地表单元的曲面面积与其在水平面上的投影面积之比，其模型如下：
Figure FDA0002540206440000061
式中G代表地表粗糙度，S'代表地表单元的曲面面积，S代表投影面积；
五是地形位指数，地形位指数是地表的高程和坡度特征的综合反映，其模型如下：
Figure FDA0002540206440000062
式中，D为地形位指数，H及
Figure FDA0002540206440000063
分别代表地表的高程值和区域内的平均高程值，P与
Figure FDA0002540206440000064
分别代表地表的坡度值和该区域内的平均坡度值，利用上式地形位综合描述地表的高程信息和坡度信息，高程低、坡度小的区域地形位小，高程高、坡度大的区域地形位大，其它组合情况的地形位则居于中间值区间；
山体暗影和水域的地形特征存在着很大的差异，同一块水域内的海拔高程、坡度、地表起伏度、地表起伏度、地形位指数均表现出低值，与此相反山体暗影在这些地形特征上均表现高值，通过地形特征除去结果中混杂的山体暗影，有效提高水域分割提取精度。
CN202010544451.7A 2020-06-15 2020-06-15 超像素分类识别的遥感图像水域分割提取方法 Pending CN111696123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010544451.7A CN111696123A (zh) 2020-06-15 2020-06-15 超像素分类识别的遥感图像水域分割提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010544451.7A CN111696123A (zh) 2020-06-15 2020-06-15 超像素分类识别的遥感图像水域分割提取方法

Publications (1)

Publication Number Publication Date
CN111696123A true CN111696123A (zh) 2020-09-22

Family

ID=72481260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010544451.7A Pending CN111696123A (zh) 2020-06-15 2020-06-15 超像素分类识别的遥感图像水域分割提取方法

Country Status (1)

Country Link
CN (1) CN111696123A (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053371A (zh) * 2020-09-29 2020-12-08 成都星时代宇航科技有限公司 一种遥感图像中的水体提取方法和装置
CN112183505A (zh) * 2020-11-30 2021-01-05 江苏久智环境科技服务有限公司 一种面向智慧园林的无人机航拍目标识别方法
CN112232138A (zh) * 2020-09-25 2021-01-15 天津大学 基于超像素特征的渠道边坡破坏智能识别方法
CN112241692A (zh) * 2020-09-25 2021-01-19 天津大学 基于航拍图超像素纹理的渠道异物智能检测与分类方法
CN112329596A (zh) * 2020-11-02 2021-02-05 中国平安财产保险股份有限公司 目标物定损方法、装置、电子设备及计算机可读存储介质
CN112634381A (zh) * 2020-12-21 2021-04-09 深圳雷霆数字娱乐有限公司 一种游戏中随机地图贴图的生成方法、装置、可读存储介质及计算机软件程序产品
CN112699240A (zh) * 2020-12-31 2021-04-23 荆门汇易佳信息科技有限公司 中文情感特征词智能动态发掘和归类方法
CN113095213A (zh) * 2021-04-09 2021-07-09 重庆零壹空间科技集团有限公司 一种消落带变化监测方法
CN113538425A (zh) * 2021-09-16 2021-10-22 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 可通行水域分割设备、图像分割模型训练和图像分割方法
CN113673441A (zh) * 2021-08-23 2021-11-19 王彬 定量变差纹理驱动的高分遥感图像分类法
CN113781501A (zh) * 2021-09-14 2021-12-10 西安电子科技大学 一种自适应极化sar图像超像素分割方法及系统
CN114462542A (zh) * 2022-02-14 2022-05-10 长光禹辰信息技术与装备(青岛)有限公司 一种基于局部差异性分析的小目标识别精度优化方法
CN114511791A (zh) * 2022-04-20 2022-05-17 成都锦城学院 一种基于改进深度残差网络的区域水资源分类评价方法
CN114663790A (zh) * 2022-05-24 2022-06-24 济宁德信测绘有限公司 一种智能遥感测绘方法及系统
CN115311270A (zh) * 2022-10-11 2022-11-08 南通至顺聚氨酯材料有限公司 一种塑料制品表面缺陷检测方法
CN115359261A (zh) * 2022-10-21 2022-11-18 阿里巴巴（中国）有限公司 图像识别方法、计算机可读存储介质以及电子设备
CN115578660A (zh) * 2022-11-09 2023-01-06 牧马人(山东)勘察测绘集团有限公司 基于遥感图像的土地地块分割方法
CN115661173A (zh) * 2022-11-10 2023-01-31 菏泽市土地储备中心 一种基于遥感图像的地块分割方法
CN116051976A (zh) * 2022-11-23 2023-05-02 河南理工大学 一种融合高程信息的遥感影像的处理方法
CN116703787A (zh) * 2023-08-09 2023-09-05 中铁建工集团第二建设有限公司 一种建筑施工安全风险预警方法及系统
CN116934636A (zh) * 2023-09-15 2023-10-24 济宁港航梁山港有限公司 一种水质实时监测数据智能管理系统
CN117115173A (zh) * 2023-10-25 2023-11-24 泰安金冠宏油脂工业有限公司 一种基于视觉特征的油料搅拌检测方法

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232138A (zh) * 2020-09-25 2021-01-15 天津大学 基于超像素特征的渠道边坡破坏智能识别方法
CN112241692A (zh) * 2020-09-25 2021-01-19 天津大学 基于航拍图超像素纹理的渠道异物智能检测与分类方法
CN112053371A (zh) * 2020-09-29 2020-12-08 成都星时代宇航科技有限公司 一种遥感图像中的水体提取方法和装置
CN112329596B (zh) * 2020-11-02 2021-08-24 中国平安财产保险股份有限公司 目标物定损方法、装置、电子设备及计算机可读存储介质
CN112329596A (zh) * 2020-11-02 2021-02-05 中国平安财产保险股份有限公司 目标物定损方法、装置、电子设备及计算机可读存储介质
CN112183505A (zh) * 2020-11-30 2021-01-05 江苏久智环境科技服务有限公司 一种面向智慧园林的无人机航拍目标识别方法
CN112634381A (zh) * 2020-12-21 2021-04-09 深圳雷霆数字娱乐有限公司 一种游戏中随机地图贴图的生成方法、装置、可读存储介质及计算机软件程序产品
CN112634381B (zh) * 2020-12-21 2024-06-11 深圳雷霆数字娱乐有限公司 一种游戏中随机地图贴图的生成方法、装置及介质
CN112699240A (zh) * 2020-12-31 2021-04-23 荆门汇易佳信息科技有限公司 中文情感特征词智能动态发掘和归类方法
CN113095213A (zh) * 2021-04-09 2021-07-09 重庆零壹空间科技集团有限公司 一种消落带变化监测方法
CN113673441A (zh) * 2021-08-23 2021-11-19 王彬 定量变差纹理驱动的高分遥感图像分类法
CN113781501A (zh) * 2021-09-14 2021-12-10 西安电子科技大学 一种自适应极化sar图像超像素分割方法及系统
CN113538425A (zh) * 2021-09-16 2021-10-22 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 可通行水域分割设备、图像分割模型训练和图像分割方法
CN114462542A (zh) * 2022-02-14 2022-05-10 长光禹辰信息技术与装备(青岛)有限公司 一种基于局部差异性分析的小目标识别精度优化方法
CN114511791A (zh) * 2022-04-20 2022-05-17 成都锦城学院 一种基于改进深度残差网络的区域水资源分类评价方法
CN114663790A (zh) * 2022-05-24 2022-06-24 济宁德信测绘有限公司 一种智能遥感测绘方法及系统
CN115311270A (zh) * 2022-10-11 2022-11-08 南通至顺聚氨酯材料有限公司 一种塑料制品表面缺陷检测方法
CN115359261A (zh) * 2022-10-21 2022-11-18 阿里巴巴（中国）有限公司 图像识别方法、计算机可读存储介质以及电子设备
CN115578660A (zh) * 2022-11-09 2023-01-06 牧马人(山东)勘察测绘集团有限公司 基于遥感图像的土地地块分割方法
CN115661173A (zh) * 2022-11-10 2023-01-31 菏泽市土地储备中心 一种基于遥感图像的地块分割方法
CN116051976A (zh) * 2022-11-23 2023-05-02 河南理工大学 一种融合高程信息的遥感影像的处理方法
CN116051976B (zh) * 2022-11-23 2023-09-19 河南理工大学 一种融合高程信息的遥感影像的处理方法
CN116703787A (zh) * 2023-08-09 2023-09-05 中铁建工集团第二建设有限公司 一种建筑施工安全风险预警方法及系统
CN116703787B (zh) * 2023-08-09 2023-10-31 中铁建工集团第二建设有限公司 一种建筑施工安全风险预警方法及系统
CN116934636A (zh) * 2023-09-15 2023-10-24 济宁港航梁山港有限公司 一种水质实时监测数据智能管理系统
CN116934636B (zh) * 2023-09-15 2023-12-08 济宁港航梁山港有限公司 一种水质实时监测数据智能管理系统
CN117115173A (zh) * 2023-10-25 2023-11-24 泰安金冠宏油脂工业有限公司 一种基于视觉特征的油料搅拌检测方法
CN117115173B (zh) * 2023-10-25 2024-01-16 泰安金冠宏油脂工业有限公司 一种基于视觉特征的油料搅拌检测方法

Similar Documents

Publication Publication Date Title
CN111696123A (zh) 超像素分类识别的遥感图像水域分割提取方法
EP3614308B1 (en) Joint deep learning for land cover and land use classification
Chen et al. A self organizing map optimization based image recognition and processing model for bridge crack inspection
US20200065968A1 (en) Joint Deep Learning for Land Cover and Land Use Classification
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
Hoonhout et al. An automated method for semantic classification of regions in coastal images
CN105139015B (zh) 一种遥感图像水体提取方法
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN106650812B (zh) 一种卫星遥感影像的城市水体提取方法
CN110135354B (zh) 一种基于实景三维模型的变化检测方法
CN108830870A (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
CN107247927B (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
CN103984946A (zh) 一种基于K-means的高分辨率遥感地图道路提取方法
CN113657324A (zh) 基于遥感影像地物分类的城市功能区识别方法
CN110147780B (zh) 基于层级地形的实时性野外机器人地形识别方法及系统
CN109740485A (zh) 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法
CN113033315A (zh) 一种稀土开采高分影像识别与定位方法
Hossain et al. A hybrid image segmentation method for building extraction from high-resolution RGB images
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
CN111882573B (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
CN111476723B (zh) 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
Mhangara et al. Road extraction using object oriented classification
Senthilnath et al. Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method
Lizarazo et al. Segmentation of remotely sensed imagery: moving from sharp objects to fuzzy regions

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